Hagnaður:
- Að geta komið á og túlkað greinarmun á tjónatíðni og tjónsmagni (alvarleika), viðeigandi dreifingu (Poisson, neikvætt tvínefni, gamma) og samsettri líkanrökfræði með stuðningi gervigreindar.
- Að raða út mjög stórum töpum (útvikur/mikið tap), gagnatakmörkun og þróun/þróunarleiðréttingum á gervigreind með réttum spurningum og gögnum.
- Hæfni til að skilja að dreifingarval og færibreytur framleiddar af gervigreind ættu að vera staðfestar með hæfniprófum og tryggingafræðilegum rökum.
Grunnspurningin fyrir tryggingafélag er: "Hversu mikið tjón munum við greiða fyrir þennan vátryggingahóp á næsta ári?" Rétt svarað þessari spurningu er forsenda þess að hægt sé að stilla iðgjaldinu rétt og úthluta nægilegum varasjóði. Tryggingafræðingar svara þessari spurningu með því að skipta henni í tvennt; vegna þess að það er miklu nákvæmara að móta tvær aðskildar hegðun sérstaklega í stað þess að áætla heildarskaðann í einu stykki. Þessir tveir hlutar eru tíðni og styrkleiki.
Tíðni (tíðni tjóns) er hversu margar skemmdir verða fyrir hverja útsetningu; Til dæmis, 100 ökutæki - 8 slys á ári. Alvarleiki er meðalfjárhæð hvers tjóns sem hlotist hefur; td 30.000 TL á slys. Margföldun á þessu tvennu gefur áhættuálagið: áætlaðan tjónakostnað á hverja áhættuskuldbindingu (0,08 × 30.000 = $2.400). Í þessari einingu munum við sjá skref fyrir skref hvernig á að nota gervigreind til að koma á þessum greinarmun, velja rétta líkindadreifingu og stjórna útlægum. Við skulum minna á það frá upphafi: AI leggur til dreifingar og skrifar kóða, en það er tryggingafræðingsins að staðfesta val á dreifingu með hæfniprófum og dómgreind.
Hvers vegna eru tíðni og styrkleiki gerðar sérstaklega?
Tíðni og styrkleiki sýna mismunandi tölfræðilega hegðun. Fjöldi krafna er talningarbreyta (0, 1, 2, 3...) og er venjulega gerð fyrirmynd með Poisson dreifingu eða neikvæðri tvínómadreifingu ef ofdreifing er (dreifni > meðaltal). Poisson er klassíska dreifingin sem sýnir fjölda sjaldgæfra og óháðra atburða. Skaðafjárhæð er samfelld og hægri skekkt breyta: flestar kröfur eru litlar, nokkrar kröfur mjög stórar. Þess vegna er alvarleiki oft mótaður með gamma eða lognormal dreifingu; þetta eru jákvæðar og hægri skekktar dreifingar.
Að búa til þessa tvo sérstaklega hefur þrjá áþreifanlega kosti. Í fyrsta lagi geturðu séð að hver og einn hefur sína ökumenn (áhættuþættir): ungur ökumaður eykur tíðni, dýr ökutæki eykur ofbeldi. Í öðru lagi, þegar gögnin breytast, geturðu greint hvers vegna: hefur tjónakostnaður eða fjöldi tjóna aukist? Í þriðja lagi er aðeins hægt að íhuga mjög stórt tap sérstaklega á ofbeldishliðinni. Samsetning þessara tveggja kallast samsett líkan; væntanlegt heildartjón = væntanleg tíðni × væntanleg alvarleiki.
Vísbending: Setningin „Tap/álagshlutfall okkar hefur hækkað“ segir ekkert út af fyrir sig. Skildu spurninguna um hvort tíðni eða styrkleiki jókst; inngrip (verð, þekju, tjónastjórnun) væri allt öðruvísi.
Frávik, stytting og leiðréttingar á stefnu
Tjónagögn í hráu formi eru ekki tilbúin fyrir smíði líkana. Þrjár leiðréttingar eru næstum alltaf nauðsynlegar. Í fyrsta lagi er flokkun öfga-/stórtjóna: nokkrar risastjónir (t.d. verksmiðjubruna) skekkja meðaltalið; þær eru gerðar fyrirmyndir sem sérstakt „stórtjónaálag“. Annað er lokun: að festa mjög stórar skemmdir við ákveðið þak (til dæmis 1.000.000 TL) og reikna efri hlutann sérstaklega gerir líkanið stöðugt. Í þriðja lagi, leiðrétting á þróun og þróun: fyrri kröfur ætti að uppfæra með verðbólgu í verðlag í dag (þróun) og kröfur sem ekki hafa enn verið að fullu greiddar ætti að koma á lokastig þeirra (þróun - við munum fjalla um þetta efni í einingu 3).
