Keuntungan:
- Mampu mewujudkan dan mentafsir perbezaan antara kekerapan kerosakan dan jumlah kerosakan (keterukan), taburan yang sesuai (Poisson, binomial negatif, gamma) dan logik model komposit dengan sokongan kecerdasan buatan.
- Mengisih kerugian yang sangat besar (outlier/kerugian besar), had data dan pembetulan arah aliran/pembangunan kepada kecerdasan buatan dengan soalan dan data yang betul.
- Keupayaan untuk memahami bahawa pemilihan pengedaran dan parameter yang dihasilkan oleh kecerdasan buatan harus disahkan oleh ujian kesesuaian dan penaakulan aktuari.
Soalan paling asas untuk syarikat insurans ialah: "Berapa banyak kerosakan yang akan kami bayar untuk kumpulan polisi ini tahun depan?" Menjawab soalan ini dengan betul adalah prasyarat untuk menetapkan premium dengan betul dan memperuntukkan rizab yang mencukupi. Aktuari menjawab soalan ini dengan membahagikannya kepada dua; kerana adalah lebih tepat untuk memodelkan dua gelagat berasingan secara berasingan dan bukannya menganggarkan jumlah kerosakan dalam satu bahagian. Dua bahagian ini ialah kekerapan dan keamatan.
Kekerapan (kekerapan kerosakan) ialah berapa banyak kerosakan berlaku setiap pendedahan yang diberikan; Sebagai contoh, 100 kenderaan - 8 kemalangan setahun. Keterukan ialah jumlah purata setiap kerosakan yang ditanggung; contohnya, 30,000 TL setiap kemalangan. Mendarab kedua-duanya memberikan premium risiko: jangkaan kos kerosakan setiap pendedahan (0.08 × 30,000 = $2,400). Dalam unit ini, kita akan melihat langkah demi langkah cara menggunakan AI untuk mewujudkan perbezaan ini, memilih taburan kebarangkalian yang betul dan mengurus outlier. Mari kita ingatkan dari awal: AI mencadangkan pengedaran dan menulis kod, tetapi terpulang kepada aktuari untuk mengesahkan pilihan pengedaran melalui ujian dan pertimbangan kebaikan.
Mengapakah kekerapan dan keamatan dimodelkan secara berasingan?
Kekerapan dan keamatan menunjukkan tingkah laku statistik yang berbeza. Bilangan tuntutan ialah pembolehubah kiraan (0, 1, 2, 3...) dan biasanya dimodelkan dengan taburan Poisson atau taburan binomial negatif jika terdapat serakan berlebihan (varian > min). Poisson ialah pengedaran klasik yang memodelkan bilangan peristiwa jarang dan bebas. Jumlah kerosakan ialah pembolehubah berterusan dan condong ke kanan: kebanyakan tuntutan adalah kecil, beberapa tuntutan adalah sangat besar. Oleh itu, keterukan sering dimodelkan dengan taburan gamma atau lognormal; ini adalah taburan positif dan condong ke kanan.
Pemodelan kedua-duanya secara berasingan mempunyai tiga faedah konkrit. Pertama, anda dapat melihat bahawa masing-masing mempunyai pemandu sendiri (faktor risiko): pemandu muda meningkatkan kekerapan, kenderaan mahal meningkatkan keganasan. Kedua, apabila data berubah, anda boleh mendiagnosis mengapa: adakah kos kerosakan atau bilangan tuntutan meningkat? Ketiga, anda hanya boleh mempertimbangkan kerugian besar yang melampau secara berasingan di bahagian keganasan. Gabungan kedua-dua ini dipanggil model kompaun; jangkaan jumlah kerosakan = jangkaan kekerapan × jangkaan keterukan.
Petunjuk: Ayat "Nisbah kerugian/premium kami telah meningkat" tidak menyatakan apa-apa dengan sendirinya. Pisahkan soalan sama ada kekerapan atau intensiti meningkat; campur tangan (harga, perlindungan, pengurusan kerosakan) akan berbeza sama sekali.
Outlier, pemotongan dan pembetulan arah aliran
Data kerosakan dalam bentuk mentahnya belum sedia untuk pembinaan model. Tiga pembetulan hampir selalu diperlukan. Yang pertama ialah pengisihan kerosakan yang melampau/besar: beberapa kerosakan gergasi (cth. kebakaran kilang) memesongkan purata; ini dimodelkan sebagai "beban kerosakan besar" yang berasingan. Yang kedua ialah mengehadkan: menetapkan kerosakan yang sangat besar pada siling tertentu (contohnya 1,000,000 TL) dan mengira bahagian atas secara berasingan menjadikan model itu stabil. Ketiga, pembetulan arah aliran dan pembangunan: tuntutan masa lalu harus dikemas kini dengan inflasi kepada paras harga (trend) hari ini dan tuntutan yang belum dibayar sepenuhnya harus dibawa ke tahap akhir (pembangunan — kami akan membincangkan topik ini dalam unit 3).
