Uru:
- Inwe ike iguzobe ma kọwapụta ọdịiche dị n'etiti mmebi ugboro na ọnụọgụ mmebi (ịdị njọ), nkesa kwesịrị ekwesị (Poisson, negative binomial, gamma) na mgbagha ụdị ihe mejupụtara ya na nkwado nke ọgụgụ isi.
- Na-ahazi oke nnukwu mfu (ndị na-apụ apụ / nnukwu mfu), capping data na mgbanwe mgbanwe / mmepe na ọgụgụ isi na ajụjụ na data ziri ezi.
- Ikike ịghọta na nhọrọ nkesa na paramita nke ọgụgụ isi na-emepụta kwesịrị ịkwado ya site na ule ịdị mma na echiche ziri ezi.
Ajụjụ kachasị mkpa maka ụlọ ọrụ ịnshọransị bụ: "Ego mmebi nke anyị ga-akwụ maka otu amụma a n'afọ ọzọ?" Ịza ajụjụ a n'ụzọ ziri ezi bụ ihe dị mkpa maka ma ịtọlite ego n'ụzọ ziri ezi yana ikenye nchekwa zuru oke. Ndị na-eme ihe nkiri na-aza ajụjụ a site n'ikewa ya ụzọ abụọ; n'ihi na ọ bụ ihe ziri ezi karịa ka a na-eṅomi omume abụọ dị iche iche kama ịkọ mkpokọta mmebi n'otu ibe. Akụkụ abụọ a bụ ugboro na ike.
Ugboro (ugboro nke mmebi) bụ ole mmebi na-eme kwa mkpughe; Dịka ọmụmaatụ, ụgbọ ala 100 - ihe mberede 8 kwa afọ. Ịdị njọ bụ nkezi ego nke mmebi ọ bụla mebiri; ọmụmaatụ, 30,000 TL kwa mberede. Ịba ụba abụọ ahụ na-enye ohere dị ize ndụ: ọnụ ahịa mmebi a na-atụ anya maka mkpughe (0.08 × 30,000 = $ 2,400). N'ime nkeji a, anyị ga-ahụ nzọụkwụ site nzọụkwụ ka esi eji AI iji guzobe ọdịiche a, họrọ nkesa nke ọma, ma jikwaa ndị na-apụ apụ. Ka anyị chetara site na mmalite: AI na-atụ aro nkesa ma dee koodu, ma ọ bụ onye na-eme ihe iji kwado nhọrọ nkesa site na ule na ikpe ziri ezi.
Kedu ihe kpatara eji ahazi ugboro na ike iche iche?
Ugboro na ike na-egosi omume ọnụ ọgụgụ dị iche iche. Ọnụọgụ nkwuputa bụ ọnụọgụ ọnụọgụ (0, 1, 2, 3...) ma na-ejikarị nkesa Poisson ma ọ bụ nkesa binomial na-adịghị mma ma ọ bụrụ na enwere mgbasa (iche> pụtara). Poisson bụ nkesa oge gboo na-egosipụta ọnụọgụ nke ihe omume na-adịghị ahụkebe na nke onwe. Ọnụ ego mmebi bụ mgbanwe na-aga n'ihu na nke ziri ezi: ọtụtụ nkwupụta dị ntakịrị, nkwupụta ole na ole dị nnọọ ukwuu. Ya mere, a na-ejikarị gamma ma ọ bụ nkesa lognormal na-egosiputa ịdị njọ; ndị a bụ nkesa ziri ezi na nke ziri ezi.
Ịme ụdị abụọ ahụ iche iche nwere uru atọ dị mkpa. Nke mbụ, ị nwere ike ịhụ na onye ọ bụla nwere ndị ọkwọ ụgbọala nke ya (ihe ize ndụ): onye ọkwọ ụgbọ ala na-eto eto na-abawanye ugboro ugboro, ụgbọ ala dị oke ọnụ na-abawanye ime ihe ike. Nke abụọ, mgbe data gbanwere, ị nwere ike ịchọpụta ihe kpatara ya: enwere ụgwọ mmebi ma ọ bụ ọnụ ọgụgụ nke nkwupụta abawanyela? Nke atọ, ị nwere ike ịtụle nnukwu mfu dị iche iche n'akụkụ ime ihe ike. Nchikota nke abuo ndia ka a na-akpo ihe omuma ihe; ngụkọta mmebi a tụrụ anya ya = ugboro ole a tụrụ anya n'aka.
