Gevinster:
- Å kunne etablere og tolke skillet mellom skadefrekvens og skademengde (alvorlighet), passende fordelinger (Poisson, negativ binomial, gamma) og sammensatt modelllogikk med støtte av kunstig intelligens.
- Utsortering av ekstremt store tap (outliers/store tap), databegrensning og trend-/utviklingskorreksjoner til kunstig intelligens med riktige spørsmål og data.
- Evne til å forstå at distribusjonsutvalget og parametrene produsert av kunstig intelligens bør bekreftes av godhetstester og aktuarmessige resonnementer.
Det mest grunnleggende spørsmålet for et forsikringsselskap er: "Hvor mye skade vil vi betale for denne forsikringsgruppen neste år?" Riktig svar på dette spørsmålet er en forutsetning for både å sette premien riktig og tildele tilstrekkelige reserver. Aktuarer svarer på dette spørsmålet ved å dele det i to; fordi det er mye mer nøyaktig å modellere to separate atferd separat i stedet for å estimere den totale skaden i ett stykke. Disse to delene er frekvens og intensitet.
Frekvens (skadefrekvens) er hvor mange skader som oppstår per gitt eksponering; For eksempel 100 kjøretøy - 8 ulykker per år. Alvorlighet er gjennomsnittsbeløpet for hver skade som er påført; for eksempel 30 000 TL per ulykke. Å multiplisere de to gir risikopremien: forventet skadekostnad per eksponering (0,08 × 30 000 = $2 400). I denne enheten vil vi se trinn for trinn hvordan du bruker AI for å etablere denne distinksjonen, velge riktig sannsynlighetsfordeling og administrere uteliggere. La oss minne fra begynnelsen om: AI foreslår distribusjoner og skriver kode, men det er opp til aktuaren å bekrefte valget av distribusjon gjennom godhetstester og dømmekraft.
Hvorfor modelleres frekvens og intensitet separat?
Frekvens og intensitet viser ulik statistisk oppførsel. Antall krav er en tellevariabel (0, 1, 2, 3...) og modelleres vanligvis med en Poisson-fordeling eller en negativ binomialfordeling dersom det er overspredning (varians > gjennomsnitt). Poisson er den klassiske distribusjonen som modellerer antall sjeldne og uavhengige hendelser. Skadebeløp er en kontinuerlig og høyreskjev variabel: de fleste skader er små, noen få skader er svært store. Derfor er alvorlighetsgrad ofte modellert med en gamma- eller lognormalfordeling; dette er positive og høyreskjeve fordelinger.
Å modellere de to hver for seg har tre konkrete fordeler. For det første kan du se at hver av dem har sine egne sjåfører (risikofaktorer): ung sjåfør øker frekvensen, dyre kjøretøy øker volden. For det andre, når dataene endres, kan du diagnostisere hvorfor: har skadekostnadene eller antallet skader økt? For det tredje kan man kun vurdere ekstremt store tap separat på voldssiden. Kombinasjonen av disse to kalles en sammensatt modell; forventet total skade = forventet frekvens × forventet alvorlighetsgrad.
Hint: Setningen «Vårt tap/premie-forhold har økt» sier ikke noe i seg selv. Skill spørsmålet om frekvens eller intensitet økte; intervensjon (pris, dekning, skadehåndtering) ville vært helt annerledes.
Outliers, trunkering og trendkorrigeringer
Skadedata i sin rå form er ikke klar for modellbygging. Tre rettelser er nesten alltid nødvendig. Den første er ekstrem/større skadesortering: noen få gigantiske skader (f.eks. en fabrikkbrann) skjev gjennomsnittet; disse er modellert som en egen "storskadelast". Den andre er dekning: å fikse svært store skader til et bestemt tak (for eksempel 1 000 000 TL) og beregne den øvre delen separat gjør modellen stabil. For det tredje, trend- og utviklingskorreksjon: tidligere krav bør oppdateres med inflasjon til dagens prisnivå (trend), og krav som ennå ikke er fullt betalt bør bringes til sitt endelige nivå (utvikling — vi vil dekke dette emnet i enhet 3).
