Добици:
- Способност успостављања генерализованог линеарног модела (ГЛМ), фактора ризика, тарифа и концепта премије ризика уз подршку вештачке интелигенције и превођење коефицијената на пословни језик
- Способност да се разговара о равнотежи избора варијабли, интеракције, прекомерног прилагођавања и интерпретабилности модела машинског учења (ГБМ) са вештачком интелигенцијом
- Бити у стању да разуме да модел одређивања цена не садржи забрањене/дискриминаторне варијабле и да је усклађеност коначне тарифе са законодавством и конкуренцијом препуштено актуару.
Цена полисе осигурања се не одређује случајно. Ризик од саобраћајне несреће за 22-годишњег, тек лиценцираног возача који живи у великом граду је статистички већи него код 45-годишњег возача са 20 година искуства; У фер систему, премије би такође требале бити другачије. Посао актуара да измери ову разлику и одрази је на цену назива се класификација цена и ризика. У овој јединици ћемо разговарати о генерализованом линеарном моделу (ГЛМ), актуарској окосници одређивања цена и његовим алтернативама за машинско учење, и видети како безбедно користити АИ у овом процесу.
Неколико основних појмова. Фактор ризика је варијабла која утиче на ризик и користи се у одређивању цена (старост, старост возила, регион, предвиђена употреба). Тарифа је скуп правила која одређују како ће се премија обрачунавати према факторима ризика. Премија ризика је чист трошак очекиваног губитка; Када се додају трошкови, провизије, профитне марже и капитални трошкови, формира се комерцијална премија (продајна цена). Подсетимо од почетка: АИ предлаже варијабле, гради моделе, објашњава коефицијенте; Али која варијабла је законска и етичка и да ли је коначна тарифа у складу са законодавством и конкуренцијом припада актуару и јединици за усклађеност.
Зашто је ГЛМ стандард у актуарству
Најчешћи метод одређивања цена је ГЛМ. ГЛМ је скраћеница за „генерализовани линеарни модел“: проширује класичну линеарну регресију како би се уклопила у ненормално распоређене циљеве, као што су подаци о штети. Има две основне компоненте. Породица дистрибуције: Поиссон је изабран за фреквенцију, гама је изабран за интензитет (логика у јединици 2). Функција везе (линк): обично логаритамска, што омогућава факторима да имају мултипликативни ефекат. Мултипликативна структура је веома драгоцена у актуарству јер је управо тако постављена тарифа: основна премија × фактор старости × фактор региона × фактор возила.
Највећа предност ГЛМ-а је интерпретабилност. Коефицијент вам директно говори: „група младих возача повећава фреквенцију за 1,6 пута у поређењу са референтном групом“. Ова транспарентност је критична на три начина: (1) регулатор и интерна ревизија могу да разумеју и одобре модел; (2) видљив је забрањени/дискриминаторни ефекат; (3) логика цена може се објаснити продајном и менаџерском тиму. Сложенији модели машинског учења (испод) понекад дају већу прецизност, али на рачун транспарентности.
Савет: ГЛМ коефицијент је на лог скали. Замолите АИ да претвори коефицијент у "фактор множења" са екп(коефицијент); Било би много лакше превести на пословни језик (нпр. коефицијент 0,47 → фактор ≈ 1,60 → „60% ризичније“).
Променљива селекција, прекомерно прилагођавање и машинско учење
Најкритичнија одлука у одређивању цена је које ће варијабле остати у моделу. Постоје две замке. Неколико варијабли заслепљује модел: ако се пропусти важан покретач ризика, цена ће бити погрешна. Превише варијабилно/претерано прилагођавање чини да модел памти прошле податке: модел греши у буци за сигнал и не успева са новим смерницама. Равнотежа се успоставља унакрсном валидацијом — дељењем података на тренинг и тестне делове и тестирањем на подацима које модел не види, једноставношћу и актуарским резоновањем.
Интеракција је такође важна: понекад се комбиновани ефекат два фактора разликује од збира њихових одвојених ефеката (младо + спортско возило може бити ризичније од збира њихових појединачних ефеката). У ГЛМ, интеракције се експлицитно додају.
