Fitimet:
- Aftësia për të krijuar modelin linear të përgjithësuar (GLM), faktorin e rrezikut, tarifën dhe konceptet e primit të rrezikut me mbështetjen e inteligjencës artificiale dhe përkthimin e koeficientëve në gjuhën e biznesit
- Aftësia për të diskutuar ekuilibrin e përzgjedhjes së variablave, ndërveprimit, mbipërshtatjes dhe interpretueshmërisë së modeleve të mësimit të makinerive (GBM) me inteligjencën artificiale
- Të kuptuarit se modeli i çmimit është i lirë nga variabla të ndaluar/diskriminues dhe përputhja e tarifës përfundimtare me legjislacionin dhe konkurrencën i lihet aktuarit.
Çmimi i policës së sigurimit nuk përcaktohet rastësisht. Rreziku i një aksidenti trafiku për një shofer 22-vjeçar, të sapolicensuar që jeton në një qytet të madh, është statistikisht më i lartë se ai i një shoferi 45-vjeçar me 20 vjet përvojë; Në një sistem të drejtë, primet duhet të jenë gjithashtu të ndryshme. Puna e aktuarit për të matur këtë diferencë dhe për ta pasqyruar atë në çmim quhet klasifikimi i çmimeve dhe rrezikut. Në këtë njësi, ne do të diskutojmë modelin linear të përgjithësuar (GLM), shtyllën kurrizore aktuariale të çmimeve dhe alternativat e tij të mësimit të makinerive, dhe do të shohim se si të përdorim në mënyrë të sigurt AI në këtë proces.
Disa terma bazë. Faktori i rrezikut është variabli që ndikon në rrezik dhe përdoret në çmimet (mosha, mosha e automjetit, rajoni, përdorimi i synuar). Tarifa është një grup rregullash që përcaktojnë se si do të llogaritet primi sipas faktorëve të rrezikut. Primi i rrezikut është kosto e pastër e humbjes së pritshme; Kur shtohen shpenzimet, komisionet, marzhet e fitimit dhe kostot kapitale, formohet primi tregtar (çmimi i shitjes). Të kujtojmë që në fillim: AI sugjeron variabla, ndërton modele, shpjegon koeficientët; Por cili variabël është ligjor dhe etik dhe nëse tarifa përfundimtare përputhet me legjislacionin dhe konkurrencën i përket aktuarit dhe njësisë së pajtueshmërisë.
Pse GLM është standardi në aktuari
Metoda më e përdorur në çmim është GLM. GLM qëndron për "model linear i përgjithësuar": ai zgjeron regresionin linear klasik për t'iu përshtatur objektivave të shpërndara jo normalisht, siç janë të dhënat e dëmtimit. Ai ka dy komponentë bazë. Familja e shpërndarjes: Poisson zgjidhet për frekuencë, gama zgjidhet për intensitet (logjika në njësinë 2). Funksioni i lidhjes (lidhja): zakonisht logaritmike, e cila lejon që faktorët të kenë një efekt shumëzues. Struktura shumëfishuese është shumë e vlefshme në aktuariale, sepse pikërisht kështu është vendosur tarifa: primi bazë × faktori i moshës × faktori rajonal × faktori i automjetit.
Avantazhi më i madh i GLM është interpretueshmëria. Një koeficient ju tregon drejtpërdrejt: "grupi i shoferëve të rinj rrit frekuencën me 1.6 herë në krahasim me grupin e referencës". Kjo transparencë është kritike në tre mënyra: (1) rregullatori dhe auditimi i brendshëm mund të kuptojnë dhe miratojnë modelin; (2) është i dukshëm një efekt i ndaluar/diskriminues; (3) logjika e çmimeve mund t'i shpjegohet ekipit të shitjeve dhe menaxhimit. Modelet më komplekse të mësimit të makinerive (më poshtë) ndonjëherë japin saktësi më të lartë, por në kurriz të transparencës.
