Pelnas:
- Gebėjimas sukurti apibendrintą tiesinį modelį (GLM), rizikos faktorių, tarifų ir rizikos priemokų koncepcijas su dirbtinio intelekto pagalba ir išversti koeficientus į verslo kalbą
- Gebėjimas aptarti mašininio mokymosi modelių (GBM) su dirbtiniu intelektu kintamųjų atrankos, sąveikos, perdėto pritaikymo ir interpretavimo pusiausvyrą.
- Suprasti, kad kainodaros modelyje nėra draudžiamų/diskriminuojančių kintamųjų, o galutinio tarifo atitikimas teisės aktams ir konkurencijai paliekamas aktuarui.
Draudimo poliso kaina nustatoma neatsitiktinai. Didmiestyje gyvenančio 22 metų, ką tik teises įgijusio vairuotojo eismo įvykio rizika statistiškai didesnė nei 45 metų vairuotojo, turinčio 20 metų stažą; Sąžiningoje sistemoje įmokos taip pat turėtų būti skirtingos. Aktuaro darbas išmatuoti šį skirtumą ir atspindėti jį kainoje vadinamas kainodara ir rizikos klasifikavimu. Šiame skyriuje aptarsime apibendrintą tiesinį modelį (GLM), aktuarinį kainodaros pagrindą ir jo mašininio mokymosi alternatyvas bei pažiūrėsime, kaip šiame procese saugiai naudoti AI.
Keletas pagrindinių terminų. Rizikos veiksnys yra kintamasis, turintis įtakos rizikai ir naudojamas nustatant kainą (amžius, transporto priemonės amžius, regionas, paskirtis). Tarifas – tai taisyklių rinkinys, nurodantis, kaip bus skaičiuojama priemoka pagal rizikos veiksnius. Rizikos premija yra gryna tikėtino nuostolio kaina; Pridėjus išlaidas, komisinius, pelno maržas ir kapitalo sąnaudas, susidaro komercinė premija (pardavimo kaina). Priminsime nuo pat pradžių: AI siūlo kintamuosius, kuria modelius, paaiškina koeficientus; Bet kuris kintamasis yra teisinis ir etiškas ir ar galutinis tarifas atitinka teisės aktus ir konkurenciją, priklauso aktuarui ir atitikties skyriui.
Kodėl GLM yra aktuaro standartas
Dažniausiai naudojamas kainų nustatymo metodas yra GLM. GLM reiškia „generalized linear model“: jis išplečia klasikinę linijinę regresiją, kad atitiktų nenormaliai paskirstytus taikinius, tokius kaip žalos duomenys. Jį sudaro du pagrindiniai komponentai. Pasiskirstymo šeima: Puasonas pasirenkamas pagal dažnį, gama – pagal intensyvumą (logika 2 bloke). Ryšio funkcija (nuoroda): dažniausiai logaritminė, leidžianti veiksniams turėti multiplikacinį poveikį. Multiplikacinė struktūra yra labai vertinga aktuarijoje, nes būtent taip nustatomas tarifas: bazinė priemoka × amžiaus koeficientas × regiono koeficientas × transporto priemonės koeficientas.
Didžiausias GLM privalumas – aiškinamumas. Koeficientas jums pasako tiesiogiai: „jaunų vairuotojų grupė padidina dažnį 1,6 karto, palyginti su etalonine grupe“. Šis skaidrumas yra labai svarbus trimis būdais: (1) reguliavimo institucija ir vidaus auditas gali suprasti ir patvirtinti modelį; 2) matomas draudžiamas/diskriminacinis poveikis; (3) kainų logika gali būti paaiškinta pardavimo ir valdymo komandai. Sudėtingesni mašininio mokymosi modeliai (toliau) kartais suteikia didesnį tikslumą, tačiau skaidrumo sąskaita.
