Добивки:
- Способност да се воспостави и толкува разликата помеѓу фреквенцијата на штетата и износот на штетата (тежина), соодветните распределби (Poisson, негативен бином, гама) и логиката на композитниот модел со поддршка на вештачка интелигенција.
- Сортирање на екстремно големи загуби (оддалечени/големи загуби), ограничување на податоците и корекции на трендот/развојот на вештачката интелигенција со вистинските прашања и податоци.
- Способност да се разбере дека изборот на дистрибуција и параметрите произведени од вештачката интелигенција треба да се потврдат со тестови за соодветност и актуарско расудување.
Најосновното прашање за осигурителна компанија е: „Колкава штета ќе платиме за оваа група на полиси следната година? Правилниот одговор на ова прашање е предуслов и за правилно поставување на премијата и за доделување доволно резерви. Актуарите одговараат на ова прашање со тоа што го делат на два; бидејќи е многу попрецизно да се моделираат две одделни однесувања одделно наместо да се процени вкупната штета во едно парче. Овие два дела се фреквенција и интензитет.
Фреквенција (фреквенција на штета) е колку штети се случуваат по дадена изложеност; На пример, 100 возила - 8 несреќи годишно. Тежината е просечниот износ на секоја направена штета; на пример, 30.000 TL по несреќа. Умножувањето на двете ја дава премијата за ризик: очекувана штета по изложеност (0,08 × 30.000 = 2.400 долари). Во оваа единица ќе видиме чекор по чекор како да се користи вештачката интелигенција за да се воспостави оваа разлика, да се избере вистинската дистрибуција на веројатност и да се управуваат оддалечените. Да потсетиме од почеток: вештачката интелигенција предлага дистрибуции и пишува код, но на актуар е да го потврди изборот на дистрибуција преку тестови и проценка на добрината на одговарање.
Зошто фреквенцијата и интензитетот се моделираат одделно?
Фреквенцијата и интензитетот покажуваат различно статистички однесување. Бројот на барања е променлива за броење (0, 1, 2, 3...) и обично се моделира со Поасонова дистрибуција или негативна биномна дистрибуција доколку има прекумерна дисперзија (варијанса > средна вредност). Поасон е класична дистрибуција што го моделира бројот на ретки и независни настани. Износот на штетата е континуирана и десно искривена променлива: повеќето штети се мали, неколку штети се многу големи. Затоа, сериозноста често се моделира со гама или логнормална дистрибуција; тоа се позитивни и десно искривени распределби.
Моделирањето на двете одделно има три конкретни придобивки. Прво, можете да видите дека секој има свои возачи (фактори на ризик): младиот возач ја зголемува фреквенцијата, скапото возило го зголемува насилството. Второ, кога податоците се менуваат, можете да дијагностицирате зошто: дали се зголемил трошокот за штета или бројот на штети? Трето, може да се земат предвид само екстремните големи загуби одделно на страната на насилството. Комбинацијата на овие две се нарекува сложен модел; очекувана вкупна штета = очекувана фреквенција × очекувана сериозност.
Совет: Реченицата „Нашиот сооднос загуба/премија се зголеми“ не кажува ништо сама по себе. Одделете го прашањето дали е зголемена фреквенцијата или интензитетот; интервенција (цена, покриеност, управување со штети) би била сосема поинаква.
Исклучоци, скратување и корекции на трендови
Податоците за штети во сурова форма не се подготвени за градење модел. Речиси секогаш се потребни три корекции. Првиот е сортирање на екстремни/големи штети: неколку огромни штети (на пр. пожар во фабрика) го искривуваат просекот; тие се моделирани како посебно „оптоварување со голема штета“. Вториот е капакот: фиксирањето на многу големи оштетувања на одреден плафон (на пример 1.000.000 TL) и пресметувањето на горниот дел одделно го прави моделот стабилен. Трето, корекција на трендот и развојот: минатите побарувања треба да се ажурираат со инфлацијата до денешното ниво на цени (тренд), а побарувањата што сè уште не се целосно платени треба да се доведат до нивното конечно ниво (развој - оваа тема ќе ја покриеме во единица 3).
