Nyereség:
- Képes általánosított lineáris modell (GLM), kockázati tényező, tarifa és kockázati prémium koncepciók létrehozására mesterséges intelligencia támogatásával és az együtthatók üzleti nyelvre történő lefordításával
- Képes megvitatni a változók kiválasztásának, az interakciónak, a túlillesztésnek és a gépi tanulási modellek (GBM) mesterséges intelligenciával való értelmezhetőségének egyensúlyát
- Annak megértése, hogy az árképzési modell mentes a tiltott/diszkriminatív változóktól, és a végső tarifa jogszabályoknak és versenynek való megfelelése az aktuáriusra van bízva.
A biztosítási kötvény ára nem véletlenszerűen kerül meghatározásra. Egy 22 éves, újonnan jogosítvánnyal rendelkező, nagyvárosban élő sofőr közlekedési balesetveszélye statisztikailag magasabb, mint egy 45 éves, 20 éves gyakorlattal rendelkező sofőr; Egy igazságos rendszerben a prémiumoknak is másnak kell lenniük. Az aktuárius feladata, hogy ezt a különbséget mérje és tükrözze az árban, árazásnak és kockázati besorolásnak nevezik. Ebben az egységben megvitatjuk az általánosított lineáris modellt (GLM), az árazás aktuáriusi gerincét és annak gépi tanulási alternatíváit, és meglátjuk, hogyan lehet biztonságosan használni az AI-t ebben a folyamatban.
Néhány alapfogalom. A kockázati tényező az a változó, amely befolyásolja a kockázatot, és amelyet az árképzésben használnak (életkor, jármű kora, régió, rendeltetésszerű használat). A díjszabás egy olyan szabályrendszer, amely meghatározza, hogy a kockázati tényezők alapján hogyan kerüljön kiszámításra a díj. A kockázati prémium a tiszta várható veszteség költsége; A költségek, a jutalékok, a haszonkulcsok és a tőkeköltségek hozzáadásával a kereskedelmi prémium (eladási ár) alakul ki. Emlékezzünk az elejétől fogva: az AI változókat javasol, modelleket épít, együtthatókat magyaráz; De hogy melyik változó a legális és etikus, és hogy a végső tarifa megfelel-e a jogszabályoknak és a versenynek, az az aktuáriusra és a megfelelési egységre tartozik.
Miért a GLM a standard a biztosításmatematikai rendszerben?
Az árképzés leggyakrabban használt módszere a GLM. A GLM az „általánosított lineáris modell” rövidítése: a klasszikus lineáris regressziót kiterjeszti a nem normál eloszlású célokra, például a sérülési adatokra. Két alapvető összetevője van. Eloszlási család: Poisson a frekvencia, a gamma az intenzitás (logika a 2. egységben). Link függvény (link): általában logaritmikus, amely lehetővé teszi a tényezők multiplikatív hatását. A multiplikatív struktúra nagyon értékes a biztosításmatematikailag, mert a tarifa pontosan így van felállítva: alapdíj × életkortényező × régiótényező × járműtényező.
A GLM legnagyobb előnye az értelmezhetőség. Egy együttható közvetlenül megmondja: "a fiatal vezetők csoportja 1,6-szorosára növeli a gyakoriságot a referenciacsoporthoz képest." Ez az átláthatóság három szempontból kritikus: (1) a szabályozó és a belső ellenőrzés megértheti és jóváhagyhatja a modellt; (2) tiltott/diszkriminatív hatás látható; (3) az árlogikát meg lehet magyarázni az értékesítési és vezetői csapatnak. Az összetettebb gépi tanulási modellek (lent) néha nagyobb pontosságot adnak, de az átláthatóság rovására.
Tipp: A GLM együttható log skálán van. Kérje meg az AI-t, hogy konvertálja az együtthatót "szorzótényezővé" az exp (együtthatóval); Sokkal egyszerűbb lenne üzleti nyelvre lefordítani (pl. együttható 0,47 → tényező ≈ 1,60 → „60%-kal kockázatosabb”).
Változó választás, túlillesztés és gépi tanulás
Az árazás során a legkritikusabb döntés az, hogy mely változók maradnak a modellben. Két csapda van. Kevés változó vakítja el a modellt: ha kimarad a fontos kockázati tényező, az ár rossz lesz. A túlságosan változó / túlillesztés miatt a modell megjegyzi a múltbeli adatokat: a modell összetéveszti a zajt jelnek, és meghibásodik az új irányelvekkel. Az egyensúly a keresztellenőrzés révén jön létre – az adatok képzési és tesztdarabokra való felosztása, valamint a modell által nem látott adatokon történő tesztelése, az egyszerűség és az aktuáriusi érvelés.
A kölcsönhatás is fontos: néha két tényező együttes hatása eltér a különálló hatások összegétől (egy fiatal + sportos jármű kockázatosabb lehet, mint az egyéni hatások összege). A GLM-ben az interakciók kifejezetten hozzáadódnak.
