Ieguvumi:
- Spēja ar mākslīgā intelekta atbalstu izveidot vispārinātu lineāro modeli (GLM), riska faktoru, tarifu un riska prēmiju koncepcijas un pārtulkot koeficientus biznesa valodā
- Spēja apspriest mainīgo atlases, mijiedarbības, pārmērīgas pielāgošanas un mašīnmācīšanās modeļu (GBM) interpretējamības līdzsvaru ar mākslīgo intelektu
- Spēja saprast, ka cenu noteikšanas modelis ir brīvs no aizliegtiem/diskriminējošiem mainīgajiem un gala tarifa atbilstība likumdošanai un konkurencei ir atstāta aktuāra ziņā.
Apdrošināšanas polises cena netiek noteikta nejauši. Ceļu satiksmes negadījuma risks 22 gadus vecam, tikko licencētam autovadītājam, kurš dzīvo lielpilsētā, ir statistiski lielāks nekā 45 gadus vecam autovadītājam ar 20 gadu stāžu; Godīgā sistēmā arī prēmijām vajadzētu būt dažādām. Aktuāra darbu izmērīt šo atšķirību un atspoguļot to cenā sauc par cenu noteikšanu un riska klasifikāciju. Šajā nodaļā mēs apspriedīsim vispārējo lineāro modeli (GLM), cenu noteikšanas aktuāro mugurkaulu un tā mašīnmācīšanās alternatīvas, kā arī redzēsim, kā šajā procesā droši izmantot AI.
Daži pamata termini. Riska faktors ir mainīgais, kas ietekmē risku un tiek izmantots cenu veidošanā (vecums, transportlīdzekļa vecums, reģions, paredzētais lietojums). Tarifs ir noteikumu kopums, kas nosaka, kā tiks aprēķināta prēmija atbilstoši riska faktoriem. Riska prēmija ir tīrās paredzamās zaudējumu izmaksas; Saskaitot izdevumus, komisijas maksas, peļņas normas un kapitāla izmaksas, veidojas komerciālā prēmija (pārdošanas cena). Atgādināsim no sākuma: AI iesaka mainīgos, veido modeļus, skaidro koeficientus; Bet kurš mainīgais ir likumīgs un ētisks un vai gala tarifs atbilst likumdošanai un konkurencei, pieder aktuāram un atbilstības vienībai.
Kāpēc GLM ir aktuāra standarts
Visbiežāk izmantotā cenu noteikšanas metode ir GLM. GLM nozīmē “vispārināts lineārs modelis”: tas paplašina klasisko lineāro regresiju, lai atbilstu neparasti sadalītiem mērķiem, piemēram, bojājumu datiem. Tam ir divas pamata sastāvdaļas. Sadalījuma saime: Puasonu izvēlas frekvencei, gamma izvēlas intensitāti (loģika 2. vienībā). Saites funkcija (saite): parasti logaritmiska, kas ļauj faktoriem radīt multiplikatīvu efektu. Reizināšanas struktūra ir ļoti vērtīga aktuārijā, jo tieši tā tiek noteikts tarifs: bāzes prēmija × vecuma faktors × reģiona faktors × transportlīdzekļa faktors.
Lielākā GLM priekšrocība ir interpretējamība. Koeficients norāda tieši: "jauno vadītāju grupa palielina biežumu 1,6 reizes, salīdzinot ar atsauces grupu." Šī caurskatāmība ir būtiska trīs veidos: (1) regulators un iekšējais audits var saprast un apstiprināt modeli; (2) ir redzama aizliegta/diskriminējoša ietekme; (3) cenu loģiku var izskaidrot pārdošanas un vadības komandai. Sarežģītāki mašīnmācīšanās modeļi (zemāk) dažkārt nodrošina lielāku precizitāti, taču uz caurspīdīguma rēķina.