Ndumodu: Ahịrịokwu ahụ "Onyifu anyị/ọnụahịa abawanyela" anaghị ekwu ihe ọ bụla n'onwe ya. Kewapụ ajụjụ ma ugboro ole ma ọ bụ ike abawanyela; ntinye aka (ọnụahịa, mkpuchi, njikwa mmebi) ga-adị iche kpamkpam.
Outliers, mkpụbelata na mezie ọnọdụ
Data mmebi n'ụdị raw ya adịghị njikere maka ụlọ ihe nlereanya. A na-achọ ndozi atọ mgbe niile. Nke mbụ bụ oke / nnukwu mmebi nhazi: nnukwu mmebi ole na ole (dịka ọkụ ụlọ ọrụ) na-emegharị nkezi; A na-ahazi ihe ndị a dị ka "ibu mmebi" dị iche iche. Nke abụọ bụ capping: idozi nnukwu mmebi n'otu ụlọ (dịka ọmụmaatụ 1,000,000 TL) na ịgbakọ akụkụ elu iche iche na-eme ka ihe nlereanya ahụ kwụsie ike. Nke atọ, omume na mmezi mmepe: a ga-emelite nkwupụta ndị gara aga na onu oriri ruo ọkwa ọnụahịa nke taa (trend), na nkwupụta ndị a na-akwụbeghị ụgwọ zuru ezu kwesịrị iweta ya na ọkwa ikpeazụ ha (mmepe - anyị ga-ekpuchi isiokwu a na unit 3).
Tebụlụ na-esonụ na-atụnyere njirimara nke akụkụ abụọ ahụ:
atụmatụ
Ugboro (ugboro)
Ime ihe ike (ego)
Ụdị mgbanwe
Ọgụgụ (0,1,2...)
mgbe niile, nti
Nkesa a na-ahụkarị
Poisson, binomial adịghị mma
Gamma, nke dị nro
Ọmụmaatụ onye ọkwọ ụgbọ ala
Afọ, ahụmahụ, mpaghara, ojiji
Uru ụgbọ ala, oke mkpuchi, ụgwọ nrụzi
Nsogbu pụrụ iche
ala
Nnukwu (mmebi ndị buru ibu)
Mmetụta onu oriri
adịghị ike
ike
Otu esi eji AI na ụdị mmebi mmebi
Ebe AI siri ike bụ n'ịtụle nhọrọ nkesa, ide koodu, na ịkọwa nsonaazụ ya. N'okpuru bụ ndebiri anọ enwere ike iṅomi.
1) Kwurịtara nhọrọ nkesa:
Ọrụ gị: onye inyeaka ihe nlere anya. Enwere m mkpuchi mkpuchi AMOUNT data (amaghị aha, nkwupụta 1,600). Nchịkọta: pụtara 30,300 TL, etiti 12,500 TL, kacha 940,000 TL, skewness dị elu. Ajụjụ: gamma ma ọ bụ lognormal ga-adabara maka ụdị ịdị njọ? Gịnị bụ echiche nke ọ bụla, gbakwunyere / mwepu na nke ịdị mma-nke-adabara ule (e.g. Kọwaa na m ga-eme mkpebi (Q-Q chaatị, K-S ule, AIC) .Na-eme a definitive mkpebi; Nye m a ntụnyere etiti.
2) Koodu mgbako ugboro ugboro:
Jiri Python + pandas dee koodu kwuru nke na-eme usoro ndị a: 1) Enwere kọlụm 'exposure', 'claim_count', 'claim_amount' na df. 2) Ugboro ugboro = mkpokọta mkpesa_count / mkpokọta mkpughe. 3) Nkezi ogo = mkpokọta claim_amount / mkpokọta claim_count. 4) Ihe ize ndụ adịchaghị = ugboro × ịdị njọ. 5) Bipụta nsonaazụ etiti ọ bụla na ihuenyo ka m wee jiri aka nyochaa ya. Ngwa ụlọ akwụkwọ; naanị iji pandas.
