കേടുപാടുകൾ മോഡലിംഗ്: ഫ്രീക്വൻസി-തീവ്രത വിവേചനവും കൃത്രിമ ഇൻ്റലിജൻസ് പിന്തുണയുള്ള വിശകലനവും

നേട്ടങ്ങൾ:

• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പിന്തുണയോടെ കേടുപാടുകളുടെ ആവൃത്തിയും നാശനഷ്ടത്തിൻ്റെ അളവും (തീവ്രത), ഉചിതമായ വിതരണങ്ങളും (വിഷം, നെഗറ്റീവ് ബൈനോമിയൽ, ഗാമ) സംയോജിത മോഡൽ ലോജിക്കും തമ്മിലുള്ള വ്യത്യാസം സ്ഥാപിക്കാനും വ്യാഖ്യാനിക്കാനും കഴിയും.
• വളരെ വലിയ നഷ്ടങ്ങൾ (പുറമ്പോക്ക്/വലിയ നഷ്ടങ്ങൾ), ഡാറ്റാ ക്യാപ്പിംഗ്, ശരിയായ ചോദ്യങ്ങളും ഡാറ്റയും ഉപയോഗിച്ച് കൃത്രിമ ബുദ്ധിയിലേക്കുള്ള ട്രെൻഡ്/ഡെവലപ്പ്മെൻ്റ് തിരുത്തലുകൾ.
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉൽപ്പാദിപ്പിക്കുന്ന ഡിസ്ട്രിബ്യൂഷൻ സെലക്ഷനും പാരാമീറ്ററുകളും ഗുഡ്‌നെസ് ഓഫ് ഫിറ്റ് ടെസ്റ്റുകളും ആക്ച്വറിയൽ റീസണിംഗും വഴി സ്ഥിരീകരിക്കേണ്ടതുണ്ടെന്ന് മനസ്സിലാക്കാനുള്ള കഴിവ്.

ഒരു ഇൻഷുറൻസ് കമ്പനിയുടെ ഏറ്റവും അടിസ്ഥാനപരമായ ചോദ്യം ഇതാണ്: "അടുത്ത വർഷം ഈ പോളിസി ഗ്രൂപ്പിന് ഞങ്ങൾ എത്ര നഷ്ടം നൽകും?" ഈ ചോദ്യത്തിന് ശരിയായി ഉത്തരം നൽകുന്നത് പ്രീമിയം ശരിയായി സജ്ജീകരിക്കുന്നതിനും മതിയായ കരുതൽ തുക അനുവദിക്കുന്നതിനും ഒരു മുൻവ്യവസ്ഥയാണ്. ആക്ച്വറിമാർ ഈ ചോദ്യത്തിന് രണ്ടായി വിഭജിച്ച് ഉത്തരം നൽകുന്നു; കാരണം ഒരു കഷണത്തിൽ മൊത്തം നാശനഷ്ടം കണക്കാക്കുന്നതിനുപകരം രണ്ട് വ്യത്യസ്ത സ്വഭാവങ്ങൾ വെവ്വേറെ മാതൃകയാക്കുന്നത് വളരെ കൃത്യമാണ്. ഈ രണ്ട് ഭാഗങ്ങൾ ആവൃത്തിയും തീവ്രതയും ആണ്.