Eftirfarandi tafla ber saman eiginleika þessara tveggja þátta:
eiginleiki
Tíðni (tíðni)
Ofbeldi (magn)
Breytileg gerð
Talning (0,1,2...)
stöðugur, jákvæður
Dæmigerð dreifing
Poisson, neikvætt tvínefni
Gamma, lognormal
Dæmi um meistarabílstjóra
Aldur, reynsla, svæði, notkun
Verðmæti ökutækis, þolmörk, viðgerðarkostnaður
Útilegt vandamál
lágt
Hátt (mikið tjón)
Verðbólguáhrif
veikburða
sterkur
Hvernig á að nota gervigreind í skaðalíkönum
Þar sem gervigreind er sterkust er að ræða dreifingarvalið, skrifa kóðann og túlka niðurstöðuna. Hér að neðan eru fjögur afritanleg sniðmát.
1) Ræddu val á dreifingu:
Hlutverk þitt: aðstoðarmaður tryggingafræðilegrar fyrirmyndar. Ég er með upplýsingar um tryggingarkröfu AMOUNT (nafnlaus, 1.600 kröfur). Samantekt: meðaltal 30.300 TL, miðgildi 12.500 TL, hámark 940.000 TL, skekkjan er mikil. Spurning: myndi gamma eða lognormal henta betur fyrir alvarleikalíkanið? Hver er forsenda hvers, plús/mínus og með hvaða hæfniprófi (t.d. útskýrðu að ég muni taka ákvörðun (Q-Q graf, K-S próf, AIC). Að taka endanlega ákvörðun; Gefðu mér samanburðarramma.
2) Reiknikóði fyrir tíðnistyrk:
Skrifaðu athugasemdakóða með Python + pandas sem gerir eftirfarandi skref: 1) Það eru 'exposure', 'claim_count', 'claim_amount' dálkar í df. 2) Almenn tíðni = heildarfjöldi kröfu / heildaráhætta. 3) Meðalalvarleiki = heildarupphæð kröfu / heildarfjöldi kröfu. 4) Áhættuálag = tíðni × alvarleiki. 5) Prentaðu hverja milliniðurstöðu á skjáinn svo ég geti sannreynt hana handvirkt. Innrétting bókasafns; notaðu bara pöndur.
3) Gríðarleg gildi / greining:
Ég er með nafnlausa dreifingu á kröfuupphæð. Kröfur eins og 950.000, 720.000, 610.000 TL eru 22% af heildarfjárhæðinni. Segðu mér frá takmörkunaraðferðinni þinni: - Hvaða þakvalkostir eru sanngjarnir (t.d. 500K, 750K, 1M)? - Hvernig bæti ég aftur afskornum hlutanum sem sérstakri „stórtjónaálagi“? - Sýndu mér skref fyrir skref hvernig þessi ákvörðun hefur áhrif á áhættuálagið.
4) Þýða niðurstöðuna yfir á viðskiptatungumál:
Tíðnin mín jókst úr 0,13 í 0,15; Meðalofbeldi jókst úr 28.000 í 34.000 TL. Dragðu þetta saman í 4 setningum sem stjórnandi getur skilið: - Hvað gerðist, hvaða hluti hækkaði um hversu mikið? - Hver eru heildaráhrifin á áhættuálagið? - Skrifaðu mögulegar ástæður og 2 forsendur sem ég þarf að sannreyna.
Veik kvaðning / Sterk kvaðning
Veik kvaðning:
Settu upp tapslíkanið mitt og reiknaðu iðgjaldið.
Óljóst: hvaða gögn, hvaða hluti, hvaða dreifing, hvaða tímabil? AI fyllir þetta skarð með tilbúningi.
Öflug tilvitnun:
Hlutverk þitt: aðstoðarmaður tryggingafræðilegrar fyrirmyndar. Gögn (nafnlaust, umferðargrein, 2024): áhættuskuldbinding 20.000 vátryggingarár, fjöldi krafna 2.600, heildartjón 91.000.000 TL, 5 stærstu tjónin samtals 12.000.000 TL. Verkefni: 1) Reiknaðu tíðni og hrá meðalalvarleika, sýndu formúluna. 2) Fimm stærstu skemmdirnar Taktu það niður í 1.000.000 TL og reiknaðu leiðrétta alvarleikann aftur. 3) Berðu saman áhættuálag með og án þaks, tjáðu þig um mismuninn. 4) Skrifaðu hvert skref með millinúmerum svo ég geti sannreynt það handvirkt. Notaðu bara tölurnar sem ég gaf upp; Ef það vantar, spyrðu.