Këshillë: Koeficienti GLM është në shkallë log. Kërkoni nga AI që të konvertojë koeficientin në një "faktor shumëzues" me exp(koeficient); Do të ishte shumë më e lehtë të përkthehej në gjuhën e biznesit (p.sh. koeficienti 0,47 → faktori ≈ 1,60 → “60% më i rrezikshëm”).
Zgjedhja e ndryshueshme, përshtatja e tepërt dhe mësimi i makinerive
Vendimi më kritik në çmim është se cilat variabla do të mbeten në model. Ka dy kurthe. Pak variabla e verbërojnë modelin: nëse humbet shtytësi i rëndësishëm i rrezikut, çmimi do të jetë i gabuar. Shumë e ndryshueshme / përshtatja e tepërt e bën modelin të mësojë përmendësh të dhënat e kaluara: modeli gabon zhurmën për sinjal dhe dështon me politikat e reja. Bilanci vendoset përmes verifikimit të kryqëzuar - ndarja e të dhënave në pjesë trajnimi dhe testimi dhe testimi i tyre në të dhëna që modeli nuk i sheh, thjeshtësisë dhe arsyetimit aktuarial.
Ndërveprimi është gjithashtu i rëndësishëm: ndonjëherë efekti i kombinuar i dy faktorëve ndryshon nga shuma e efekteve të tyre të veçanta (një automjet i ri + sportiv mund të jetë më i rrezikshëm se shuma e efekteve të tyre individuale). Në GLM, ndërveprimet shtohen në mënyrë eksplicite.
Në vitet e fundit, modele të tilla si GBM (makinë për rritjen e gradientit - një metodë e fuqishme e mësimit të makinerive që kombinon shumë pemë të vogla vendimesh) janë bërë të zakonshme në çmime. Këto automatikisht kapin modele dhe ndërveprime komplekse, shpesh duke dhënë parashikime më të sakta se GLM. Por kjo ka një çmim: tendenca për të qenë një "kuti e zezë". Praktika e zakonshme sot është përdorimi i GBM për zbulim dhe gjenerim idesh dhe GLM për tarifën përfundimtare transparente; ose interpretimi i daljes GBM me mjete shpjegueshmërie si SHAP.
Tabela e mëposhtme krahason dy qasjet:
kriteri
GLM
GBM (mësimi me makinë)
Interpretueshmëria
I lartë (koeficienti aktiv)
E ulët (kërkon mjet shënimi)
Kapja e ndërveprimit
Shtuar me dorë
automatike
Rreziku i përshtatjes së tepërt
të ulët-mesatare
E lartë (kërkohet rregullim i kujdesshëm)
Miratimi nga rregullatori/auditi
lehtë
E vështirë, kërkon dokumentacion shtesë
Përdorimi tipik
tarifa përfundimtare
zbulim, krahasim
Si të përdorni AI në çmim
1) Përkthimi i koeficientit GLM në gjuhën e biznesit:
Kam vendosur një GLM të frekuencës (Poisson, lidhje log). Disa koeficientë (shkalla log): grup_moshë_18_25: 0,47 ; rajoni_shumicë: 0,22 ; arac_yasi_10plus: -0.15. Shndërroni secilin në një faktor shumëzues me exp() dhe shpjegoni atë me një fjali që një menaxher mund ta kuptojë. Gjithashtu kujtoni se cili është grupi i referencës.
2) Diskutim për variabël/ndërveprim:
Roli juaj: asistent i çmimeve. Variablat e mi kandidatë për modelin e frekuencës së trafikut janë: mosha, gjinia, rajoni, mosha e automjetit, fuqia e motorit, km vjetore, profesioni. - Cilat variabla mund të jenë të rrezikshëm nga një këndvështrim rregullator/etik (p.sh. diskriminimi indirekt)? - Cilat ndërveprime dypalëshe do të kishin kuptim të provoheshin? - Çfarë hapash verifikimi duhet të ndjek për të shmangur mbipërshtatjen? Vendimmarrja; Më jep kornizën për kontroll dhe diskutim.