3) Ntụle uru / mbelata oke:
Enwere m nkesa ego n'amaghị aha. Mkpesa dị ka 950,000, 720,000, 610,000 TL bụ 22% nke mkpokọta ego. Gwa m maka usoro nchikota gị: - Kedu nhọrọ okpu nwere ezi uche (dịka 500K, 750K, 1M)? - Kedu ka m ga-esi tinyeghachi akụkụ nke ịkpụ dị ka "ibu mmebi" dị iche iche? - Gosi m nzọụkwụ site nzọụkwụ otú mkpebi a si emetụta ihe ize ndụ premium.
4) Ịsụgharị nsonaazụ ka ọ bụrụ asụsụ azụmahịa:
Ugboro m mụbara site na 0.13 ruo 0.15; Nkezi ime ihe ike sitere na 28,000 ruo 34,000 TL. Kọwaa nke a n'ahịrịokwu anọ nke onye njikwa nwere ike ịghọta: - Kedu ihe mere, kedu ihe mejupụtara ya ji ole? - Gịnị bụ ngụkọta mmetụta na ihe ize ndụ premium? - Dee ihe nwere ike ime na echiche 2 nke m kwesịrị iji nyochaa.
Ngwa ngwa adịghị ike / Ike siri ike
Ngwa ngwa adịghị ike:
Hazie ụdị ọnwụ m wee gbakọọ ego ahụ.
Adịghị anya: kedu data, kedu akụrụngwa, nke nkesa, nke oge? AI na-ejupụta oghere a na imepụta ihe.
Mgbasa ozi siri ike:
Ọrụ gị: onye inyeaka ihe nlere anya. Data (onye na-amaghị aha, alaka okporo ụzọ, 2024): ikpughe 20,000 amụma-afọ, ọnụ ọgụgụ nke ebubo 2,600, mmebi nke 91,000,000 TL, 5 kasị ukwuu na-emebi 12,000,000 TL. Ọrụ: 1) Gbakọọ ugboro na raw nkezi ike, gosi usoro. 2) Nke 5 kasị ukwuu na-emebi Cap ya na 1,000,000 TL wee gbakọọ ogo agbaziri ọzọ. 3) Tụlee ihe ize ndụ dị ize ndụ na na enweghị okpu, kwuo ihe dị iche. 4) Jiri ọnụọgụ etiti dee nzọụkwụ ọ bụla ka m wee jiri aka nyochaa ya. Naanị jiri ọnụọgụgụ m nyere; Ọ bụrụ na ọ na-efu, jụọ.
Obere ikpe atọ
Ikpe 1 - Ike nkewa. Otu onye na-eme ihe nkiri hụrụ oke mfu / adịchaghị na ngalaba ụlọ na-ebili site na pasenti 68 ruo pasenti 81 n'ime otu afọ. Tupu a tụọ aro mmụba ọnụ ahịa ụjọ, a na-eme ihe dị iche iche ugboro ugboro: ugboro ole ọ fọrọ nke nta ka ọ bụrụ mgbe niile (0.041 → 0.043), mana nkezi ịdị arọ esiwo na 14,200 TL gaa na 19,800 TL. Ihe kpatara ya bụ ọnụ ahịa ọnụ ahịa ihe owuwu, ọ bụghị ọnụ ọgụgụ nke amụma ma ọ bụ ndị ahịa dị ize ndụ. Ntinye aka ziri ezi bụ imelite ego mkpuchi, ọ bụghị ịrị elu kpuru ìsì.
Ikpe 2 - Ọnyà dịpụrụ adịpụ. Nkezi nke 1,800 na-ekwu na Pọtụfoliyo mkpuchi azụmahịa bụ 42,000 TL. Agbanyeghị, otu mmebi ọkụ nke nde 6.4 nde TL butere nkezi a site na ihe dịka 3,500 TL. Mgbe e mebere nnukwu mmebi a ma kechie ya dị ka "ibu mmebi" dị iche iche, ịdị arọ ya gbadara ruo 38,500 TL na ego ahụ wee bụrụ nke ziri ezi. AI ngwa ngwa mepụtara koodu capping na mkpuchi ọzọ; The actuary mere mkpebi.
