Vinster:
- Kunna fastställa och tolka distinktionen mellan skadefrekvens och skademängd (allvarlighet), lämpliga fördelningar (Poisson, negativ binomial, gamma) och sammansatt modelllogik med stöd av artificiell intelligens.
- Sortera ut extremt stora förluster (outliers/stora förluster), datatak och trend/utvecklingskorrigeringar till artificiell intelligens med rätt frågor och data.
- Förmåga att förstå att distributionsurvalet och parametrarna som produceras av artificiell intelligens bör bekräftas av godhetstester och försäkringstekniska resonemang.
Den mest grundläggande frågan för ett försäkringsbolag är: "Hur mycket skada kommer vi att betala för denna försäkringsgrupp nästa år?" Att svara rätt på denna fråga är en förutsättning för att både sätta premien rätt och tilldela tillräckliga reserver. Aktuarier svarar på denna fråga genom att dela upp den i två; eftersom det är mycket mer exakt att modellera två separata beteenden separat istället för att uppskatta den totala skadan i ett stycke. Dessa två delar är frekvens och intensitet.
Frekvens (skadefrekvens) är hur många skador som inträffar per given exponering; Till exempel 100 fordon - 8 olyckor per år. Allvarlighet är det genomsnittliga beloppet för varje skada som uppstått; till exempel 30 000 TL per olycka. Att multiplicera de två ger riskpremien: förväntad skadekostnad per exponering (0,08 × 30 000 = 2 400 USD). I den här enheten kommer vi steg för steg att se hur man använder AI för att fastställa denna distinktion, välja rätt sannolikhetsfördelning och hantera extremvärden. Låt oss påminna från början: AI föreslår distributioner och skriver kod, men det är upp till aktuarien att bekräfta valet av distribution genom godhetstester och bedömningar.
Varför modelleras frekvens och intensitet separat?
Frekvens och intensitet visar olika statistiskt beteende. Antalet anspråk är en räknevariabel (0, 1, 2, 3...) och modelleras vanligtvis med en Poisson-fördelning eller en negativ binomialfördelning om det finns överdispersion (varians > medelvärde). Poisson är den klassiska distributionen som modellerar antalet sällsynta och oberoende händelser. Skadebeloppet är en fortlöpande och höger-sned variabel: de flesta skador är små, ett fåtal skador är mycket stora. Därför modelleras svårighetsgraden ofta med en gamma- eller lognormalfördelning; det är positiva och höger-snedfördelningar.
Att modellera de två separat har tre konkreta fördelar. Först kan du se att var och en har sina egna förare (riskfaktorer): ung förare ökar frekvensen, dyrt fordon ökar våldet. För det andra, när uppgifterna ändras, kan du diagnostisera varför: har skadekostnaden eller antalet anspråk ökat? För det tredje kan man bara betrakta extremt stora förluster separat på våldssidan. Kombinationen av dessa två kallas en sammansatt modell; förväntad total skada = förväntad frekvens × förväntad svårighetsgrad.
Tips: Meningen "Vårt förlust/premieförhållande har ökat" säger ingenting i sig. Separera frågan om frekvensen eller intensiteten ökade; intervention (pris, täckning, skadehantering) skulle vara helt annorlunda.
Outliers, trunkering och trendkorrigeringar
Skadedata i sin råa form är inte redo för modellbyggande. Tre korrigeringar krävs nästan alltid. Den första är extrem/stor skadesortering: några få jätteskador (t.ex. en fabriksbrand) snedvrider genomsnittet; dessa modelleras som en separat "stor skadelast". Det andra är ett tak: att fixera mycket stora skador på ett visst tak (till exempel 1 000 000 TL) och att beräkna överdelen separat gör modellen stabil. För det tredje, trend- och utvecklingskorrigering: tidigare fordringar bör uppdateras med inflationen till dagens prisnivå (trend), och fordringar som ännu inte är helt betalda bör föras till sin slutliga nivå (utveckling — vi kommer att täcka detta ämne i enhet 3).
Följande tabell jämför egenskaperna för de två komponenterna:
funktion
Frekvens (frekvens)
Våld (mängd)
Variabel typ
Räkna (0,1,2...)
konstant, positiv
Typisk fördelning
Poisson, negativ binomial
Gamma, lognormal
Exempel på mästare
Ålder, erfarenhet, region, användning
Fordonsvärde, täckningsgräns, reparationskostnad
Outlier problem
låg
Hög (stora skador)
Inflationseffekt
svag
stark
Hur man använder AI i skademodellering
Där AI är starkast är att diskutera distributionsvalet, skriva koden och tolka resultatet. Nedan finns fyra kopierbara mallar.
1) Diskutera distributionsval:
Din roll: försäkringsteknisk modellassistent. Jag har data om försäkringskrav AMOUNT (anonymt, 1 600 anspråk). Sammanfattning: medelvärde 30 300 TL, median 12 500 TL, max 940 000 TL, skevhet är hög. Fråga: skulle gamma eller lognormal vara mer lämpliga för svårighetsgradsmodellen? Vad är antagandet för varje, plus/minus och med vilket godhetstest (t.ex. Förklara att jag kommer att fatta ett beslut (Q-Q diagram, K-S test, AIC). Att fatta ett definitivt beslut; Ge mig en jämförelseram.