Padoms: GLM koeficients ir log skalā. Lūdziet AI pārvērst koeficientu "reizināšanas koeficientā" ar exp (koeficients); Tas būtu daudz vienkāršāk pārtulkot biznesa valodā (piem., koeficients 0,47 → koeficients ≈ 1,60 → “60% riskantāks”).
Mainīga izvēle, pārmērīga uzstādīšana un mašīnmācīšanās
Vissvarīgākais cenu noteikšanas lēmums ir tas, kuri mainīgie paliks modelī. Ir divi slazdi. Daži mainīgie aptumšo modeli: ja tiek palaists garām svarīgais riska virzītājspēks, cena būs nepareiza. Pārāk mainīga/pārmērīga pielāgošana liek modelim iegaumēt pagātnes datus: modelis kļūdaini uztver troksni par signālu un neizdodas ar jaunām politikām. Līdzsvars tiek noteikts, izmantojot savstarpēju apstiprināšanu — datus sadalot mācību un testa daļās un pārbaudot tos ar datiem, ko modelis neredz, vienkāršību un aktuāro argumentāciju.
Svarīga ir arī mijiedarbība: dažkārt divu faktoru kopējā ietekme atšķiras no to atsevišķo efektu summas (jauns + sportisks transportlīdzeklis var būt riskantāks nekā to individuālo efektu summa). GLM mijiedarbības tiek pievienotas skaidri.
Pēdējos gados cenu noteikšanā ir kļuvuši izplatīti modeļi, piemēram, GBM (gradienta paaugstināšanas mašīna — jaudīga mašīnmācīšanās metode, kas apvieno daudzus mazus lēmumu kokus). Tie automātiski uztver sarežģītus modeļus un mijiedarbības, bieži sniedzot precīzākas prognozes nekā GLM. Bet tam ir sava cena: tieksme kļūt par "melno kasti". Mūsdienās plaši izplatīta prakse ir izmantot GBM atklāšanai un ideju ģenerēšanai un GLM galīgajam pārredzamajam tarifam; vai interpretēt GBM izvadi ar izskaidrojamības rīkiem, piemēram, SHAP.
Šajā tabulā ir salīdzinātas divas pieejas:
kritērijs
GLM
GBM (mašīnmācība)
Interpretējamība
Augsts (koeficients ieslēgts)
Zems (nepieciešams anotācijas rīks)
Mijiedarbības uztveršana
Pievienots manuāli
automātiski
Pārmērības risks
zems-vidējs
Augsts (nepieciešama rūpīga regulēšana)
Regulatora/audita apstiprinājums
viegli
Grūti, nepieciešama papildu dokumentācija
Tipisks lietojums
gala tarifs
atklājums, salīdzinājums
Kā izmantot AI cenu noteikšanā
1) GLM koeficienta tulkošana biznesa valodā:
Es iestatīju frekvenci GLM (Poisson, log link). Daži koeficienti (logaritmiskā skala): vecuma_grupa_18_25: 0,47 ; reģions_vairākums: 0,22 ; arac_yasi_10plus: -0,15. Pārvērtiet katru par reizinātāju ar exp() un izskaidrojiet to vienā vadītājam saprotamā teikumā. Atgādiniet arī, kas ir atsauces grupa.
2) Mainīgo/mijiedarbības diskusija:
Jūsu loma: cenu noteikšanas asistents. Mani kandidātu mainīgie satiksmes biežuma modelim ir: vecums, dzimums, reģions, transportlīdzekļa vecums, dzinēja jauda, gada km, profesija. - Kuri mainīgie varētu būt riskanti no regulatīvā/ētiskā viedokļa (piemēram, netiešā diskriminācija)? - Kuras divpusējas mijiedarbības būtu lietderīgi izmēģināt? - Kādas verifikācijas darbības man jāveic, lai izvairītos no pārmērīgas uzstādīšanas? Lēmumu pieņemšana; Dodiet man ietvaru kontrolei un diskusijai.