ഫ്രീക്വൻസി (കേടുപാടുകളുടെ ആവൃത്തി) എന്നത് നൽകിയിരിക്കുന്ന ഒരു എക്സ്പോഷറിന് എത്ര നാശനഷ്ടങ്ങൾ സംഭവിക്കുന്നു എന്നതാണ്; ഉദാഹരണത്തിന്, 100 വാഹനങ്ങൾ - പ്രതിവർഷം 8 അപകടങ്ങൾ. തീവ്രത എന്നത് ഓരോ നാശനഷ്ടത്തിൻ്റെയും ശരാശരി തുകയാണ്; ഉദാഹരണത്തിന്, ഒരു അപകടത്തിന് 30,000 TL. രണ്ടും ഗുണിച്ചാൽ റിസ്ക് പ്രീമിയം ലഭിക്കും: ഒരു എക്സ്പോഷറിന് പ്രതീക്ഷിക്കുന്ന നാശനഷ്ടം (0.08 × 30,000 = $2,400). ഈ വേർതിരിവ് സ്ഥാപിക്കുന്നതിനും ശരിയായ പ്രോബബിലിറ്റി ഡിസ്ട്രിബ്യൂഷൻ തിരഞ്ഞെടുക്കുന്നതിനും ഔട്ട്‌ലറുകൾ നിയന്ത്രിക്കുന്നതിനും AI എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ഈ യൂണിറ്റിൽ നമുക്ക് ഘട്ടം ഘട്ടമായി കാണാം. നമുക്ക് ആദ്യം മുതൽ ഓർമ്മിപ്പിക്കാം: AI വിതരണങ്ങൾ നിർദ്ദേശിക്കുകയും കോഡ് എഴുതുകയും ചെയ്യുന്നു, എന്നാൽ നല്ല നിലവാരമുള്ള പരിശോധനകളിലൂടെയും വിധിന്യായത്തിലൂടെയും വിതരണത്തിൻ്റെ തിരഞ്ഞെടുപ്പ് സ്ഥിരീകരിക്കേണ്ടത് ആക്ച്വറിയാണ്.

എന്തുകൊണ്ടാണ് ആവൃത്തിയും തീവ്രതയും വെവ്വേറെ മാതൃകയാക്കുന്നത്?

ആവൃത്തിയും തീവ്രതയും വ്യത്യസ്ത സ്റ്റാറ്റിസ്റ്റിക്കൽ സ്വഭാവം കാണിക്കുന്നു. ക്ലെയിമുകളുടെ എണ്ണം ഒരു കൗണ്ട് വേരിയബിളാണ് (0, 1, 2, 3...) കൂടാതെ അത് സാധാരണയായി ഒരു പോയിസൺ ഡിസ്ട്രിബ്യൂഷനോ അല്ലെങ്കിൽ ഓവർഡിസ്പെർഷൻ (വ്യതിയാനം > ശരാശരി) ഉണ്ടെങ്കിൽ നെഗറ്റീവ് ബൈനോമിയൽ ഡിസ്ട്രിബ്യൂഷനോ ഉപയോഗിച്ച് മാതൃകയാക്കുന്നു. അപൂർവവും സ്വതന്ത്രവുമായ സംഭവങ്ങളുടെ എണ്ണം മാതൃകയാക്കുന്ന ക്ലാസിക്കൽ വിതരണമാണ് പോയിസൺ. നാശനഷ്ടത്തിൻ്റെ തുക തുടർച്ചയായതും വലത് തിരിഞ്ഞതുമായ വേരിയബിളാണ്: മിക്ക ക്ലെയിമുകളും ചെറുതാണ്, കുറച്ച് ക്ലെയിമുകൾ വളരെ വലുതാണ്. അതിനാൽ, തീവ്രത പലപ്പോഴും ഗാമ അല്ലെങ്കിൽ ലോഗ്നോർമൽ ഡിസ്ട്രിബ്യൂഷൻ ഉപയോഗിച്ച് മാതൃകയാക്കുന്നു; ഇവ പോസിറ്റീവ്, വലത്-ചുറ്റൽ വിതരണങ്ങളാണ്.

ഇവ രണ്ടും വെവ്വേറെ മോഡൽ ചെയ്യുന്നതിലൂടെ മൂന്ന് വ്യക്തമായ ഗുണങ്ങളുണ്ട്. ആദ്യം, ഓരോന്നിനും അതിൻ്റേതായ ഡ്രൈവർമാർ ഉണ്ടെന്ന് നിങ്ങൾക്ക് കാണാൻ കഴിയും (അപകട ഘടകങ്ങൾ): യുവ ഡ്രൈവർ ആവൃത്തി വർദ്ധിപ്പിക്കുന്നു, വിലകൂടിയ വാഹനം അക്രമം വർദ്ധിപ്പിക്കുന്നു. രണ്ടാമതായി, ഡാറ്റ മാറുമ്പോൾ, എന്തുകൊണ്ടെന്ന് നിങ്ങൾക്ക് കണ്ടെത്താനാകും: കേടുപാടുകളുടെ വിലയോ ക്ലെയിമുകളുടെ എണ്ണമോ വർദ്ധിച്ചിട്ടുണ്ടോ? മൂന്നാമതായി, അക്രമത്തിൻ്റെ ഭാഗത്ത് നിങ്ങൾക്ക് വലിയ നഷ്ടങ്ങൾ മാത്രം പരിഗണിക്കാം. ഇവ രണ്ടും കൂടിച്ചേർന്നതിനെ സംയുക്ത മാതൃക എന്ന് വിളിക്കുന്നു; പ്രതീക്ഷിച്ച മൊത്തം നാശം = പ്രതീക്ഷിക്കുന്ന ആവൃത്തി × പ്രതീക്ഷിക്കുന്ന തീവ്രത.