Az elmúlt években az olyan modellek, mint a GBM (gradiensnövelő gép – egy hatékony gépi tanulási módszer, amely sok kis döntési fát egyesít), általánossá váltak az árképzésben. Ezek automatikusan rögzítik az összetett mintákat és interakciókat, gyakran pontosabb előrejelzéseket adva, mint a GLM. De ennek ára van: a „fekete doboz” hajlam. Manapság bevett gyakorlat az, hogy a GBM-et a felfedezéshez és az ötletgeneráláshoz, a GLM-et pedig a végső átlátható tarifához használják; vagy a GBM kimenet értelmezése magyarázható eszközökkel, például SHAP.
Az alábbi táblázat összehasonlítja a két megközelítést:
kritérium
GLM
GBM (gépi tanulás)
Értelmezhetőség
Magas (együttható bekapcsolva)
Alacsony (jegyzőeszköz szükséges)
Interakció rögzítése
Manuálisan hozzáadva
automatikus
Túlszerelés veszélye
alacsony-közepes
Magas (gondos beállítás szükséges)
Szabályozó/audit jóváhagyás
könnyű
Nehéz, további dokumentációt igényel
Tipikus használat
végső tarifa
felfedezés, összehasonlítás
Hogyan használjuk az AI-t az árképzésben
1) A GLM-együttható lefordítása üzleti nyelvre:
Beállítottam egy frekvencia GLM-et (Poisson, log link). Néhány együttható (log skála): korcsoport_18_25: 0,47 ; régió_többség: 0,22 ; arac_yasi_10plus: -0,15. Alakítsa át mindegyiket szorzótényezővé az exp() segítségével, és magyarázza el egy mondatban, amelyet a vezető megérthet. Emlékezzen arra is, hogy mi a referenciacsoport.
2) Változó/kölcsönhatás megbeszélése:
Az Ön szerepe: árképzési asszisztens. A forgalmi gyakorisági modellhez jelölt változóim: életkor, nem, régió, jármű kora, motorteljesítmény, éves km, szakma. - Mely változók lehetnek kockázatosak szabályozási/etikai szempontból (pl. közvetett diszkrimináció)? - Milyen kétoldalú interakciókat lenne érdemes kipróbálni? - Milyen ellenőrzési lépéseket kell követnem a túlszerelés elkerülése érdekében? Döntéshozatal; Adja meg a keretet az ellenőrzéshez és a vitához.
3) Túlillesztés ellenőrző kód:
Írjon megjegyzésekkel ellátott kódot, amely kiértékeli a GLM-et k-szeres keresztellenőrzéssel a Python + scikit-learn / statsmodels használatával. Használja a Poisson-eltérést mérőszámként. Hasonlítsa össze a képzési és teszteredményeket, és magyarázza el a megjegyzéssorban, hogyan kell olvasni a túlillesztés jelét. A könyvtár hamis.
4) Diszkrimináció/helyettesítő változó szűrése:
Az „irányítószám” erős változónak bizonyult az árképzési modellemben. Magyarázza meg annak kockázatát, hogy ez közvetetten tiltott tulajdonságot (például etnikai hovatartozást, jövedelmet) képvisel proxyváltozóként! - Milyen elemzést kell végeznem ennek a kockázatnak a teszteléséhez? - Milyen alternatívák vannak a kockázat csökkentésére? Jogi tanácsadás; technikai és etikai keretet rajzolni.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
A forgalombiztosítás legjobb árazási modelljének kialakítása.
A "legjobb" nem definiált; Nincs adat, nincs korlátozás, nincs jogszabály. Az AI általános, nem alkalmazható választ ad.
Erőteljes felszólítás:
Az Ön szerepe: az árképzési aktuárius asszisztense. Kontextus: Közlekedési ág frekvencia modellt építek, GLM (Poisson, log link). A nálam lévő változók: korcsoport, jármű kora, régió (tartomány), éves km, rendeltetésszerű használat. Korlátozás: a nemet jogszabály nem használhatja; Kerülnöm kell a közvetett diszkriminációt.Feladat:1) Javasoljon kezdeti modellspecifikációt ezekkel a változókkal (beleértve a referenciacsoportokat is).2) Indokolja meg azt a 2 interakciót, amelyet meg kell próbálnom.3) Adja meg a túlillesztés ellenőrzésére szolgáló lépések listáját.4) A közvetett diszkrimináció tekintetében külön figyelmet kell fordítani a „régióra”.Én fogom meghozni a döntést; Ön megadja a keretet és az indoklást.
három mini tok
1. eset – Az átláthatóság értéke. Egy vállalat bemutatott egy nagyon pontos, GBM-mel felépített árazási modellt a szabályozónak, de nem tudta megmagyarázni az együtthatókat; jóváhagyása késik. Az aktuárius felépített egy GLM-et, amely ugyanazokat a jeleket rögzítette; A pontosság 2 százalékkal csökkent, de mivel minden tényezőt figyelembe lehetett venni, a modellt egy hónapon belül validálták. A GBM-et a felderítésre tartották, a GLM tarifás lett. Az YZ gyorsan elkészítette a kódot és a szabályozó leírását, amely összehasonlítja a két modell teljesítményét.