3) Kodi i kontrollit të mbipërshtatjes:
Shkruani kodin e komentuar që vlerëson një GLM me verifikim të kryqëzuar në k-fish duke përdorur Python + scikit-learn / statsmodels. Përdorni devijimin Poisson si metrikë. Krahasoni rezultatet e trajnimit dhe testit dhe shpjegoni në rreshtin e komenteve se si të lexoni shenjën e mbipërshtatjes. Biblioteka është e rreme.
4) Ekzaminimi i variablave të diskriminimit/zëvendësues:
'Kodi postar' doli të ishte një variabël i fortë në modelin tim të çmimeve. Shpjegoni rrezikun që kjo në mënyrë indirekte të përfaqësojë një karakteristikë të ndaluar (p.sh. përkatësinë etnike, të ardhurat) si një variabël përfaqësues. - Çfarë analize duhet të bëj për të testuar këtë rrezik? - Çfarë alternativa ka për të ulur rrezikun? Ofrimi i këshillave juridike; të hartojë një kuadër teknik dhe etik.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Vendosni modelin më të mirë të çmimit për sigurimin e trafikut.
"Më e mira" është e papërcaktuar; Pa të dhëna, pa kufizime, pa legjislacion. AI jep një përgjigje të përgjithshme, të pazbatueshme.
Njoftim i fuqishëm:
Roli juaj: asistent i aktuarit të çmimeve. Konteksti: Unë jam duke ndërtuar një model të frekuencës së degës së trafikut, GLM (Poisson, lidhje log). Variablat që kam: grupmosha, mosha e automjetit, rajoni (provinca), km vjetore, përdorimi i synuar. Kufizimi: gjinia nuk mund të përdoret nga legjislacioni; Më duhet të shmang diskriminimin indirekt. Detyra:1) Sugjeroni specifikimin fillestar të modelit me këto variabla (përfshirë grupet e referencës).2) Jepni arsyet për 2 ndërveprime që duhet të provoj.3) Jepni listën e hapave për të kontrolluar mbipërshtatjen.4) Shto një vëmendje të veçantë për 'rajonin' për sa i përket diskriminimit indirekt. Unë do të marr vendimin; Ju jepni kornizën dhe arsyetimin.
tre mini kuti
Rasti 1 — Vlera e transparencës. Një kompani i paraqiti rregullatorit një model çmimi shumë të saktë që ndërtoi me GBM, por nuk mundi të shpjegonte koeficientët; miratimi i vonuar. Aktuari ndërtoi një GLM që kapte të njëjtat sinjale; Saktësia ra me 2 për qind, por për shkak se çdo faktor mund të llogaritet, modeli u vërtetua brenda një muaji. GBM u ruajt për zbulim, GLM u bë tarifë. YZ prodhoi shpejt kodin dhe përshkrimin e rregullatorit duke krahasuar performancën e dy modeleve.
Rasti 2 - Kurthi i tejpërshtatjes. Një ndihmës mori një rezultat të përsosur në të dhënat e trajnimit kur shtoi më shumë se 40 variabla dhe ndërveprime të shumta në model. Por pas verifikimit të kryqëzuar, rezultati i testit u rrëzua: modeli e kishte mësuar përmendësh zhurmën. Performanca e botës reale u rrit kur numri i variablave u reduktua në 12 dhe u thjeshtua. Mësimi: shikoni rezultatin e të dhënave të paprecedentë, jo rezultatin e trajnimit.
