Voitot:
- Kyky luoda yleistetty lineaarinen malli (GLM), riskitekijä, tariffi ja riskipreemio käsitteet tekoälyn tuella ja kääntää kertoimet liikekielelle
- Kyky keskustella muuttujien valinnan, vuorovaikutuksen, ylisovituksen ja koneoppimismallien (GBM) tulkittavuuden tasapainosta tekoälyn kanssa
- Kyky ymmärtää, että hinnoittelumalli on vapaa kielletyistä/syrjivistä muuttujista ja lopputariffin yhteensopivuus lainsäädännön ja kilpailun kanssa on jätetty aktuaarille.
Vakuutuksen hintaa ei määrätä sattumanvaraisesti. Suurkaupungissa asuvan 22-vuotiaan, vasta ajokortin saaneen kuljettajan liikenneonnettomuuden riski on tilastollisesti suurempi kuin 45-vuotiaan 20 vuoden kokemuksen omaavan kuljettajan; Reilussa järjestelmässä vakuutusmaksujen pitäisi myös olla erilaisia. Aktuaarin tehtävää mitata tätä eroa ja heijastaa se hintaan kutsutaan hinnoitteluksi ja riskiluokitukseksi. Tässä osiossa keskustelemme yleistetystä lineaarisesta mallista (GLM), hinnoittelun vakuutusmatemaattisesta rungosta ja sen koneoppimisvaihtoehdoista ja katsomme, kuinka tekoälyä voidaan käyttää turvallisesti tässä prosessissa.
Muutama perusehto. Riskitekijä on riskiin vaikuttava muuttuja, jota käytetään hinnoittelussa (ikä, ajoneuvon ikä, alue, käyttötarkoitus). Tariffi on joukko sääntöjä, jotka määräävät, miten vakuutusmaksu lasketaan riskitekijöiden mukaan. Riskipreemio on puhdas odotetun tappion kustannus; Kun kulut, palkkiot, voittomarginaalit ja pääomakustannukset lisätään, muodostuu kaupallinen preemio (myyntihinta). Muistutetaan alusta alkaen: AI ehdottaa muuttujia, rakentaa malleja, selittää kertoimia; Mutta mikä muuttuja on laillinen ja eettinen ja onko lopullinen tariffi lainsäädännön ja kilpailun mukainen, kuuluu aktuaarille ja noudattamisyksikölle.
Miksi GLM on vakuutusmatemaattisen standardi
Hinnoittelussa eniten käytetty menetelmä on GLM. GLM tulee sanoista "yleistetty lineaarinen malli": se laajentaa klassisen lineaarisen regression sopimaan epänormaalisti jakautuneisiin kohteisiin, kuten vahinkotietoihin. Siinä on kaksi peruskomponenttia. Jakaumaperhe: Poisson valitaan taajuudelle, gamma intensiteetille (logiikka yksikössä 2). Linkkifunktio (linkki): yleensä logaritminen, mikä mahdollistaa tekijöiden kertovan vaikutuksen. Kertova rakenne on vakuutusmatemaattisesti erittäin arvokas, koska tariffi asetetaan juuri näin: peruspalkkio × ikäkerroin × aluekerroin × ajoneuvokerroin.
GLM:n suurin etu on tulkittavuus. Kerroin kertoo suoraan: "nuorten kuljettajien ryhmä lisää taajuutta 1,6 kertaa vertailuryhmään verrattuna." Tämä läpinäkyvyys on kriittistä kolmella tavalla: (1) sääntelyviranomainen ja sisäinen tarkastus voivat ymmärtää ja hyväksyä mallin; (2) kielletty/syrjivä vaikutus on näkyvissä; (3) hintalogiikka voidaan selittää myynti- ja johtoryhmälle. Monimutkaisemmat koneoppimismallit (alla) antavat joskus suuremman tarkkuuden, mutta läpinäkyvyyden kustannuksella.