Følgende tabell sammenligner egenskapene til de to komponentene:
funksjon
Frekvens (frekvens)
Vold (beløp)
Variabel type
Telling (0,1,2...)
konstant, positiv
Typisk fordeling
Poisson, negativ binomial
Gamma, lognormal
Eksempler på masterdrivere
Alder, erfaring, region, bruk
Kjøretøyets verdi, dekningsgrense, reparasjonskostnad
Ytterligere problem
lav
Høy (store skader)
Inflasjonseffekt
svak
sterk
Hvordan bruke AI i skademodellering
Der AI er sterkest er å diskutere distribusjonsvalget, skrive koden og tolke resultatet. Nedenfor er fire kopierbare maler.
1) Diskuter distribusjonsvalg:
Din rolle: aktuarmodelleringsassistent. Jeg har data om forsikringskrav AMOUNT (anonym, 1600 skader). Sammendrag: gjennomsnittlig 30 300 TL, median 12 500 TL, maksimalt 940 000 TL, skjevheten er høy. Spørsmål: ville gamma eller lognormal være mer egnet for alvorlighetsgradsmodellen? Hva er forutsetningen for hver, pluss/minus og med hvilken godhet-of-fit-test (f.eks. Forklar at jeg skal ta en avgjørelse (Q-Q-diagram, K-S-test, AIC). Ta en definitiv avgjørelse; Gi meg en sammenligningsramme.
2) Beregningskode for frekvensintensitet:
Skriv en kommentert kode med Python + pandas som utfører følgende trinn: 1) Det er 'exposure', 'claim_count', 'claim_amount'-kolonner i df. 2) Generell frekvens = total skadeantall / total eksponering. 3) Gjennomsnittlig alvorlighetsgrad = totalt kravbeløp / totalt antall krav. 4) Risikopremie = frekvens × alvorlighetsgrad. 5) Skriv ut hvert mellomresultat på skjermen slik at jeg kan bekrefte det manuelt. Bibliotek montering; bare bruk pandaer.
3) Ekstremverdi / cutoff-analyse:
Jeg har en anonym utdeling av erstatningsbeløp. Krav som 950 000, 720 000, 610 000 TL utgjør 22 % av det totale beløpet. Fortell meg om tilnærmingen din til taksering: - Hvilke takalternativer er rimelige (f.eks. 500K, 750K, 1M)? - Hvordan legger jeg tilbake den kuttede delen som en egen "storskadebelastning"? – Vis meg steg for steg hvordan denne beslutningen påvirker risikopremien.
4) Oversette resultatet til forretningsspråk:
Frekvensen min økte fra 0,13 til 0,15; Gjennomsnittlig vold økte fra 28 000 til 34 000 TL. Oppsummer dette i 4 setninger som en leder kan forstå: - Hva skjedde, hvilken komponent økte med hvor mye? – Hva er den totale effekten på risikopremien? - Skriv mulige årsaker og 2 antakelser som jeg må bekrefte.
Svak forespørsel / Sterk forespørsel
Svak melding:
Sett opp min tapsmodell og beregn premien.
Uklart: hvilke data, hvilken komponent, hvilken distribusjon, hvilken periode? AI fyller dette gapet med fabrikasjon.
Kraftig ledetekst:
Din rolle: aktuarmodelleringsassistent. Data (anonym, trafikkgren, 2024): eksponering 20 000 forsikringsår, antall skader 2 600, total skade 91 000 000 TL, de 5 største skadene totalt 12 000 000 TL. Oppgave: 1) Beregn frekvens og rå gjennomsnittlig alvorlighetsgrad, vis formelen. 2) De 5 største skadene Begrens den til 1 000 000 TL og beregn den justerte alvorlighetsgraden på nytt. 3) Sammenlign risikopremien med og uten tak, kommenter forskjellen. 4) Skriv hvert trinn med mellomtall slik at jeg kan bekrefte det manuelt. Bare bruk tallene jeg ga; Hvis det mangler, spør.
tre minisaker
Sak 1 – Separasjonskraften. En aktuar så tap/premie-forholdet i boligbransjen øke fra 68 prosent til 81 prosent på ett år. Før panikkprisøkningen ble foreslått, ble det gjort en forskjell mellom frekvens og alvorlighetsgrad: frekvensen var nesten konstant (0,041 → 0,043), men den gjennomsnittlige alvorlighetsgraden hadde hoppet fra 14 200 TL til 19 800 TL. Årsaken var inflasjon i byggekostnadene, ikke antall poliser eller risikable kunder. Riktig inngrep var å oppdatere dekningsbeløpene, ikke en blind premieøkning.