Patarimas: GLM koeficientas yra log skalėje. Paprašykite AI konvertuoti koeficientą į "dauginimo koeficientą" su exp (koeficientu); Būtų daug lengviau išversti į verslo kalbą (pvz., koeficientas 0,47 → koeficientas ≈ 1,60 → „60% rizikingesnis“).
Kintamasis pasirinkimas, permontavimas ir mašininis mokymasis
Svarbiausias kainodaros sprendimas yra tai, kurie kintamieji liks modelyje. Yra du spąstai. Nedaug kintamųjų apakina modelį: jei bus praleistas svarbus rizikos veiksnys, kaina bus neteisinga. Pernelyg kintantis / per didelis pritaikymas verčia modelį įsiminti praeities duomenis: modelis sumaišo triukšmą su signalu ir nepavyksta taikant naujos politikos. Pusiausvyra nustatoma atliekant kryžminį patvirtinimą – padalijus duomenis į mokomuosius ir bandomuosius elementus ir išbandant juos naudojant duomenis, kurių modelis nemato, paprastumu ir aktuariniais samprotavimais.
Sąveika taip pat svarbi: kartais dviejų veiksnių bendras poveikis skiriasi nuo jų atskirų poveikių sumos (jauna + sportiška transporto priemonė gali būti rizikingesnė nei jų individualaus poveikio suma). GLM sąveikos pridedamos aiškiai.
Pastaraisiais metais tokie modeliai kaip GBM (gradiento didinimo mašina – galingas mašininio mokymosi metodas, jungiantis daug mažų sprendimų medžių) tapo įprasti nustatant kainas. Jie automatiškai užfiksuoja sudėtingus modelius ir sąveikas, dažnai pateikiant tikslesnes prognozes nei GLM. Tačiau tai turi savo kainą: tendencija būti „juodąja dėže“. Šiandien įprasta praktika yra naudoti GBM atradimui ir idėjų generavimui, o GLM – galutiniam skaidriam tarifui; arba interpretuoti GBM išvestį naudojant paaiškinimo įrankius, pvz., SHAP.
Toliau pateiktoje lentelėje palyginami du metodai:
kriterijus
GLM
GBM (mašininis mokymasis)
Aiškinamumas
Aukštas (koeficientas įjungtas)
Žemas (reikalingas komentarų įrankis)
Sąveikos fiksavimas
Pridėta rankiniu būdu
automatinis
Permontavimo pavojus
žemas-vidutinis
Aukštas (reikalingas kruopštus reguliavimas)
Reguliatoriaus / audito patvirtinimas
lengva
Sunku, reikia papildomų dokumentų
Tipiškas naudojimas
galutinis tarifas
atradimas, palyginimas
Kaip naudoti AI nustatant kainas
1) GLM koeficiento vertimas į verslo kalbą:
Nustačiau dažnį GLM (Poisson, log nuoroda). Kai kurie koeficientai (logo skalė): amžiaus_grupė_18_25: 0,47 ; regiono_dauguma: 0,22 ; arac_yasi_10plus: -0,15. Konvertuokite kiekvieną į daugiklio koeficientą naudodami exp() ir paaiškinkite vienu sakiniu, kurį gali suprasti vadovas. Taip pat priminkite, kas yra atskaitos grupė.
2) Kintamojo / sąveikos diskusija:
Jūsų vaidmuo: kainodaros asistentas. Mano kandidatai į eismo dažnio modelį yra šie: amžius, lytis, regionas, transporto priemonės amžius, variklio galia, metinis km, profesija. - Kurie kintamieji gali būti rizikingi reguliavimo/etiniu požiūriu (pvz., netiesioginė diskriminacija)? – Kokias dvišales sąveikas būtų prasminga išbandyti? – Kokius patikrinimo veiksmus turėčiau atlikti, kad išvengčiau permontavimo? Sprendimų priėmimas; Suteikite man pagrindą kontrolei ir diskusijoms.