സൂചന: "നമ്മുടെ നഷ്ടം/പ്രീമിയം അനുപാതം വർദ്ധിച്ചു" എന്ന വാചകം സ്വന്തമായി ഒന്നും പറയുന്നില്ല. ആവൃത്തിയോ തീവ്രതയോ വർദ്ധിച്ചിട്ടുണ്ടോ എന്ന ചോദ്യം വേർതിരിക്കുക; ഇടപെടൽ (വില, കവറേജ്, കേടുപാടുകൾ നിയന്ത്രിക്കൽ) തികച്ചും വ്യത്യസ്തമായിരിക്കും.

ഔട്ട്‌ലറുകൾ, വെട്ടിച്ചുരുക്കൽ, ട്രെൻഡ് തിരുത്തലുകൾ

കേടുപാടുകൾ സംബന്ധിച്ച ഡാറ്റ അതിൻ്റെ അസംസ്കൃത രൂപത്തിൽ മാതൃകാ നിർമ്മാണത്തിന് തയ്യാറായിട്ടില്ല. മൂന്ന് തിരുത്തലുകൾ മിക്കവാറും എപ്പോഴും ആവശ്യമാണ്. ആദ്യത്തേത് അങ്ങേയറ്റം/വലിയ കേടുപാടുകൾ തരംതിരിക്കലാണ്: ചില ഭീമൻ നാശനഷ്ടങ്ങൾ (ഉദാ. ഒരു ഫാക്ടറി തീ) ശരാശരിയെ വളച്ചൊടിക്കുന്നു; ഇവ ഒരു പ്രത്യേക "മേജർ ഡാമേജ് ലോഡ്" ആയി രൂപപ്പെടുത്തിയിരിക്കുന്നു. രണ്ടാമത്തേത് ക്യാപ്പിംഗ് ആണ്: ഒരു നിശ്ചിത പരിധിക്ക് (ഉദാഹരണത്തിന് 1,000,000 TL) വളരെ വലിയ കേടുപാടുകൾ പരിഹരിക്കുകയും മുകളിലെ ഭാഗം വെവ്വേറെ കണക്കാക്കുകയും ചെയ്യുന്നത് മോഡലിനെ സ്ഥിരതയുള്ളതാക്കുന്നു. മൂന്നാമതായി, ട്രെൻഡ്, ഡെവലപ്‌മെൻ്റ് തിരുത്തൽ: മുൻകാല ക്ലെയിമുകൾ പണപ്പെരുപ്പത്തിനൊപ്പം ഇന്നത്തെ വിലനിലവാരത്തിലേക്ക് (ട്രെൻഡ്) അപ്‌ഡേറ്റ് ചെയ്യണം, കൂടാതെ ഇതുവരെ പൂർണ്ണമായി അടയ്‌ക്കാത്ത ക്ലെയിമുകൾ അവയുടെ അന്തിമ തലത്തിലേക്ക് കൊണ്ടുവരണം (വികസനം - ഞങ്ങൾ ഈ വിഷയം യൂണിറ്റ് 3-ൽ ഉൾപ്പെടുത്തും).

ഇനിപ്പറയുന്ന പട്ടിക രണ്ട് ഘടകങ്ങളുടെ ഗുണങ്ങളെ താരതമ്യം ചെയ്യുന്നു:

സവിശേഷത

ആവൃത്തി (ആവൃത്തി)

അക്രമം (തുക)

വേരിയബിൾ തരം

എണ്ണുന്നു (0,1,2...)