Tilfelle 2 - Outlier-felle. Gjennomsnittet på 1 800 skader i en bedriftsforsikringsportefølje var 42 000 TL. En enkelt brannskade på 6,4 millioner TL alene økte imidlertid dette gjennomsnittet med omtrent 3500 TL. Da denne store skaden ble modellert og begrenset som en egen "større skadebyrde", sank grunnalvorlighetsgraden til 38 500 TL og premien ble mer rettferdig. AI genererte raskt takkode og alternative tak; Aktuaren tok avgjørelsen.
Sak 3 — Feilfordeling. Uten tvil kjørte en assistent en AI-kode som valgte en normal (gaussisk) fordeling for alvorlighetsgrad. Fordi normalfordelingen tillot negative verdier og symmetri, passet den ikke til høyre skjeve skadedata; modellen overvurderte små skader og undervurderte store. Når Q-Q plot og AIC ble sammenlignet, så man at gamma passet mye bedre. Leksjon: Fordelingen foreslått av AI er alltid testet ved passformstesting.
Vanlige feil
- Kombinere frekvens og intensitet og forutsi med en enkelt modell. Den skjuler to forskjellige atferd; du mister sjåføren og hvorfor.
- Gjennomsnitt uten å eliminere ekstreme/store skader. Noen få gigantiske skader forvrenger hele bildet; premium er kunstig oppblåst.
- Bruk av gammel skade uten å bruke inflasjonstrend. 2019-skaden er ikke den samme som dagens pris; trendkorrigering er nødvendig.
- Tilpasse en normalfordeling til høyreskjeve data. Antakelsen om negativ verdi og symmetri er i strid med skadedata; Tenk gamma/lognormal.
- Ikke verifiserer distribusjonsvalget med passformstesting. AIs forslag er en start; Bekreft med Q-Q, K-S, AIC.
OBS: Cap (skjæring) nivå er ikke valgt vilkårlig. For lavt tak skjuler risikoen for store skader; for høyt tak gjør trim ubrukelig. Velg ved å se på porteføljens tidligere store tapserfaring og gjenforsikringsvilkår.
Oppsummert
Måten å nøyaktig estimere total skade er å dele den inn i frekvens (frekvens) og alvorlighetsgrad (mengde). Frekvens er modellert av Poisson/negativ binomial, intensitet etter gamma/lognormal; Risikopremien finner du ved å multiplisere de to. Rådata krever fjerning av uteliggere, trunkering og trendkorrigering. AI-distribusjonsdiskusjon er en utmerket assistent for kode og kommentarer; men utvelgelsen av distribusjon og takbeslutningen bekreftes av egnethetstester og aktuarmessige vurderinger.
Søknadsoppgave
Utarbeid en anonym skadesammendrag (eksponering, antall skader, total skade, topp 3-5 skader). Be AI om å beregne (a) den rå frekvens-alvorlighetsrisikopremien, (b) begrense store tap og beregne den justerte risikopremien. Verifiser de to resultatene for hånd, og noter med hvilken prosentsats som endrer risikopremien. Still så AI-spørsmålet "gamma eller lognormal for vold" og oppsummer sammenligningsrammen den gir med dine egne ord.
sjekkliste
- [ ] Har jeg beregnet frekvens og intensitet separat, eller så jeg på dem som ett stykke?
- [ ] Har jeg identifisert større/ekstrem skade og håndtert den separat?
- [ ] Har jeg brukt inflasjons-/trendjustering på gamle krav?
- [ ] Har jeg verifisert intensitetsfordelingen med en godhetstest?
- [ ] Har jeg uavhengig beregnet risikopremien på nytt (frekvens × alvorlighetsgrad)?
- [ ] Har jeg stilt spørsmål ved distribusjonen og grensenivået foreslått av AI og bekreftet det med dømmekraft?