Jadual berikut membandingkan sifat dua komponen:
ciri
Kekerapan (frekuensi)
Keganasan (jumlah)
Jenis boleh ubah
Mengira (0,1,2...)
berterusan, positif
Pengedaran biasa
Poisson, binomial negatif
Gamma, lognormal
Contoh pemandu utama
Umur, pengalaman, wilayah, penggunaan
Nilai kenderaan, had perlindungan, kos pembaikan
Masalah outlier
rendah
Tinggi (kerosakan besar)
Kesan inflasi
lemah
kuat
Cara menggunakan AI dalam pemodelan kerosakan
Di mana AI paling kuat adalah dalam membincangkan pilihan pengedaran, menulis kod, dan mentafsir hasilnya. Di bawah ialah empat templat yang boleh disalin.
1) Bincangkan pemilihan pengedaran:
Peranan anda: pembantu model aktuari. Saya mempunyai data AMOUNT tuntutan insurans (tanpa nama, 1,600 tuntutan). Ringkasan: min 30,300 TL, median 12,500 TL, maksimum 940,000 TL, kecondongan adalah tinggi. Soalan: adakah gamma atau lognormal lebih sesuai untuk model keterukan? Apakah andaian bagi setiap satu, tambah/tolak dan dengan ujian kesesuaian yang mana (cth. Jelaskan bahawa saya akan membuat keputusan (carta Q-Q, ujian K-S, AIC). Membuat keputusan muktamad; Beri saya bingkai perbandingan.
2) Kod pengiraan intensiti kekerapan:
Tulis kod komen dengan Python + panda yang melakukan langkah berikut: 1) Terdapat lajur 'pendedahan', 'claim_count', 'claim_amount' dalam df. 2) Kekerapan umum = jumlah_kiraan_tuntutan / jumlah pendedahan. 3) Purata keterukan = jumlah_jumlah_tuntutan / jumlah_kira_tuntutan. 4) Premium risiko = kekerapan × keterukan. 5) Cetak setiap hasil perantaraan ke skrin supaya saya boleh mengesahkannya secara manual. Kelengkapan perpustakaan; guna panda sahaja.
3) Analisis nilai / potongan melampau:
Saya mempunyai pengagihan jumlah tuntutan tanpa nama. Tuntutan seperti 950,000, 720,000, 610,000 TL merupakan 22% daripada jumlah keseluruhan. Beritahu saya tentang pendekatan pengehadan anda: - Pilihan had yang manakah munasabah (mis. 500K, 750K, 1M)? - Bagaimanakah cara saya menambah semula bahagian yang dipotong sebagai "beban kerosakan besar" yang berasingan? - Tunjukkan saya langkah demi langkah bagaimana keputusan ini mempengaruhi premium risiko.
4) Menterjemahkan hasilnya ke dalam bahasa perniagaan:
Kekerapan saya meningkat daripada 0.13 kepada 0.15; Purata keganasan meningkat daripada 28,000 kepada 34,000 TL. Ringkaskan ini dalam 4 ayat yang boleh difahami oleh pengurus: - Apa yang berlaku, komponen manakah yang meningkat sebanyak berapa banyak? - Apakah jumlah kesan ke atas premium risiko? - Tulis kemungkinan sebab dan 2 andaian yang perlu saya sahkan.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Sediakan model kerugian saya dan kirakan premium.
Tidak jelas: data mana, komponen mana, taburan mana, tempoh mana? AI mengisi jurang ini dengan fabrikasi.
Gesaan kuat:
Peranan anda: pembantu model aktuari. Data (tanpa nama, cawangan trafik, 2024): pendedahan 20,000 tahun polisi, bilangan tuntutan 2,600, jumlah kerosakan 91,000,000 TL, 5 kerosakan terbesar berjumlah 12,000,000 TL. Tugasan: 1) Kira kekerapan dan purata keterukan mentah, tunjukkan formula. 2) 5 kerosakan terbesar Hadkan kepada 1,000,000 TL dan hitung keterukan yang dilaraskan sekali lagi. 3) Bandingkan premium risiko dengan dan tanpa had, ulas perbezaannya. 4) Tulis setiap langkah dengan nombor perantaraan supaya saya boleh mengesahkannya secara manual. Gunakan sahaja nombor yang saya berikan; Jika tiada, tanya.
tiga kes mini
Kes 1 — Kuasa pemisahan. Seorang aktuari menyaksikan nisbah kerugian/premium dalam cawangan perumahan meningkat daripada 68 peratus kepada 81 peratus dalam satu tahun. Sebelum kenaikan harga panik dicadangkan, perbezaan kekerapan-keterukan telah dibuat: kekerapannya hampir malar (0.041 → 0.043), tetapi keterukan purata telah melonjak daripada 14,200 TL kepada 19,800 TL. Sebabnya ialah inflasi kos pembinaan, bukan bilangan polisi atau pelanggan berisiko. Campur tangan yang betul adalah untuk mengemas kini jumlah perlindungan, bukan kenaikan premium buta.