സ്ഥിരമായ, പോസിറ്റീവ്

സാധാരണ വിതരണം

വിഷം, നെഗറ്റീവ് ബൈനോമിയൽ

ഗാമ, ലോഗ്നോർമൽ

മാസ്റ്റർ ഡ്രൈവർ ഉദാഹരണങ്ങൾ

പ്രായം, അനുഭവം, പ്രദേശം, ഉപയോഗം

വാഹന മൂല്യം, കവറേജ് പരിധി, റിപ്പയർ ചെലവ്

പുറത്തുള്ള പ്രശ്നം

താഴ്ന്ന

ഉയർന്നത് (വലിയ നാശനഷ്ടങ്ങൾ)

പണപ്പെരുപ്പ പ്രഭാവം

ദുർബലമായ

ശക്തമായ

കേടുപാടുകൾ മോഡലിംഗിൽ AI എങ്ങനെ ഉപയോഗിക്കാം

ഡിസ്ട്രിബ്യൂഷൻ ചോയ്‌സ് ചർച്ച ചെയ്യുന്നതിലും കോഡ് എഴുതുന്നതിലും ഫലം വ്യാഖ്യാനിക്കുന്നതിലും AI ഏറ്റവും ശക്തമാണ്. പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ ചുവടെയുണ്ട്.

1) വിതരണ തിരഞ്ഞെടുപ്പ് ചർച്ച ചെയ്യുക:

നിങ്ങളുടെ റോൾ: ആക്ച്വറിയൽ മോഡലിംഗ് അസിസ്റ്റൻ്റ്. എനിക്ക് ഇൻഷുറൻസ് ക്ലെയിം AMOUNT ഡാറ്റയുണ്ട് (അജ്ഞാതൻ, 1,600 ക്ലെയിമുകൾ). സംഗ്രഹം: ശരാശരി 30,300 TL, ശരാശരി 12,500 TL, പരമാവധി 940,000 TL, വക്രത കൂടുതലാണ്. ചോദ്യം: ഗാമയോ ലോഗ്‌നോർമലോ തീവ്രത മോഡലിന് കൂടുതൽ അനുയോജ്യമാണോ? ഓരോന്നിൻ്റെയും അനുമാനം എന്താണ്, പ്ലസ്/മൈനസ്, ഏത് ഗുഡ്‌നെസ്-ഓഫ്-ഫിറ്റ് ടെസ്റ്റ് (ഉദാ. ഞാൻ ഒരു തീരുമാനമെടുക്കുമെന്ന് വിശദീകരിക്കുക (Q-Q ചാർട്ട്, K-S ടെസ്റ്റ്, AIC). ഒരു നിശ്ചിത തീരുമാനം എടുക്കുന്നു; എനിക്ക് ഒരു താരതമ്യ ഫ്രെയിം തരൂ.

2) ഫ്രീക്വൻസി-ഇൻ്റൻസിറ്റി കണക്കുകൂട്ടൽ കോഡ്:

ഇനിപ്പറയുന്ന ഘട്ടങ്ങൾ ചെയ്യുന്ന Python + pandas ഉപയോഗിച്ച് ഒരു കമൻ്റ് ചെയ്ത കോഡ് എഴുതുക: 1) df-ൽ 'exposure', 'claim_count', 'claim_amount' കോളങ്ങൾ ഉണ്ട്. 2) പൊതുവായ ആവൃത്തി = മൊത്തം ക്ലെയിം_എണ്ണം / മൊത്തം എക്സ്പോഷർ. 3) ശരാശരി തീവ്രത = മൊത്തം claim_amount / total claim_count. 4) റിസ്ക് പ്രീമിയം = ആവൃത്തി × തീവ്രത. 5) ഓരോ ഇൻ്റർമീഡിയറ്റ് ഫലവും സ്‌ക്രീനിലേക്ക് പ്രിൻ്റ് ചെയ്യുക, അതുവഴി എനിക്ക് അത് നേരിട്ട് പരിശോധിക്കാനാകും. ലൈബ്രറി ഫിറ്റിംഗ്; പാണ്ടകളെ മാത്രം ഉപയോഗിക്കുക.