Ikpe 3 - Maldistribution. Na-enweghị ajụjụ, onye nnyemaaka gbara koodu AI nke họrọ nkesa nkịtị (Gaussian) maka ịdị njọ. N'ihi na nkesa nkịtị na-enye ohere maka ụkpụrụ na-adịghị mma na symmetry, ọ dabara na data mmebi nke skewed ziri ezi; ihe nlereanya ahụ na-emebiga ihe ókè obere mmebi ma na-eleda ndị buru ibu anya. Mgbe atụnyere atụmatụ Q-Q na AIC, a hụrụ na gamma dabara nke ọma. Ihe nkuzi: A na-anwale nkesa nke AI atụpụtara mgbe niile site na nnwale dabara adaba.
Mmejọ ndị nkịtị
- Na-ejikọta ugboro ole na ike na ịkọ amụma na otu ụdị. Ọ na-ezochi àgwà abụọ dị iche iche; ị tụfuru onye ọkwọ ụgbọ ala na ihe kpatara ya.
- Nkezi na-ewepụghị oke / nnukwu mmebi. Ole na-emebi nnukwu ihe na-emebi foto niile; A na-ebunye ego n'ụdị artificially.
- Iji ochie mmebi na-etinyeghị n'ọrụ onu oriri. Mmebi nke afọ 2019 abụghị otu ọnụ ahịa nke taa; Ndozi ọnọdụ dị mkpa.
- Na-adaba nkesa nkịtị na data ziri ezi. Echiche nke uru na-adịghị mma na symmetry megidere data mmebi; Chee echiche gamma/lognormal.
- Anaghị enyocha nhọrọ nkesa na nnwale dabara adaba. Atụmatụ AI bụ mmalite; Kwenye na Q-Q, K-S, AIC.
Nlebara anya: A naghị ahọrọ ọkwa okpu (ịcha) na aka ike. Uko ụlọ dị ala nke ukwuu na-ezochi ihe ize ndụ nke nnukwu mmebi; elu elu na-eme ka mkpụbelata abaghị uru. Họrọ site na ilele ahụmịhe nnukwu mfu na usoro nnyeghachi nke Pọtụfoliyo gara aga.
Na nchịkọta
Ụzọ e si atụle n'ụzọ ziri ezi nbibi bụ ikewa ya n'ime ugboro ole (ugboro) na ịdị njọ (ego). A na-egosipụta ugboro ugboro site na Poisson/negative binomial, ike site na gamma/lognormal; A na-achọta ego ihe ize ndụ site n'ịba ụba abụọ. Data nke chara acha chọrọ iwepụ, mkpọtu, na mgbazi usoro. Mkparịta ụka nkesa AI bụ ezigbo onye inyeaka maka koodu na ịza ajụjụ; mana nhọrọ nkesa na mkpebi okpu ka akwadoro site na ule dabara adaba na ikpe omume.
Ọrụ ngwa
Kwadebe nchịkọta mmebi na-amaghị aha (nkpughe, ọnụ ọgụgụ nke ebubo, mmebi mkpokọta, nkwuputa 3-5 kacha elu). Rịọ AI ka ọ gbakọọ (a) ego adịchaghị uru ugboro ugboro, (b) buru nnukwu mfu ma gbakọọ ọnụ ahịa ihe egwu agbanweela. Nyochaa nsonaazụ abụọ ahụ site n'aka wee rịba ama site na pasent ole capping na-agbanwe adịchaghị ihe egwu. Mgbe ahụ jụọ AI ajụjụ ahụ "gamma ma ọ bụ lognormal maka ime ihe ike" wee chịkọta ntụnyere ọ na-enye n'okwu nke gị.
ndetu
- [ ] A gbakọọ ugboro na ike iche iche, ka m lere ha anya ka otu ibe?
- [ ] Achọpụtala m nnukwu mmebi ma mesoo ya iche?
- [ ] E tinyewo m n'ọrụ n'ịgbanwe onu oriri/mgbanwe na nkwupụta ochie?
- [ ] bọgogoro m nwale nkesa ike nkesa siri ike.
- [ ] Have I independently recalculated the risk premium (frequency × severity)?
- [ ] Ajụrụ m ajụjụ nkesa na ọkwa okpu nke AI tụrụ aro wee kwado ya na ikpe?