Vihje: GLM-kerroin on log-asteikolla. Pyydä tekoälyä muuttamaan kerroin "kerroinkertoimeksi" exp(kertoimella); Se olisi paljon helpompi kääntää liikekielelle (esim. kerroin 0,47 → kerroin ≈ 1,60 → "60% riskialtisempi").
Vaihteleva valinta, ylisovitus ja koneoppiminen
Hinnoittelussa kriittisin päätös on, mitkä muuttujat jäävät malliin. Ansoja on kaksi. Harvat muuttujat sokeavat mallia: jos tärkeä riskitekijä unohtuu, hinta on väärä. Liian vaihteleva / ylisovitus saa mallin muistamaan aiemmat tiedot: malli erehtyy kohinan signaaliksi ja epäonnistuu uusilla käytännöillä. Tasapaino saadaan aikaan ristiinvalidoinnilla – jakamalla tiedot koulutus- ja testikappaleisiin ja testaamalla niitä tiedoilla, joita malli ei näe, yksinkertaisuudella ja vakuutusmatemaattisella päättelyllä.
Vuorovaikutus on myös tärkeä: joskus kahden tekijän yhteisvaikutus eroaa niiden erillisten vaikutusten summasta (nuori + urheilullinen ajoneuvo voi olla riskialtisempi kuin niiden yksittäisten vaikutusten summa). GLM:ssä vuorovaikutukset lisätään eksplisiittisesti.
Viime vuosina mallit, kuten GBM (gradient boosting machine – tehokas koneoppimismenetelmä, joka yhdistää monia pieniä päätöspuita) ovat yleistyneet hinnoittelussa. Nämä tallentavat automaattisesti monimutkaisia malleja ja vuorovaikutuksia, antaen usein tarkempia ennusteita kuin GLM. Mutta sillä on hintansa: taipumus olla "musta laatikko". Nykyään yleinen käytäntö on käyttää GBM:ää löytöihin ja ideoiden luomiseen ja GLM:ää lopulliseen läpinäkyvään tariffiin. tai GBM-tulosteen tulkitseminen selitettävyystyökaluilla, kuten SHAP.
Seuraavassa taulukossa verrataan kahta lähestymistapaa:
kriteeri
GLM
GBM (koneoppiminen)
Tulkittavuus
Korkea (kerroin päällä)
Matala (vaatii merkintätyökalun)
Vuorovaikutuksen sieppaus
Lisätty manuaalisesti
automaattinen
Yliasennuksen vaara
matala-keskinen
Korkea (vaatii huolellisen säädön)
Sääntelyviranomaisen/tarkastuksen hyväksyntä
helppoa
Vaikea, vaatii lisädokumentteja
Tyypillinen käyttö
lopullinen tariffi
löytö, vertailu
Kuinka käyttää tekoälyä hinnoittelussa
1) GLM-kertoimen kääntäminen liikekielelle:
Asetin taajuuden GLM:n (Poisson, lokilinkki). Jotkut kertoimet (logiasteikko): ikäryhmä_18_25: 0,47 ; alue_enemmistö: 0,22 ; arac_yasi_10plus: -0,15. Muunna jokainen kerroin exp()-komennolla ja selitä se yhdellä virkkeellä, jonka esimies ymmärtää. Muista myös mikä viiteryhmä on.
2) Muuttuja-/vuorovaikutuskeskustelu:
Tehtäväsi: hinnoitteluassistentti. Ehdokasmuuttujani liikennetaajuusmalliin ovat: ikä, sukupuoli, alue, ajoneuvon ikä, moottorin teho, vuosikilometrit, ammatti. - Mitkä muuttujat voivat olla riskialttiita sääntely-/eettisestä näkökulmasta (esim. välillinen syrjintä)? - Mitä kahdenvälisiä vuorovaikutuksia olisi järkevää kokeilla? - Mitä varmistusvaiheita minun tulee noudattaa, jotta vältytään liialliselta asentamiselta? Päätöksenteko; Anna minulle puitteet kontrollille ja keskustelulle.