3) അങ്ങേയറ്റത്തെ മൂല്യം / കട്ട്ഓഫ് വിശകലനം:

എനിക്ക് ഒരു അജ്ഞാത ക്ലെയിം തുക വിതരണമുണ്ട്. 950,000, 720,000, 610,000 TL എന്നിങ്ങനെയുള്ള ക്ലെയിമുകൾ മൊത്തം തുകയുടെ 22% വരും. നിങ്ങളുടെ ക്യാപ്പിംഗ് സമീപനത്തെക്കുറിച്ച് എന്നോട് പറയൂ: - ഏത് ക്യാപ് ഓപ്‌ഷനുകളാണ് ന്യായമായത് (ഉദാ. 500K, 750K, 1M)? - കട്ട് ചെയ്ത ഭാഗം ഒരു പ്രത്യേക "മേജർ നാശനഷ്ട ലോഡ്" ആയി ഞാൻ എങ്ങനെ തിരികെ ചേർക്കും? - ഈ തീരുമാനം റിസ്ക് പ്രീമിയത്തെ എങ്ങനെ ബാധിക്കുന്നു എന്ന് ഘട്ടം ഘട്ടമായി എന്നെ കാണിക്കുക.

4) ഫലം ബിസിനസ് ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യുക:

എൻ്റെ ആവൃത്തി 0.13 ൽ നിന്ന് 0.15 ആയി വർദ്ധിച്ചു; ശരാശരി അക്രമം 28,000 ൽ നിന്ന് 34,000 TL ആയി വർദ്ധിച്ചു. ഒരു മാനേജർക്ക് മനസ്സിലാക്കാൻ കഴിയുന്ന 4 വാക്യങ്ങളിൽ ഇത് സംഗ്രഹിക്കുക: - എന്താണ് സംഭവിച്ചത്, ഏത് ഘടകം എത്രമാത്രം വർദ്ധിച്ചു? - റിസ്ക് പ്രീമിയത്തിൽ മൊത്തത്തിലുള്ള പ്രഭാവം എന്താണ്? - ഞാൻ പരിശോധിക്കേണ്ട സാധ്യമായ കാരണങ്ങളും 2 അനുമാനങ്ങളും എഴുതുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

എൻ്റെ നഷ്ട മോഡൽ സജ്ജീകരിച്ച് പ്രീമിയം കണക്കാക്കുക.