þrjú smámál
Mál 1 - Vald aðskilnaðar. Einn tryggingafræðingur sá að tap/iðgjaldahlutfall í húsnæðisgreininni hækkaði úr 68 prósentum í 81 prósent á einu ári. Áður en stungið var upp á hræðsluverðshækkuninni var gerður greinarmunur á tíðni og alvarleika: tíðnin var nánast stöðug (0,041 → 0,043), en meðalalvarleiki hafði hoppað úr 14.200 TL í 19.800 TL. Ástæðan var verðbólga í byggingarkostnaði, ekki fjöldi trygginga eða áhættusömum viðskiptavinum. Rétt inngrip var að uppfæra tryggingafjárhæðir, ekki blind iðgjaldahækkun.
Tilfelli 2 - Outlier gildra. Meðaltal 1.800 tjóna í tryggingasafni fyrirtækja var 42.000 TL. Hins vegar, eitt brunatjón upp á 6,4 milljónir TL ein og sér jók þetta meðaltal um um það bil 3.500 TL. Þegar þetta meiriháttar tjón var mótað og takmarkað sem aðskilin „stórtjónabyrði“, lækkaði grunnalvarleiki í 38.500 TL og iðgjaldið varð sanngjarnara. AI myndaði fljótt þakkóða og aðrar húfur; Tryggingafræðingurinn tók ákvörðunina.
Mál 3 - Vandreifing. Án efa, aðstoðarmaður rak gervigreindarkóða sem valdi eðlilega (Gaussíska) dreifingu fyrir alvarleika. Vegna þess að eðlileg dreifing gerði ráð fyrir neikvæðum gildum og samhverfu, passaði hún ekki við hægri skakkt skaðagögn; líkanið ofmat litlar skemmdir og vanmetnar stórar. Þegar Q-Q plot og AIC voru borin saman sást að gamma passaði mun betur. Lexía: Dreifingin sem gervigreindin leggur til er alltaf prófuð með hæfnisprófum.
Algeng mistök
- Að sameina tíðni og styrkleika og spá fyrir með einu líkani. Það felur í sér tvær mismunandi hegðun; þú missir bílstjórann og hvers vegna.
- Meðaltal án þess að útrýma miklum/meiriháttar skemmdum. Nokkrar risastórar skemmdir skekkja heildarmyndina; iðgjald er tilbúið uppblásið.
- Nota gamla skaða án þess að beita verðbólguþróun. Tjónið 2019 er ekki það sama og verðið í dag; stefnuleiðrétting er nauðsynleg.
- Aðlaga eðlilega dreifingu á hægri skekkt gögn. Forsendan um neikvætt gildi og samhverfu er í andstöðu við skemmdargögn; Hugsaðu gamma/lognormal.
- Ekki staðfesta dreifingarvalið með passaprófun. Tillaga AI er byrjun; Staðfestu með Q-Q, K-S, AIC.
Athugið: Hætta (klippa) er ekki valið af geðþótta. Of lágt loft leynir hættu á stórtjóni; of hátt til lofts gerir klipping ónýt. Veldu með því að skoða fyrri meiriháttar tjónaupplifun eignasafnsins og endurtryggingakjör.
Í stuttu máli
Leiðin til að meta nákvæmlega heildartjón er að skipta því í tíðni (tíðni) og alvarleika (magn). Tíðni er gerð eftir Poisson/neikvæð tvínómi, styrkleiki með gamma/lognormal; Áhættuálagið er fundið með því að margfalda þetta tvennt. Hrá gögn krefjast fjarlægingar, styttingar og leiðréttingar á straumi. Dreifingarumræða um gervigreind er frábær aðstoðarmaður fyrir kóða og athugasemdir; en val á dreifingu og ákvörðun um hámark er staðfest með hæfnisprófum og tryggingafræðilegu mati.
Umsóknarverkefni
Útbúið nafnlaust tjónasamantekt (áhætta, fjöldi krafna, heildartjón, efstu 3-5 kröfur). Biddu gervigreindina um að reikna út (a) hrátt tíðni-alvarleika-áhættuálag, (b) takmarka stórt tap og reikna út leiðrétt áhættuálag. Staðfestu þessar tvær niðurstöður með höndunum og athugaðu með hvaða prósentu þak breytir áhættuálaginu. Spyrðu síðan gervigreindina spurninguna „gamma eða lognormal fyrir ofbeldi“ og dragðu saman samanburðarrammann sem það gefur með þínum eigin orðum.
gátlisti
- [ ] Reiknaði ég tíðni og styrkleika sérstaklega, eða leit ég á þau sem eitt stykki?
- [ ] Hef ég borið kennsl á meiriháttar/mikið tjón og tekist á við það sérstaklega?
- [ ] Hef ég beitt verðbólgu/þróunarleiðréttingu á gamlar kröfur?
- [ ] Hef ég sannreynt styrkleikadreifingu með hæfniprófi?
- [ ] Hef ég sjálfstætt endurreiknað áhættuálagið (tíðni × alvarleika)?
- [ ] Spurði ég dreifinguna og hámarksstigið sem gervigreindin lagði til og staðfesti það með dómgreind?