Следната табела ги споредува својствата на двете компоненти:
карактеристика
Фреквенција (фреквенција)
Насилство (износ)
Тип на променлива
Броење (0,1,2...)
постојана, позитивна
Типична дистрибуција
Поасон, негативен бином
Гама, логично нормално
Примери за мастер возачи
Возраст, искуство, регион, употреба
Вредност на возилото, граница на покриеност, трошок за поправка
Надворешен проблем
низок
Високи (големи штети)
Ефект на инфлација
слаб
силна
Како да се користи вештачката интелигенција во моделирање на штети
Онаму каде што вештачката интелигенција е најсилна е дискусијата за изборот на дистрибуција, пишувањето на кодот и толкувањето на резултатот. Подолу се четири шаблони за копирање.
1) Разговарајте за изборот на дистрибуција:
Вашата улога: асистент за актуарско моделирање. Имам податоци за осигурување AMOUNT (анонимни, 1.600 штети). Резиме: средна вредност 30.300 TL, средна 12.500 TL, максимум 940.000 TL, искривување е висока. Прашање: дали гама или логнормално би биле посоодветни за моделот на сериозност? Која е претпоставката за секој од нив, плус/минус и со кој тест за усогласеност (на пр. Објаснете дека ќе донесам одлука (дијаграм Q-Q, K-S тест, AIC). Донесување конечна одлука; Дајте ми рамка за споредба.
2) Код за пресметка на фреквенција-интензитет:
Напишете коментиран код со Python + панди што ги прави следните чекори: 1) Во df има колони „изложеност“, „count_claim“, „claim_amount“. 2) Општа фреквенција = вкупен број на барања / вкупна изложеност. 3) Просечна сериозност = вкупен_ износ на побарување / вкупен број_побарувања. 4) Премија за ризик = фреквенција × сериозност. 5) Испечатете го секој среден резултат на екранот за да можам рачно да го потврдам. фитинг на библиотека; само користете панди.
3) Анализа на екстремна вредност / пресек:
Имам анонимна распределба на износот на побарувањето. Побарувањата како што се 950.000, 720.000, 610.000 TL сочинуваат 22% од вкупниот износ. Кажете ми за вашиот пристап за ограничување: - Кои опции за капа се разумни (на пр. 500K, 750K, 1M)? - Како да го додадам отсечениот дел како посебен „оптоварување со голема штета“? - Покажете ми чекор по чекор како оваа одлука влијае на премијата за ризик.
4) Преведување на резултатот на деловен јазик:
Мојата фреквенција се зголеми од 0,13 на 0,15; Просечното насилство се зголеми од 28.000 на 34.000 TL. Сумирајте го ова во 4 реченици кои менаџерот може да ги разбере: - Што се случи, која компонента се зголеми за колку? - Каков е вкупниот ефект врз премијата за ризик? - Напиши ги можните причини и 2 претпоставки што треба да ги проверам.
Слаб промпт / Силен промпт
Слаба навестување:
Поставете го мојот модел за загуба и пресметајте ја премијата.
Нејасно: кои податоци, која компонента, која дистрибуција, кој период? ВИ ја пополнува оваа празнина со изработка.
Моќен потсетник:
Вашата улога: асистент за актуарско моделирање. Податоци (анонимна, сообраќајна гранка, 2024): изложеност 20.000 полиса-години, број на побарувања 2.600, вкупна штета 91.000.000 TL, 5-те најголеми штети вкупно 12.000.000 TL. Задача: 1) Пресметајте ја фреквенцијата и суровата просечна тежина, покажете ја формулата. 2) 5-те најголеми штети Затворете го на 1.000.000 TL и повторно пресметајте ја приспособената тежина. 3) Споредете ја премијата за ризик со и без капа, коментирајте ја разликата. 4) Напишете го секој чекор со средни броеви за да можам рачно да го потврдам. Само користете ги броевите што ги дадов; Ако недостасува, прашајте.
три мини футроли
Случај 1 - Моќта на раздвојување. Еден актуар забележа дека односот загуба/премија во станбената гранка се зголеми од 68 отсто на 81 отсто за една година. Пред да се предложи паничното зголемување на цената, беше направена разлика помеѓу фреквенцијата и сериозноста: фреквенцијата беше речиси константна (0,041 → 0,043), но просечната тежина скокна од 14.200 TL на 19.800 TL. Причината беше инфлацијата на градежните трошоци, а не бројот на полиси или ризичните клиенти. Правилната интервенција беше ажурирање на износите на покриеност, а не слепо зголемување на премијата.