വ്യക്തമല്ല: ഏത് ഡാറ്റ, ഏത് ഘടകം, ഏത് വിതരണം, ഏത് കാലയളവ്? കൃത്രിമത്വം ഉപയോഗിച്ച് AI ഈ വിടവ് നികത്തുന്നു.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ആക്ച്വറിയൽ മോഡലിംഗ് അസിസ്റ്റൻ്റ്. ഡാറ്റ (അജ്ഞാതൻ, ട്രാഫിക് ബ്രാഞ്ച്, 2024): എക്സ്പോഷർ 20,000 പോളിസി-വർഷങ്ങൾ, ക്ലെയിമുകളുടെ എണ്ണം 2,600, മൊത്തം നാശനഷ്ടം 91,000,000 TL, 5 ഏറ്റവും വലിയ നാശനഷ്ടങ്ങൾ ആകെ 12,000,000 TL. ടാസ്ക്: 1) ആവൃത്തിയും അസംസ്കൃത ശരാശരി തീവ്രതയും കണക്കാക്കുക, ഫോർമുല കാണിക്കുക. 2) ഏറ്റവും വലിയ 5 നാശനഷ്ടങ്ങൾ അതിനെ 1,000,000 TL ആയി ചുരുക്കി ക്രമീകരിച്ച തീവ്രത വീണ്ടും കണക്കാക്കുക. 3) റിസ്ക് പ്രീമിയം ക്യാപ് ഉപയോഗിച്ചും അല്ലാതെയും താരതമ്യം ചെയ്യുക, വ്യത്യാസത്തെക്കുറിച്ച് അഭിപ്രായം പറയുക. 4) ഓരോ ഘട്ടവും ഇൻ്റർമീഡിയറ്റ് നമ്പറുകൾ ഉപയോഗിച്ച് എഴുതുക, അതുവഴി എനിക്ക് അത് നേരിട്ട് പരിശോധിക്കാനാകും. ഞാൻ തന്ന നമ്പറുകൾ മാത്രം ഉപയോഗിക്കുക; അത് നഷ്ടപ്പെട്ടാൽ, ചോദിക്കുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - വേർപിരിയലിൻ്റെ ശക്തി. ഒരു ആക്ച്വറി ഭവന ശാഖയിലെ നഷ്ടം/പ്രീമിയം അനുപാതം ഒരു വർഷത്തിനുള്ളിൽ 68 ശതമാനത്തിൽ നിന്ന് 81 ശതമാനമായി ഉയർന്നു. പാനിക് വില വർദ്ധനവ് നിർദ്ദേശിക്കപ്പെടുന്നതിന് മുമ്പ്, ആവൃത്തി-തീവ്രത വ്യത്യാസം വരുത്തി: ആവൃത്തി ഏതാണ്ട് സ്ഥിരമായിരുന്നു (0.041 → 0.043), എന്നാൽ ശരാശരി തീവ്രത 14,200 TL ൽ നിന്ന് 19,800 TL ആയി ഉയർന്നു. പോളിസികളുടെ എണ്ണമോ അപകടസാധ്യതയുള്ള ഉപഭോക്താക്കളോ അല്ല, നിർമാണച്ചെലവിൻ്റെ വിലക്കയറ്റമാണ് കാരണം. അന്ധമായ പ്രീമിയം വർദ്ധനവല്ല, കവറേജ് തുകകൾ അപ്‌ഡേറ്റ് ചെയ്യുക എന്നതാണ് ശരിയായ ഇടപെടൽ.

കേസ് 2 - ഔട്ട്‌ലിയർ ട്രാപ്പ്. ഒരു ബിസിനസ് ഇൻഷുറൻസ് പോർട്ട്‌ഫോളിയോയിലെ ശരാശരി 1,800 ക്ലെയിമുകൾ 42,000 TL ആയിരുന്നു. എന്നിരുന്നാലും, 6.4 ദശലക്ഷം TL ൻ്റെ ഒരു തീപിടിത്തം മാത്രം ഈ ശരാശരിയിൽ ഏകദേശം 3,500 TL വർദ്ധിച്ചു. ഈ വലിയ നാശനഷ്ടം ഒരു പ്രത്യേക "മേജർ നാശനഷ്ടഭാരം" ആയി രൂപപ്പെടുത്തുകയും പരിമിതപ്പെടുത്തുകയും ചെയ്തപ്പോൾ, അടിസ്ഥാന തീവ്രത 38,500 TL ആയി കുറയുകയും പ്രീമിയം കൂടുതൽ ന്യായമാവുകയും ചെയ്തു. AI പെട്ടെന്ന് ക്യാപ്പിംഗ് കോഡും ഇതര ക്യാപ്പുകളും സൃഷ്ടിച്ചു; ആക്ച്വറി തീരുമാനമെടുത്തു.

കേസ് 3 - മാൽഡിസ്ട്രിബ്യൂഷൻ. ചോദ്യം കൂടാതെ, ഒരു അസിസ്റ്റൻ്റ് ഒരു AI കോഡ് പ്രവർത്തിപ്പിച്ചു, അത് തീവ്രതയ്ക്കായി ഒരു സാധാരണ (ഗൗസിയൻ) വിതരണം തിരഞ്ഞെടുത്തു. സാധാരണ വിതരണം നെഗറ്റീവ് മൂല്യങ്ങൾക്കും സമമിതികൾക്കും അനുവദിച്ചതിനാൽ, അത് വലത്-ചുരുക്കമുള്ള കേടുപാടുകൾ സംബന്ധിച്ച ഡാറ്റയ്ക്ക് അനുയോജ്യമല്ല; മോഡൽ ചെറിയ നാശനഷ്ടങ്ങളെ അമിതമായി കണക്കാക്കുകയും വലിയവയെ കുറച്ചുകാണുകയും ചെയ്തു. ക്യു-ക്യു പ്ലോട്ടും എഐസിയും താരതമ്യം ചെയ്തപ്പോൾ, ഗാമ കൂടുതൽ നന്നായി യോജിക്കുന്നതായി കണ്ടു. പാഠം: AI നിർദ്ദേശിച്ച വിതരണം എല്ലായ്പ്പോഴും ഫിറ്റ് ടെസ്റ്റിംഗിലൂടെ പരിശോധിക്കപ്പെടുന്നു.