2. eset – A túlillesztési csapda. Egy segítő tökéletes pontszámot ért el a képzési adatokon, amikor több mint 40 változót és számos interakciót adott hozzá a modellhez. Ám a keresztellenőrzés során a teszt eredménye összeomlott: a modell megjegyezte a zajt. A valós teljesítmény nőtt, amikor a változók számát 12-re csökkentették és egyszerűsítették. Tanulság: a példátlan adatpontszámot nézd, ne a képzési pontszámot.
3. eset – Közvetett megkülönböztetés. Az egyik modellben a "szomszédság" változó erősen megmagyarázta a prémiumot. Az elemzés azt mutatta, hogy ez a változó nagymértékben átfedésben van az etnikai koncentrációval, azaz egy tiltott jellemző helyettesítője volt. Az aktuátor ezt a változót semlegesebb kockázati mutatókkal (úttípus, parkolási állapot) helyettesítette; mind az etikai, mind a jogi kockázatok csökkentek. A mesterséges intelligencia korrelációs elemzést készített, amely az átfedéseket és alternatív változójavaslatokat mérte; Az aktuáriusi és a megfelelőségi egység hozta meg a döntést.
Gyakori hibák
- Az értelmezhetetlen modell végső receptje. A szabályozónak, a könyvvizsgálónak és az ügyfélnek nem magyarázható ár fenntarthatatlan; Az átláthatóság elengedhetetlen.
- Az iskolai végzettségre támaszkodva. A túlillesztés csak a nem látott adatokban észlelhető (keresztellenőrzés).
- Tiltott/helyettesítő változók használata ellenőrzés nélkül. Az olyan változók, mint az irányítószám és a foglalkozás, közvetett megkülönböztetést hordozhatnak; Mindenképpen tesztelje le.
- A kockázati prémium összekeverése a kereskedelmi prémiummal. A tiszta kárköltség önmagában nem az eladási ár; ráfordítás, nyereség és tőkeköltség hozzáadódik.
- Az együttható log skálán hagyása és félreértelmezése. Ha az exp() függvény szorzótényezőjére konvertálása nélkül kommentál, hibát fog okozni.
Figyelem: A mesterséges intelligencia által a „legjobb pontosságot adó” modellre vonatkozó ajánlása nem automatikusan az a modell, amelyet „használni kell”. Az átláthatóság, a méltányosság és a jogszabályoknak való megfelelés kötelező kritériumok, valamint a biztosításmatematikai árképzés pontossága.
Összefoglalva
Az árazás a kockázat kockázati tényezőkkel való mérésének és méltányos prémiummá alakításának folyamata. A GLM a biztosításmatematikai árazás standardja a multiplikatív és értelmezhető struktúrájával; Az együtthatókat az exp() segítségével alakítjuk át faktorokká. A gépi tanulási modellek, például a GBM pontosabbak lehetnek, de csökkentik az átláthatóságot, és általában felfedezésre használják. A változók kiválasztását védeni kell a túlillesztés ellen keresztellenőrzéssel, és a közvetett diszkriminációt (helyettesítő változó) gondosan ellenőrizni kell. Az AI összeállítja a modellt, kódot ír és elmagyarázza az együtthatót; De a jogi-etikai megfelelés és a végdíj az aktuáriusi és megfelelőségi egységhez tartozik.
Pályázati feladat
Soroljon fel 5-6 kockázati tényezőt egy szakra vonatkozóan. Kérje meg az MI-t, hogy (a) a GLM kezdeti specifikációját ezekkel a tényezőkkel, (b) 2 interakciót próbáljon ki, és azok indokait, (c) szűrje ki azokat a változókat, amelyek a közvetett diszkrimináció kockázatának lehetnek kitéve. Ezután adjon meg egy példát 3 log-együtthatóra, kérje meg az AI-t, hogy konvertálja azt szorzótényezővé az exp() segítségével, és vigye át az üzleti nyelvre, és ellenőrizze a tényezőket manuálisan.
ellenőrző lista
- [ ] Értelmezhető-e a modellem; Lefordíthatom az egyes tényezők hatását üzleti nyelvre?
- [ ] Ellenőriztem a túlillesztést keresztellenőrzéssel?
- [ ] Ellenőriztem a tiltott és a proxy változók közvetett megkülönböztetését?
- [ ] Tudatosan választottam el a kockázati prémiumot a kereskedelmi prémiumtól?
- [ ] Átalakítottam az együtthatókat szorzókká az exp()-el és jól értelmeztem?
- [ ] A végső tarifahatározatot a jogszabályi és megfelelőségi egységgel együtt hoztam meg?