Случај 2 - Замка за надворешност. Просекот од 1.800 штети во портфолиото на деловно осигурување беше 42.000 TL. Сепак, само една штета од пожар од 6,4 милиони TL го зголеми овој просек за приближно 3.500 TL. Кога оваа голема штета беше моделирана и ограничена како посебен „оптовар на голема штета“, основната сериозност се намали на 38.500 TL и премијата стана поправедна. AI брзо генерира код за ограничување и алтернативни капаци; Актуарот ја донесе одлуката.
Случај 3 - Малдистрибуција. Без сомнение, асистент истрча код за вештачка интелигенција што избра нормална (гаусова) дистрибуција за сериозност. Бидејќи нормалната распределба дозволи негативни вредности и симетрија, таа не одговараше на десно искривените податоци за оштетување; моделот ги прецени малите штети и потцени големите. Кога беа споредени парцелата Q-Q и AIC, се виде дека гамата се вклопува многу подобро. Лекција: Дистрибуцијата предложена од вештачката интелигенција секогаш се тестира со тестирање за вклопување.
Вообичаени грешки
- Комбинирање на фреквенција и интензитет и предвидување со еден модел. Таа крие две различни однесувања; го губиш возачот и зошто.
- Просекување без елиминирање на екстремни/големи штети. Неколку огромни оштетувања ја искривуваат целата слика; премијата е вештачки надуена.
- Користење на стари штети без примена на тренд на инфлација. Штетата од 2019 година не е иста со денешната цена; неопходна е корекција на трендот.
- Местење на нормална дистрибуција на десно искривени податоци. Претпоставката за негативна вредност и симетрија е спротивна на податоците за оштетување; Размислете за гама/логонормално.
- Не потврдување на изборот на дистрибуција со тестирање за вклопување. Предлогот на вештачката интелигенција е почеток; Потврдете со Q-Q, K-S, AIC.
Внимание: Нивото на капа (сечење) не е произволно избрано. Премногу низок таван го крие ризикот од големи оштетувања; превисокиот таван го прави облогот бескорисен. Изберете со гледање на минатото искуство со големи загуби на портфолиото и условите за реосигурување.
Сумирано
Начинот на прецизно проценување на вкупната штета е да се подели на фреквенција (фреквенција) и сериозност (количина). Фреквенцијата е моделирана со Поасон/негативен бином, интензитетот со гама/логнормално; Премијата за ризик се наоѓа со множење на двете. Необработените податоци бараат отстранување, скратување и корекција на трендовите. Дискусијата за дистрибуција на вештачката интелигенција е одличен асистент за код и коментирање; но изборот на дистрибуција и одлуката за капа се потврдуваат со тестови за соодветност и актуарско расудување.
Задача за апликација
Подгответе анонимно резиме на штета (изложеност, број на побарувања, вкупна штета, 3-5 главни барања). Побарајте од вештачката интелигенција да ја пресмета (а) суровата премија за фреквенција-сериозност-ризик, (б) да ги ограничи големите загуби и да ја пресмета прилагодената премија за ризик. Рачно проверете ги двата резултати и забележете колку процентуално ограничувањето ја менува премијата за ризик. Потоа поставете ѝ на вештачката интелигенција прашањето „гама или логнормално за насилство“ и резимирајте ја споредбената рамка што ја дава со ваши зборови.
листа за проверка
- [ ] Дали ги пресметав фреквенцијата и интензитетот одделно или ги гледав како едно парче?
- [ ] Дали идентификував голема/екстремна штета и се справив со нив посебно?
- [ ] Дали применив прилагодување на инфлацијата/трендот на старите побарувања?
- [ ] Дали ја потврдив дистрибуцијата на интензитетот со тест за добросостојба?
- [ ] Дали независно повторно ја пресметав премијата за ризик (фреквенција × сериозност)?
- [ ] Дали ја преиспитав дистрибуцијата и нивото на капа предложени од вештачката интелигенција и го потврдив со пресуда?