സാധാരണ തെറ്റുകൾ

• ആവൃത്തിയും തീവ്രതയും സംയോജിപ്പിച്ച് ഒരൊറ്റ മോഡൽ ഉപയോഗിച്ച് പ്രവചിക്കുന്നു. ഇത് രണ്ട് വ്യത്യസ്ത സ്വഭാവങ്ങളെ മറയ്ക്കുന്നു; നിങ്ങൾക്ക് ഡ്രൈവറെ നഷ്ടപ്പെടും, എന്തുകൊണ്ട്.
• തീവ്രമായ/വലിയ നാശനഷ്ടങ്ങൾ ഇല്ലാതാക്കാതെ ശരാശരി. ഏതാനും ഭീമാകാരമായ കേടുപാടുകൾ മുഴുവൻ ചിത്രത്തെയും വികലമാക്കുന്നു; പ്രീമിയം കൃത്രിമമായി പെരുപ്പിച്ചതാണ്.
• പണപ്പെരുപ്പ പ്രവണത പ്രയോഗിക്കാതെ പഴയ കേടുപാടുകൾ ഉപയോഗിക്കുന്നു. 2019 ലെ നാശനഷ്ടം ഇന്നത്തെ വിലയ്ക്ക് തുല്യമല്ല; പ്രവണത തിരുത്തൽ ആവശ്യമാണ്.
• വലത് വളച്ചൊടിച്ച ഡാറ്റയിലേക്ക് ഒരു സാധാരണ ഡിസ്ട്രിബ്യൂഷൻ ഫിറ്റ് ചെയ്യുന്നു. നെഗറ്റീവ് മൂല്യത്തിൻ്റെയും സമമിതിയുടെയും അനുമാനം ഡാറ്റ കേടുപാടുകൾക്ക് വിരുദ്ധമാണ്; ഗാമ/ലോഗനോർമൽ എന്ന് ചിന്തിക്കുക.
• ഫിറ്റ് ടെസ്റ്റിംഗ് ഉപയോഗിച്ച് വിതരണ ചോയിസ് പരിശോധിക്കുന്നില്ല. AI യുടെ നിർദ്ദേശം ഒരു തുടക്കമാണ്; Q-Q, K-S, AIC എന്നിവ ഉപയോഗിച്ച് സ്ഥിരീകരിക്കുക.

ശ്രദ്ധിക്കുക: ക്യാപ് (കട്ടിംഗ്) ലെവൽ ഏകപക്ഷീയമായി തിരഞ്ഞെടുത്തിട്ടില്ല. വളരെ താഴ്ന്ന മേൽത്തട്ട് വലിയ നാശനഷ്ടത്തിൻ്റെ സാധ്യത മറയ്ക്കുന്നു; വളരെ ഉയർന്ന സീലിംഗ് ട്രിം ഉപയോഗശൂന്യമാക്കുന്നു. പോർട്ട്ഫോളിയോയുടെ മുൻകാല പ്രധാന നഷ്ട അനുഭവവും റീഇൻഷുറൻസ് നിബന്ധനകളും നോക്കി തിരഞ്ഞെടുക്കുക.