3) Per didelio montavimo valdymo kodas:
Parašykite komentuojamą kodą, kuris įvertina GLM su k-karto kryžminiu patvirtinimu, naudojant Python + scikit-learn / statsmodels. Kaip metriką naudokite Puasono nuokrypį. Palyginkite treniruočių ir testų rezultatus ir komentarų eilutėje paaiškinkite, kaip perskaityti perdėto ženklą. Biblioteka netikra.
4) Diskriminacijos / pakaitinio kintamojo patikrinimas:
Paaiškėjo, kad „pašto kodas“ yra svarbus mano kainodaros modelio kintamasis. Paaiškinkite riziką, kai tai netiesiogiai reiškia draudžiamą požymį (pvz., etninę kilmę, pajamas) kaip pakaitinį kintamąjį. – Kokią analizę turėčiau atlikti, kad patikrinčiau šią riziką? – Kokios yra alternatyvos rizikai sumažinti? Teisinių konsultacijų teikimas; sudaryti techninę ir etinę sistemą.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Sukurkite geriausią eismo draudimo kainodaros modelį.
"Geriausias" yra neapibrėžtas; Jokių duomenų, jokių apribojimų, jokių teisės aktų. AI pateikia bendrą, netaikytiną atsakymą.
Galingas raginimas:
Jūsų vaidmuo: kainodaros aktuaro padėjėjas. Kontekstas: Kuriu eismo šakos dažnio modelį GLM (Poisson, log nuoroda). Turiu kintamuosius: amžiaus grupė, transporto priemonės amžius, regionas (provincija), metinis km, paskirtis. Apribojimas: lytis negali būti naudojama teisės aktais; Turiu vengti netiesioginės diskriminacijos.Užduotis:1) Pasiūlykite pradinę modelio specifikaciją su šiais kintamaisiais (įskaitant atskaitos grupes).2) Nurodykite 2 sąveikų, kurias turėčiau išbandyti, priežastis.3) Pateikite veiksmų sąrašą, kad patikrintumėte perteklinį pritaikymą.4) Pridėkite ypatingą dėmesį „regionui“ kalbant apie netiesioginę diskriminaciją. Aš priimsiu sprendimą; Jūs pateikiate pagrindą ir pagrindimą.
trys mini dėklai
1 atvejis – skaidrumo vertė. Bendrovė reguliuotojui pateikė labai tikslų kainodaros modelį, kurį sukūrė naudodama GBM, bet negalėjo paaiškinti koeficientų; patvirtinimas atidėtas. Aktuarijus sukonstravo GLM, kuris užfiksavo tuos pačius signalus; Tikslumas sumažėjo 2 procentais, bet kadangi buvo galima atsižvelgti į kiekvieną veiksnį, modelis buvo patvirtintas per mėnesį. GBM buvo išsaugotas žvalgybai, GLM tapo tarifu. YZ greitai sukūrė kodą ir reguliatoriaus aprašymą, palygindamas dviejų modelių veikimą.
2 atvejis – perpildymo gaudyklė. Pagalbininkas gavo puikų balą apie mokymo duomenis, kai į modelį įtraukė daugiau nei 40 kintamųjų ir daugybę sąveikų. Tačiau kryžminio patvirtinimo metu bandymo rezultatas žlugo: modelis įsiminė triukšmą. Realaus pasaulio našumas padidėjo, kai kintamųjų skaičius buvo sumažintas iki 12 ir supaprastintas. Pamoka: pažiūrėkite į precedento neturintį duomenų balą, o ne į mokymo balą.
3 atvejis – Netiesioginė diskriminacija. Viename modelyje „kaimynystės“ kintamasis aiškiai paaiškino priemoką. Analizė parodė, kad šis kintamasis iš esmės sutampa su etnine koncentracija, t. y. tai buvo uždraustos savybės pakaitalas. Aktuaras pakeitė šį kintamąjį neutralesniais rizikos rodikliais (kelio tipas, stovėjimo būklė); sumažėjo tiek etinė, tiek teisinė rizika. AI sukūrė koreliacijos analizę, matuojančią sutapimą ir alternatyvius kintamųjų pasiūlymus; Aktuarijos ir atitikties skyrius priėmė sprendimą.