Rasti 3 — Diskriminimi indirekt. Në një model, variabli "lagje" shpjegoi fuqimisht premiumin. Analiza tregoi se ky variabël në masë të madhe mbivendosej me përqendrimin etnik, d.m.th., ishte një përafrim për një karakteristikë të ndaluar. Aktuari e zëvendësoi këtë variabël me tregues më neutral të rrezikut (lloji i rrugës, gjendja e parkimit); si rreziqet etike ashtu edhe ato ligjore janë ulur. UA prodhoi analiza korrelacioni që mat mbivendosjen dhe sugjerimet alternative të variablave; Aktuari dhe njësia e pajtueshmërisë mori vendimin.
Gabimet e zakonshme
- Bërja e modelit të painterpretueshëm recetën më të mirë. Një çmim që nuk mund t'i shpjegohet rregullatorit, auditimit dhe klientit është i paqëndrueshëm; Transparenca është thelbësore.
- Duke u mbështetur në rezultatin e arsimit. Mbipërshtatja zbulohet vetëm në të dhëna të padukshme (vleftësim i kryqëzuar).
- Përdorimi i variablave të ndaluar/zëvendësues pa kontroll. Variablat si kodi postar dhe profesioni mund të bartin diskriminim indirekt; Sigurohuni që ta provoni.
- Ngatërrimi i primit të rrezikut me primin komercial. Kostoja e pastër e dëmit nuk është vetëm çmimi i shitjes; shtohen shpenzimet, fitimi dhe kostoja e kapitalit.
- Lënia e koeficientit në një shkallë log dhe keqinterpretimi i tij. Komentimi pa e konvertuar atë në një faktor shumëzues me exp() do të shkaktojë një gabim.
Kujdes: Rekomandimi i AI për modelin që "jap saktësinë më të mirë" nuk është automatikisht modeli që "duhet të përdoret". Transparenca, drejtësia dhe pajtueshmëria me legjislacionin janë kritere të detyrueshme si dhe saktësia në çmimet aktuariale.
Në përmbledhje
Çmimi është procesi i matjes së rrezikut me faktorë rreziku dhe i konvertimit të tij në një prim të drejtë. GLM është standardi i çmimit aktuarial me strukturën e tij shumëfishuese dhe të interpretueshme; Koeficientët konvertohen në faktorë me exp(). Modelet e mësimit të makinerisë si GBM mund të jenë më të sakta, por ato reduktojnë transparencën dhe zakonisht përdoren për zbulim. Përzgjedhja e variablave duhet të mbrohet kundër përshtatjes së tepërt me anë të verifikimit të kryqëzuar dhe diskriminimi indirekt (ndryshorja zëvendësuese) duhet të kontrollohet me kujdes. AI ndërton modelin, shkruan kodin dhe shpjegon koeficientin; Por përputhshmëria juridiko-etike dhe tarifa përfundimtare i përkasin aktuarit dhe njësisë së pajtueshmërisë.
Detyra e aplikimit
Rendisni 5-6 faktorë rreziku për një diplomë. Kërkoni nga AI për (a) një specifikim fillestar të GLM me këta faktorë, (b) 2 ndërveprime për të provuar dhe arsyetimin e tyre, (c) një shqyrtim të variablave që mund të jenë në rrezik për diskriminim indirekt. Më pas, jepni një shembull të 3 koeficientëve log, kërkoni nga AI që ta shndërrojë atë në një faktor shumëzues me exp() dhe ta transferojë atë në gjuhën e biznesit dhe të verifikojë faktorët me dorë.
listë kontrolli
- [ ] A mund të interpretohet modeli im; A mund ta përkthej ndikimin e secilit faktor në gjuhën e biznesit?
- [ ] A kam kontrolluar për mbipërshtatje me anë të verifikimit të kryqëzuar?
- [ ] A kam skanuar për diskriminim indirekt për variablat e ndaluar dhe proxy?
- [ ] A e kam ndarë me vetëdije primin e rrezikut nga primi komercial?
- [ ] A i konvertova koeficientët në shumëzues me exp() dhe i interpretova saktë?
- [ ] A e kam marrë vendimin përfundimtar të tarifës së bashku me legjislacionin dhe njësinë e pajtueshmërisë?