3) Pārmērīga uzstādīšanas kontroles kods:
Uzrakstiet komentētu kodu, kas novērtē GLM ar k-reizes šķērsvalidāciju, izmantojot Python + scikit-learn / statsmodels. Kā metriku izmantojiet Puasona novirzi. Salīdziniet apmācību un pārbaužu rezultātus un paskaidrojiet komentāru rindiņā, kā nolasīt pārākuma zīmi. Bibliotēka ir viltota.
4) Diskriminācijas/surogātmainās skrīnings:
“Pasta indekss” izrādījās spēcīgs mainīgais manā cenu modelī. Paskaidrojiet risku, ka šis netieši attēlo aizliegtu raksturlielumu (piemēram, etnisko piederību, ienākumus) kā aizstājēju. - Kāda analīze jāveic, lai pārbaudītu šo risku? - Kādas ir alternatīvas riska samazināšanai? Juridisko konsultāciju sniegšana; izstrādāt tehnisko un ētisko ietvaru.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Izveidojiet labāko satiksmes apdrošināšanas cenu modeli.
"Labākais" nav definēts; Nav datu, nav ierobežojumu, nav tiesību aktu. AI sniedz vispārīgu, nepiemērojamu atbildi.
Spēcīga uzvedne:
Jūsu loma: cenu noteikšanas aktuāra palīgs. Konteksts: Es veidoju satiksmes atzaru frekvences modeli GLM (Puasona, žurnāla saite). Man ir pieejami mainīgie: vecuma grupa, transportlīdzekļa vecums, reģions (province), gada km, paredzētais lietojums. Ierobežojums: dzimumu nevar izmantot tiesību aktos; Man ir jāizvairās no netiešas diskriminācijas.Uzdevums:1) Ierosināt sākotnējo modeļa specifikāciju ar šiem mainīgajiem (tostarp atsauces grupām).2) Norādiet iemeslus 2 mijiedarbībām, kuras man vajadzētu izmēģināt.3) Norādiet darbību sarakstu, lai pārbaudītu pārmērīgu pielāgošanu.4) Pievienojiet īpašu uzmanību "reģionam" attiecībā uz netiešo diskrimināciju. Es pieņemšu lēmumu; Jūs sniedzat ietvaru un pamatojumu.
trīs mini futrāļi
1. gadījums — caurspīdīguma vērtība. Uzņēmums regulatoram iepazīstināja ar ļoti precīzu cenu noteikšanas modeli, ko tas izveidoja, izmantojot GBM, bet nevarēja izskaidrot koeficientus; apstiprināšana aizkavējās. Aktuārs izveidoja GLM, kas tvēra tos pašus signālus; Precizitāte samazinājās par 2 procentiem, bet, tā kā katru faktoru varēja ņemt vērā, modelis tika apstiprināts mēneša laikā. GBM tika saglabāts izlūkošanai, GLM kļuva par tarifu. YZ ātri izveidoja kodu un regulatora aprakstu, salīdzinot abu modeļu veiktspēju.
2. gadījums — pārlieku slazds. Palīgs ieguva perfektu mācību datu rezultātu, pievienojot modelim vairāk nekā 40 mainīgos lielumus un daudzas mijiedarbības. Taču savstarpējās validācijas laikā testa rezultāts sabruka: modelis bija iegaumējis troksni. Reālā veiktspēja palielinājās, kad mainīgo lielumu skaits tika samazināts līdz 12 un vienkāršots. Nodarbība: skatiet bezprecedenta datu rezultātu, nevis apmācības rezultātu.
3. gadījums — Netiešā diskriminācija. Vienā modelī mainīgais "apkārtne" skaidri izskaidroja piemaksu. Analīze parādīja, ka šis mainīgais lielā mērā pārklājās ar etnisko koncentrāciju, t.i., tas bija aizliegtas pazīmes aizstājējs. Aktuārs aizstāja šo mainīgo ar neitrālākiem riska rādītājiem (ceļa veids, stāvvietas stāvoklis); ir samazinājušies gan ētiskie, gan juridiskie riski. AI izstrādāja korelācijas analīzi, mērot pārklāšanos un alternatīvus mainīgo ieteikumus; Lēmumu pieņēma aktuāra un atbilstības nodaļa.