3) Yliasennusohjauskoodi:
Kirjoita kommentoitu koodi, joka arvioi GLM:n k-kertaisella ristiinvalidaatiolla käyttämällä Python + scikit-learn / statsmodels -malleja. Käytä Poisson-poikkeamaa mittarina. Vertaa harjoittelu- ja koepisteitä ja selitä kommenttirivillä, miten ylisovitusmerkki luetaan. Kirjasto on väärennös.
4) Syrjintä/korvausmuuttujan seulonta:
"Postinumero" osoittautui vahvaksi muuttujaksi hinnoittelumallissani. Selitä riski, että tämä edustaa epäsuorasti kiellettyä ominaisuutta (esim. etninen alkuperä, tulot) välitysmuuttujana. - Mitä analyysiä minun pitäisi tehdä tämän riskin testaamiseksi? - Mitä vaihtoehtoja on olemassa riskin vähentämiseksi? Oikeudellisen neuvonnan tarjoaminen; laatia tekniset ja eettiset puitteet.
Heikko kehote / Vahva kehote
Heikko kehote:
Luo liikennevakuutuksen paras hinnoittelumalli.
"Paras" on määrittelemätön; Ei tietoja, ei rajoituksia, ei lainsäädäntöä. AI antaa yleisen, soveltumattoman vastauksen.
Tehokas kehotus:
Tehtäväsi: hinnoittelu aktuaarin avustaja. Konteksti: Rakennan liikennehaarataajuusmallia, GLM (Poisson, lokilinkki). Käytössäni olevat muuttujat: ikäryhmä, ajoneuvon ikä, alue (maakunta), vuosikilometrit, käyttötarkoitus. Rajoitus: sukupuolta ei voida käyttää lainsäädännössä; Minun on vältettävä epäsuoraa syrjintää. Tehtävä: 1) Ehdota alkuperäistä mallispesifikaatiota näillä muuttujilla (mukaan lukien viiteryhmät).2) Anna syyt kahdelle vuorovaikutukselle, joita minun pitäisi yrittää.3) Anna luettelo vaiheista, joilla tarkistetaan ylisovitus.4) Lisää erityishuomio "alueelle" epäsuoran syrjinnän osalta. Teen päätöksen; Annat puitteet ja perustelut.
kolme minilaukkua
Tapaus 1 – Läpinäkyvyyden arvo. Yritys esitteli sääntelijälle erittäin tarkan hinnoittelumallin, jonka se rakensi GBM:llä, mutta ei osannut selittää kertoimia; hyväksyminen myöhässä. Aktuaari rakensi GLM:n, joka sieppasi samat signaalit; Tarkkuus laski 2 prosenttia, mutta koska jokainen tekijä voitiin ottaa huomioon, malli validoitiin kuukaudessa. GBM säästettiin tiedustelua varten, GLM:stä tuli tariffi. YZ tuotti nopeasti koodin ja säätimen kuvauksen, jossa verrattiin kahden mallin suorituskykyä.
Tapaus 2 – Ylisovitusloukku. Auttaja sai täydelliset pisteet harjoitustiedoista, kun hän lisäsi malliin yli 40 muuttujaa ja lukuisia vuorovaikutuksia. Mutta ristiinvalidoinnin yhteydessä testitulos romahti: malli oli muistanut kohinan. Reaalimaailman suorituskyky parani, kun muuttujien lukumäärä pienennettiin 12:een ja yksinkertaistettiin. Oppitunti: katso ennennäkemättömiä datapisteitä, älä harjoituspisteitä.