Kes 2 — Perangkap outlier. Purata 1,800 tuntutan dalam portfolio insurans perniagaan ialah 42,000 TL. Walau bagaimanapun, kerosakan kebakaran tunggal sebanyak 6.4 juta TL sahaja telah meningkatkan purata ini sebanyak kira-kira 3,500 TL. Apabila kerosakan besar ini dimodelkan dan dihadkan sebagai "beban kerosakan besar" yang berasingan, keterukan asas menurun kepada 38,500 TL dan premium menjadi lebih adil. AI dengan cepat menjana kod had dan had alternatif; Aktuari membuat keputusan.
Kes 3 — Pengagihan salah. Tanpa persoalan, seorang pembantu menjalankan kod AI yang memilih taburan normal (Gaussian) untuk keterukan. Oleh kerana taburan normal membenarkan nilai negatif dan simetri, ia tidak sesuai dengan data kerosakan condong ke kanan; model itu melebihkan kerosakan kecil dan meremehkan kerosakan yang besar. Apabila plot Q-Q dan AIC dibandingkan, ia dilihat bahawa gamma lebih sesuai. Pengajaran: Pengagihan yang dicadangkan oleh AI sentiasa diuji dengan ujian kesesuaian.
Kesilapan biasa
- Menggabungkan kekerapan dan keamatan dan meramal dengan satu model. Ia menyembunyikan dua tingkah laku yang berbeza; anda kehilangan pemandu dan mengapa.
- Purata tanpa menghapuskan kerosakan yang melampau/besar. Beberapa kerosakan gergasi memesongkan keseluruhan gambar; premium dinaikkan secara buatan.
- Menggunakan kerosakan lama tanpa menggunakan trend inflasi. Kerosakan 2019 tidak sama dengan harga hari ini; pembetulan trend adalah perlu.
- Memasang taburan normal pada data condong ke kanan. Andaian nilai negatif dan simetri adalah bertentangan dengan kerosakan data; Fikirkan gamma/lognormal.
- Tidak mengesahkan pilihan pengedaran dengan ujian kesesuaian. Cadangan AI adalah permulaan; Sahkan dengan Q-Q, K-S, AIC.
Perhatian: Tahap topi (pemotongan) tidak dipilih sewenang-wenangnya. Siling yang terlalu rendah menyembunyikan risiko kerosakan besar; siling yang terlalu tinggi menjadikan trim tidak berguna. Pilih dengan melihat pengalaman kerugian besar lepas portfolio dan syarat insurans semula.
Secara ringkasnya
Cara untuk menganggarkan jumlah kerosakan dengan tepat adalah dengan membahagikannya kepada kekerapan (kekerapan) dan keterukan (jumlah). Kekerapan dimodelkan oleh Poisson/binomial negatif, keamatan oleh gamma/lognormal; Premium risiko didapati dengan mendarabkan kedua-duanya. Data mentah memerlukan penyingkiran terpencil, pemotongan dan pembetulan arah aliran. Perbincangan pengedaran AI ialah pembantu yang sangat baik untuk kod dan mengulas; tetapi pemilihan pengedaran dan keputusan had disahkan oleh ujian kesesuaian dan pertimbangan aktuari.
Tugasan permohonan
Sediakan ringkasan kerosakan tanpa nama (pendedahan, bilangan tuntutan, jumlah kerosakan, 3-5 tuntutan teratas). Minta AI untuk mengira (a) premium risiko kekerapan-keterukan mentah, (b) hadkan kerugian besar dan hitung premium risiko terlaras. Sahkan kedua-dua keputusan dengan tangan dan catatkan dengan peratusan pengehadan yang mengubah premium risiko. Kemudian tanya AI soalan "gamma atau lognormal untuk keganasan" dan ringkaskan bingkai perbandingan yang diberikannya dalam perkataan anda sendiri.
senarai semak
- [ ] Adakah saya mengira kekerapan dan intensiti secara berasingan, atau adakah saya melihatnya sebagai satu bahagian?
- [ ] Adakah saya telah mengenal pasti kerosakan besar/ekstrem dan menanganinya secara berasingan?
- [ ] Adakah saya telah menggunakan pelarasan inflasi/trend pada tuntutan lama?
- [ ] Adakah saya telah mengesahkan taburan intensiti dengan ujian kesesuaian?
- [ ] Adakah saya telah mengira semula premium risiko (kekerapan × keterukan) secara bebas?
- [ ] Adakah saya mempersoalkan tahap pengedaran dan had yang dicadangkan oleh AI dan mengesahkannya dengan pertimbangan?