Dažnos klaidos
- Neaiškinamas modelis taps geriausiu receptu. Kaina, kurios negalima paaiškinti reguliuotojui, auditui ir klientui, yra netvari; Skaidrumas yra būtinas.
- Remdamiesi išsilavinimo balu. Per didelis pritaikymas aptinkamas tik nematomuose duomenyse (kryžminis patvirtinimas).
- Draudžiamų/pakaitinių kintamųjų naudojimas nepatikrinus. Kintamieji, tokie kaip pašto kodas ir profesija, gali būti netiesioginės diskriminacijos priežastimi; Būtinai išbandykite.
- Rizikos priemokos painiojimas su komercine priemoka. Vien tik žalos kaina nėra pardavimo kaina; pridedamos išlaidos, pelnas ir kapitalo kaina.
- Koeficiento palikimas žurnalo skalėje ir neteisingas jo interpretavimas. Komentuojant nekonvertuojant jo į daugiklio koeficientą su exp(), bus padaryta klaida.
Atsargiai: AI rekomendacija dėl modelio, kuris „suteikia geriausią tikslumą“, nėra automatiškai tas modelis, kurį „turėtų būti naudojamas“. Skaidrumas, sąžiningumas ir teisės aktų laikymasis yra privalomi kriterijai, taip pat aktuarinės kainodaros tikslumas.
Apibendrinant
Kainodara yra rizikos įvertinimo rizikos veiksniais ir pavertimo į sąžiningą priemoką procesas. GLM yra aktuarinės kainodaros standartas, turintis dauginamą ir interpretuojamą struktūrą; Koeficientai konvertuojami į veiksnius naudojant exp(). Mašininio mokymosi modeliai, tokie kaip GBM, gali būti tikslesni, tačiau sumažina skaidrumą ir paprastai naudojami atradimams. Kintamųjų pasirinkimas turėtų būti apsaugotas nuo per didelio pritaikymo kryžminiu patvirtinimu, o netiesioginė diskriminacija (pakaitinis kintamasis) turėtų būti kruopščiai kontroliuojamas. AI sukuria modelį, rašo kodą ir paaiškina koeficientą; Tačiau teisinė-etinė atitiktis ir galutinis tarifas priklauso aktuarų ir atitikties vienetui.
Taikymo užduotis
Išvardykite 5–6 pagrindinio dalyko rizikos veiksnius. Paprašykite dirbtinio intelekto (a) pradinės GLM specifikacijos su šiais veiksniais, (b) 2 sąveikos, kurias reikia išbandyti ir jų pagrindimą, (c) kintamųjų, kuriems gali kilti netiesioginės diskriminacijos pavojus, patikrinimo. Tada pateikite 3 log koeficientų pavyzdį, paprašykite AI konvertuoti jį į daugiklio koeficientą su exp() ir perkelti jį į verslo kalbą bei patikrinti veiksnius rankiniu būdu.
kontrolinis sąrašas
- [ ] Ar mano modelis gali būti interpretuojamas; Ar galiu kiekvieno veiksnio poveikį išversti į verslo kalbą?
- [ ] Ar kryžminiu patvirtinimu patikrinau, ar nėra permontavimo?
- [ ] Ar nuskaitau, ar nėra netiesioginės diskriminacijos dėl draudžiamų ir tarpinių kintamųjų?
- [ ] Ar sąmoningai atskyriau rizikos priemoką nuo komercinės priemokos?
- [ ] Ar aš konvertavau koeficientus į daugiklius su exp() ir teisingai juos interpretavau?
- [ ] Ar galutinį sprendimą dėl tarifo priėmiau kartu su teisės aktais ir atitikties skyriumi?