Tapaus 3 — Välillinen syrjintä. Yhdessä mallissa "naapuruus"-muuttuja selitti premiumin voimakkaasti. Analyysi osoitti, että tämä muuttuja meni suurelta osin päällekkäin etnisen keskittymisen kanssa, eli se oli kielletyn ominaisuuden proksi. Vakuutusmatemaatika korvasi tämän muuttujan neutraalemmilla riskiindikaattoreilla (tietyyppi, pysäköintitila); sekä eettiset että juridiset riskit ovat vähentyneet. AI tuotti korrelaatioanalyysin, joka mittasi päällekkäisyyttä ja vaihtoehtoisia muuttujaehdotuksia; Aktuaari- ja compliance-yksikkö tekivät päätöksen.
Yleisiä virheitä
- Tehdään tulkitsemattomasta mallista lopullinen resepti. Hinta, jota ei voida selittää sääntelijälle, tarkastukselle ja asiakkaalle, on kestämätön; Avoimuus on välttämätöntä.
- Koulutuspisteisiin luottaminen. Ylisovitus havaitaan vain näkymättömissä tiedoissa (ristitarkistus).
- Kiellettyjen/korvausmuuttujien käyttäminen tarkistamatta. Muuttujat, kuten postinumero ja ammatti, voivat aiheuttaa epäsuoraa syrjintää; Muista testata se.
- Riskipreemion ja kaupallisen palkkion sekoittaminen. Pelkkä vahinkokustannus ei ole myyntihinta; kulut, voitto ja pääomakustannukset lisätään.
- Kertoimen jättäminen log-asteikolle ja sen väärintulkinta. Kommentointi muuntamatta sitä kertoimeksi exp():lla aiheuttaa virheen.
Varoitus: AI:n suositus mallista, joka "antaa parhaan tarkkuuden", ei ole automaattisesti malli, jota "pitäisi käyttää". Avoimuus, oikeudenmukaisuus ja lainsäädännön noudattaminen ovat pakollisia kriteerejä sekä tarkkuus vakuutusmatemaattisessa hinnoittelussa.
Yhteenvetona
Hinnoittelu on prosessi, jossa riskiä mitataan riskitekijöillä ja muunnetaan reiluksi palkkioksi. GLM on vakuutusmatemaattisen hinnoittelun standardi moninkertaisella ja tulkittavalla rakenteella; Kertoimet muunnetaan tekijöiksi exp(). Koneoppimismallit, kuten GBM, voivat olla tarkempia, mutta ne vähentävät läpinäkyvyyttä ja niitä käytetään tyypillisesti etsimiseen. Muuttujien valinta tulee suojata ylisovitukselta ristiinvalidoinnilla, ja epäsuoraa syrjintää (korvausmuuttuja) on valvottava huolellisesti. AI rakentaa mallin, kirjoittaa koodin ja selittää kertoimen; Mutta laki-eettinen noudattaminen ja lopullinen tariffi kuuluvat aktuaari- ja noudattamisyksikköön.
Sovellustehtävä
Listaa 5-6 pääaineen riskitekijää. Pyydä tekoälyltä (a) GLM:n alustava spesifikaatio näiden tekijöiden kanssa, (b) 2 vuorovaikutusta kokeillaksesi ja niiden perustelut, (c) seulonta muuttujista, jotka saattavat olla epäsuoran syrjinnän vaarassa. Anna sitten esimerkki 3 log-kertoimesta, pyydä tekoälyä muuttamaan se kertoimeksi exp():lla ja siirtämään se bisneskielelle ja tarkista tekijät manuaalisesti.
tarkistuslista
- [ ] Voidaanko malliani tulkita; Voinko kääntää kunkin tekijän vaikutuksen liikekielelle?
- [ ] Olenko tarkistanut yliasennusta ristiintarkistuksella?
- [ ] Olenko tarkistanut kiellettyjen ja välitysmuuttujien epäsuoran syrjinnän?
- [ ] Olenko tietoisesti erottanut riskipreemion kaupallisesta palkkiosta?
- [ ] Muunsinko kertoimet kertoimeksi exp():lla ja tulkinko ne oikein?
- [ ] Teinkö lopullisen tariffipäätöksen yhdessä lainsäädännön ja vaatimustenmukaisuusyksikön kanssa?