Последњих година, модели као што је ГБМ (машина за подизање градијента — моћна метода машинског учења која комбинује много малих стабала одлучивања) постали су уобичајени у ценама. Они аутоматски хватају сложене обрасце и интеракције, често дајући прецизнија предвиђања од ГЛМ-а. Али то има своју цену: склоност да будете „црна кутија”. Уобичајена пракса данас је да се користи ГБМ за откривање и генерисање идеја и ГЛМ за коначну транспарентну тарифу; или тумачење ГБМ излаза помоћу алата за објашњење као што је СХАП.
Следећа табела пореди два приступа:
критеријум
ГЛМ
ГБМ (машинско учење)
Интерпретабилност
Висок (коефицијент укључен)
Ниско (захтева алатку за напомене)
Интерацтион цаптуре
Додато ручно
аутоматски
Ризик од преоптерећења
ниско-средње
Висока (потребно је пажљиво подешавање)
Одобрење регулатора/ревизије
лако
Тешко, захтева додатну документацију
Типична употреба
коначна тарифа
откриће, поређење
Како користити АИ у одређивању цена
1) Превођење ГЛМ коефицијента на пословни језик:
Поставио сам фреквенцију ГЛМ (Поиссон, дневник линк). Неки коефицијенти (лог скала): старосна група_18_25: 0,47 ; регион_мајорити: 0,22 ; арац_иаси_10плус: -0,15. Претворите сваки у фактор множења помоћу екп() и објасните га у једној реченици коју менаџер може да разуме. Такође подсетите шта је референтна група.
2) Дискусија о променљивој/интеракцији:
Ваша улога: помоћник за одређивање цена. Моје кандидатске варијабле за модел фреквенције саобраћаја су: старост, пол, регион, старост возила, снага мотора, годишњи км, професија. - Које варијабле могу бити ризичне из регулаторне/етичке перспективе (нпр. индиректна дискриминација)? - Које билатералне интеракције би имало смисла покушати? – Које кораке за верификацију треба да следим да бих избегао претерано уградњу? Доношење одлука; Дајте ми оквир за контролу и дискусију.
3) Контролни код прекомерне опреме:
Напишите коментарисани код који процењује ГЛМ са к-фолд унакрсном провером користећи Питхон + сцикит-леарн / статсмоделс. Користите Поиссонову девијацију као метрику. Упоредите резултате тренинга и теста и објасните у реду за коментаре како да прочитате знак преоптерећења. Библиотека је лажна.
4) Скрининг дискриминације/сурогат варијабли:
Показало се да је „Поштански број“ јака варијабла у мом моделу одређивања цена. Објасните ризик да ово индиректно представља забрањену карактеристику (нпр. етничку припадност, приход) као замјенску варијаблу. - Коју анализу треба да урадим да тестирам овај ризик? - Које алтернативе постоје за смањење ризика? Пружање правних савета; нацртати технички и етички оквир.
Слаби промпт / Јаки промпт
Слабо обавештење:
Успоставите најбољи модел цена за осигурање саобраћаја.
„Најбољи“ је недефинисан; Нема података, нема ограничења, нема закона. АИ даје генерички, неприменљив одговор.
Снажан упит:
Ваша улога: помоћник актуара за цене. Контекст: Градим модел фреквенције гране саобраћаја, ГЛМ (Поиссон, лог линк). Променљиве које имам: старосна група, старост возила, регион (покрајина), годишњи км, наменска употреба. Ограничење: род се не може користити у законодавству; Морам да избегнем индиректну дискриминацију.Задатак:1) Предложите почетну спецификацију модела са овим варијаблама (укључујући референтне групе).2) Наведите разлоге за 2 интеракције које треба да покушам.3) Дајте листу корака за проверу претераног прилагођавања.4) Додајте посебну напомену за 'регион' у смислу индиректне дискриминације.Ја ћу донети одлуку; Ви дајете оквир и оправдање.