ചുരുക്കത്തിൽ

മൊത്തം നാശനഷ്ടങ്ങൾ കൃത്യമായി കണക്കാക്കാനുള്ള മാർഗം അതിനെ ഫ്രീക്വൻസി (ആവൃത്തി), തീവ്രത (തുക) എന്നിങ്ങനെ വിഭജിക്കുക എന്നതാണ്. ഫ്രീക്വൻസി മോഡൽ ചെയ്തത് Poisson/നെഗറ്റീവ് ബൈനോമിയൽ, ഗാമ/ലോഗ്നോർമൽ തീവ്രത രണ്ടും ഗുണിച്ചാണ് റിസ്ക് പ്രീമിയം കണ്ടെത്തുന്നത്. റോ ഡാറ്റയ്ക്ക് ഔട്ട്‌ലിയർ നീക്കം ചെയ്യൽ, വെട്ടിച്ചുരുക്കൽ, ട്രെൻഡ് തിരുത്തൽ എന്നിവ ആവശ്യമാണ്. AI ഡിസ്ട്രിബ്യൂഷൻ ചർച്ച കോഡ് ചെയ്യുന്നതിനും അഭിപ്രായമിടുന്നതിനുമുള്ള മികച്ച സഹായിയാണ്; എന്നാൽ ഡിസ്ട്രിബ്യൂഷൻ സെലക്ഷനും ക്യാപ് തീരുമാനവും ഫിറ്റ് ടെസ്റ്റുകളും ആക്ച്വറിയൽ ജഡ്ജ്മെൻ്റും വഴി സ്ഥിരീകരിക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു അജ്ഞാത നാശനഷ്ട സംഗ്രഹം തയ്യാറാക്കുക (എക്‌സ്‌പോഷർ, ക്ലെയിമുകളുടെ എണ്ണം, മൊത്തം നാശനഷ്ടങ്ങൾ, മികച്ച 3-5 ക്ലെയിമുകൾ). (എ) അസംസ്‌കൃത ആവൃത്തി-തീവ്രത-റിസ്‌ക് പ്രീമിയം, (ബി) വലിയ നഷ്ടം കണക്കാക്കാനും ക്രമീകരിച്ച റിസ്‌ക് പ്രീമിയം കണക്കാക്കാനും AI-യോട് ആവശ്യപ്പെടുക. രണ്ട് ഫലങ്ങളും കൈകൊണ്ട് പരിശോധിച്ച് എത്ര ശതമാനം ക്യാപ്പിംഗ് റിസ്ക് പ്രീമിയം മാറ്റുന്നുവെന്ന് ശ്രദ്ധിക്കുക. തുടർന്ന് AI-യോട് "ഗാമ അല്ലെങ്കിൽ അക്രമത്തിന് ലോഗ്‌നോർമൽ" എന്ന ചോദ്യം ചോദിക്കുകയും അത് നൽകുന്ന താരതമ്യ ഫ്രെയിം നിങ്ങളുടെ സ്വന്തം വാക്കുകളിൽ സംഗ്രഹിക്കുകയും ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ആവൃത്തിയും തീവ്രതയും വെവ്വേറെ കണക്കാക്കിയിട്ടുണ്ടോ, അതോ ഞാൻ അവയെ ഒരു കഷണമായി നോക്കിയോ?
• [ ] ഞാൻ വലിയ/അങ്ങേയറ്റത്തെ നാശനഷ്ടങ്ങൾ തിരിച്ചറിയുകയും അത് പ്രത്യേകം കൈകാര്യം ചെയ്യുകയും ചെയ്തിട്ടുണ്ടോ?
• [ ] പഴയ ക്ലെയിമുകൾക്ക് ഞാൻ പണപ്പെരുപ്പം/ട്രെൻഡ് ക്രമീകരണം പ്രയോഗിച്ചിട്ടുണ്ടോ?
• [ ] ഗുഡ്‌നെസ് ഓഫ് ഫിറ്റ് ടെസ്റ്റ് ഉപയോഗിച്ച് ഞാൻ തീവ്രത വിതരണം പരിശോധിച്ചിട്ടുണ്ടോ?
• [ ] റിസ്ക് പ്രീമിയം (ആവൃത്തി × തീവ്രത) ഞാൻ സ്വതന്ത്രമായി വീണ്ടും കണക്കാക്കിയിട്ടുണ്ടോ?
• AI നിർദ്ദേശിച്ച വിതരണവും തൊപ്പി നിലയും ഞാൻ ചോദ്യം ചെയ്യുകയും വിധിയോടെ അത് സ്ഥിരീകരിക്കുകയും ചെയ്തോ?