Biežas kļūdas
- Neinterpretējamā modeļa izveide par labāko recepti. Cena, ko nevar izskaidrot regulatoram, auditam un klientam, nav ilgtspējīga; Pārredzamība ir būtiska.
- Paļaušanās uz izglītības rezultātu. Pārmērīga uzstādīšana tiek konstatēta tikai neredzamos datos (savstarpēja validācija).
- Aizliegto/aizstājēju mainīgo izmantošana bez pārbaudes. Mainīgie lielumi, piemēram, pasta indekss un nodarbošanās, var izraisīt netiešu diskrimināciju; Noteikti pārbaudiet to.
- Jaukt riska prēmiju ar komerciālo prēmiju. Tīras zaudējumu izmaksas vien nav pārdošanas cena; tiek pievienoti izdevumi, peļņa un kapitāla izmaksas.
- Atstājot koeficientu uz log skalas un nepareizi interpretējot to. Komentējot, nepārvēršot to reizinātāja koeficientā ar exp(), radīsies kļūda.
Uzmanību: AI ieteikums par modeli, kas "dod vislabāko precizitāti", automātiski nav modelis, kas "vajadzētu izmantot". Pārredzamība, godīgums un atbilstība tiesību aktiem ir obligāti kritēriji, kā arī aktuāro cenu noteikšanas precizitāte.
Rezumējot
Cenu noteikšana ir process, kurā tiek mērīts risks ar riska faktoriem un pārvērsts par godīgu prēmiju. GLM ir aktuāro cenu noteikšanas standarts ar savu multiplikatīvo un interpretējamo struktūru; Koeficientus pārvērš faktoros ar exp(). Mašīnmācīšanās modeļi, piemēram, GBM, var būt precīzāki, taču tie samazina caurspīdīgumu un parasti tiek izmantoti atklāšanai. Mainīgo atlase ir jāaizsargā pret pārmērīgu pielāgošanu, veicot savstarpēju validāciju, un ir rūpīgi jākontrolē netiešā diskriminācija (aizstājošais mainīgais). AI izveido modeli, raksta kodu un izskaidro koeficientu; Bet juridiski ētiskā atbilstība un gala tarifs pieder aktuāra un atbilstības vienībai.
Lietojumprogrammas uzdevums
Uzskaitiet 5–6 galvenos riska faktorus. Lūdziet AI (a) sākotnējo GLM specifikāciju ar šiem faktoriem, (b) 2 mijiedarbību, lai mēģinātu to pamatot, (c) to mainīgo lielumu pārbaudi, kuri varētu būt pakļauti netiešas diskriminācijas riskam. Pēc tam sniedziet 3 log-koeficientu piemēru, palūdziet AI pārvērst to reizinātāja koeficientā ar exp() un pārnest uz biznesa valodu un manuāli pārbaudīt faktorus.
kontrolsaraksts
- [ ] Vai manu modeli var interpretēt; Vai es varu tulkot katra faktora ietekmi biznesa valodā?
- [ ] Vai esmu pārbaudījis, vai nav pārmērības, veicot savstarpēju apstiprinājumu?
- [ ] Vai esmu pārbaudījis aizliegto un starpniekservera mainīgo netiešo diskrimināciju?
- [ ] Vai esmu apzināti nodalījis riska prēmiju no komerciālās prēmijas?
- [ ] Vai es konvertēju koeficientus reizinātājos ar exp() un pareizi interpretēju?
- [ ] Vai galīgo tarifu lēmumu pieņēmu kopā ar likumdošanu un atbilstības vienību?