три мини кофера
Случај 1 — Вредност транспарентности. Једна компанија је регулатору представила веома тачан модел одређивања цена који је изградила са ГБМ-ом, али није могла да објасни коефицијенте; одобрење је одложено. Актуар је конструисао ГЛМ који је ухватио исте сигнале; Тачност је опала за 2 процента, али пошто се сваки фактор могао узети у обзир, модел је валидиран у року од месец дана. ГБМ је сачуван за извиђање, ГЛМ је постао тарифни. ИЗ је брзо направио шифру и опис регулатора упоређујући перформансе два модела.
Случај 2 — Замка прекомерног прилагођавања. Помоћник је добио савршен резултат на подацима о обуци када је моделу додао више од 40 варијабли и бројне интеракције. Али при унакрсној валидацији, резултат теста је пао: модел је запамтио буку. Перформансе у стварном свету су се повећале када је број варијабли смањен на 12 и поједностављен. Лекција: погледајте невиђени резултат података, а не резултат тренинга.
Случај 3 — Индиректна дискриминација. У једном моделу, варијабла "суседство" јасно је објаснила премију. Анализа је показала да се ова варијабла у великој мери преклапа са етничком концентрацијом, односно представља замену за забрањену карактеристику. Актуар је ову варијаблу заменио неутралнијим индикаторима ризика (тип пута, стање паркинга); смањени су и етички и правни ризици. АИ је произвела анализу корелације која мери преклапање и предлоге алтернативних варијабли; Одлуку је донео актуар и јединица за усклађеност.
Уобичајене грешке
- Претварање неразумљивог модела у врхунски рецепт. Цена која се не може објаснити регулатору, ревизији и купцу је неодржива; Транспарентност је неопходна.
- Ослањајући се на резултат образовања. Претеривање се открива само у невидљивим подацима (унакрсна провера).
- Коришћење забрањених/сурогатних променљивих без провере. Променљиве као што су поштански број и занимање могу да носе индиректну дискриминацију; Обавезно га тестирајте.
- Бркање премије ризика са комерцијалном премијом. Чиста штета сама по себи није продајна цена; додају се трошак, добит и цена капитала.
- Остављајући коефицијент на лог скали и погрешно га тумачећи. Коментарисање без конвертовања у фактор множења помоћу екп() ће изазвати грешку.
Опрез: АИ препорука модела који „даје најбољу тачност“ није аутоматски модел који „треба да се користи“. Транспарентност, правичност и усклађеност са законима су обавезни критеријуми, као и тачност у актуарским ценама.
Укратко
Одређивање цена је процес мерења ризика са факторима ризика и претварања у фер премију. ГЛМ је стандард актуарског одређивања цена са својом мултипликативном и интерпретабилном структуром; Коефицијенти се претварају у факторе помоћу екп(). Модели машинског учења као што је ГБМ могу бити тачнији, али смањују транспарентност и обично се користе за откривање. Одабир варијабли треба да буде заштићен од претеривања унакрсном валидацијом, а индиректну дискриминацију (сурогат варијабла) треба пажљиво контролисати. АИ гради модел, пише код и објашњава коефицијент; Али правно-етичка усклађеност и коначна тарифа припадају актуару и јединици за усклађеност.
Задатак апликације
Наведите 5-6 фактора ризика за велики. Затражите од АИ (а) почетну спецификацију ГЛМ-а са овим факторима, (б) 2 интеракције које треба покушати и њихово образложење, (ц) скрининг варијабли које би могле бити изложене ризику од индиректне дискриминације. Затим, дајте пример 3 лог-коефицијента, замолите АИ да га конвертује у фактор множења помоћу екп() и пренесе га на пословни језик и ручно провери факторе.
контролна листа
- [ ] Може ли се мој модел протумачити; Могу ли да преведем утицај сваког фактора на пословни језик?
- [ ] Да ли сам унакрсном провером проверио да ли постоји превелика опрема?
- [ ] Да ли сам скенирао за индиректну дискриминацију за забрањене и проки променљиве?
- [ ] Да ли сам свесно одвојио премију ризика од комерцијалне премије?
- [ ] Да ли сам конвертовао коефицијенте у множитеље помоћу екп() и да ли сам их исправно протумачио?
- [ ] Да ли сам донео коначну одлуку о тарифи заједно са јединицом за законодавство и усклађеност?