2) Beräkningskod för frekvensintensitet:
Skriv en kommenterad kod med Python + pandas som gör följande steg: 1) Det finns kolumner 'exponering', 'claim_count', 'claim_amount' i df. 2) Allmän frekvens = totalt antal skadeanspråk / total exponering. 3) Genomsnittlig svårighetsgrad = totalt anspråksbelopp / totalt antal anspråk. 4) Riskpremie = frekvens × svårighetsgrad. 5) Skriv ut varje mellanresultat på skärmen så att jag kan verifiera det manuellt. Biblioteksinredning; använd bara pandor.
3) Extremvärde / cutoff-analys:
Jag har en anonym distribution av skadebelopp. Fordringar som 950 000, 720 000, 610 000 TL utgör 22 % av det totala beloppet. Berätta för mig om din strategi med tak: - Vilka takalternativ är rimliga (t.ex. 500K, 750K, 1M)? - Hur lägger jag tillbaka den avskurna delen som en separat "stor skadebelastning"? – Visa mig steg för steg hur det här beslutet påverkar riskpremien.
4) Översätta resultatet till affärsspråk:
Min frekvens ökade från 0,13 till 0,15; Det genomsnittliga våldet ökade från 28 000 till 34 000 TL. Sammanfatta detta i 4 meningar som en chef kan förstå: - Vad hände, vilken komponent ökade med hur mycket? - Vilken är den totala effekten på riskpremien? - Skriv de möjliga orsakerna och 2 antaganden som jag behöver verifiera.
Svag prompt / Stark prompt
Svag uppmaning:
Sätt upp min förlustmodell och beräkna premien.
Oklart: vilken data, vilken komponent, vilken distribution, vilken period? AI fyller detta tomrum med tillverkning.
Kraftfull uppmaning:
Din roll: försäkringsteknisk modellassistent. Data (anonym, trafikgren, 2024): exponering 20 000 försäkringsår, antal skador 2 600, total skada 91 000 000 TL, de 5 största skadorna totalt 12 000 000 TL. Uppgift: 1) Beräkna frekvensen och den råa genomsnittliga svårighetsgraden, visa formeln. 2) De 5 största skadorna Begränsa den till 1 000 000 TL och beräkna den justerade svårighetsgraden igen. 3) Jämför riskpremien med och utan tak, kommentera skillnaden. 4) Skriv varje steg med mellansiffror så att jag kan verifiera det manuellt. Använd bara siffrorna jag gav; Om det saknas, fråga.
tre minifodral
Fall 1 – Separationskraften. En aktuarie såg förlust/premiekvoten inom bostadsbranschen öka från 68 procent till 81 procent på ett år. Innan panikprishöjningen föreslogs gjordes en skillnad mellan frekvens och svårighetsgrad: frekvensen var nästan konstant (0,041 → 0,043), men den genomsnittliga svårighetsgraden hade hoppat från 14 200 TL till 19 800 TL. Anledningen var byggkostnadsinflation, inte antalet försäkringar eller riskabla kunder. Det korrekta ingreppet var att uppdatera täckningsbeloppen, inte en blind premiehöjning.
Fall 2 — Outlier-fälla. Genomsnittet av 1 800 skadefall i en företagsförsäkringsportfölj var 42 000 TL. En enda brandskada på 6,4 miljoner TL ökade dock detta genomsnitt med cirka 3 500 TL. När denna stora skada modellerades och begränsades som en separat "stor skadebörda", minskade grundallvarligheten till 38 500 TL och premien blev mer rättvis. AI genererade snabbt takkod och alternativa tak; Aktuarien fattade beslutet.
Fall 3 — Felfördelning. Utan tvekan körde en assistent en AI-kod som valde en normal (gaussisk) fördelning för svårighetsgrad. Eftersom normalfördelningen möjliggjorde negativa värden och symmetri, passade den inte in rätt skeva skadedata; modellen överskattade små skador och underskattade stora. När Q-Q plot och AIC jämfördes såg man att gamma passade mycket bättre. Lektion: Fördelningen som föreslås av AI testas alltid genom passformstestning.
Vanliga misstag
- Kombinera frekvens och intensitet och förutsäga med en enda modell. Det döljer två olika beteenden; du tappar föraren och varför.
- Genomsnittsberäkning utan att eliminera extrema/stora skador. Några få jätteskador förvränger hela bilden; premium är artificiellt uppblåst.
- Använda gamla skador utan att tillämpa inflationstrenden. Skadan 2019 är inte densamma som dagens pris; trendkorrigering är nödvändig.
- Anpassa en normalfördelning till höger-skev data. Antagandet om negativt värde och symmetri strider mot skadedata; Tänk gamma/lognormalt.
- Verifierar inte distributionsvalet med passningstestning. AI:s förslag är en början; Bekräfta med Q-Q, K-S, AIC.
OBS: Kapslingsnivån är inte vald godtyckligt. För lågt tak döljer risken för stora skador; för högt i tak gör trimningen värdelös. Välj genom att titta på portföljens tidigare erfarenhet av stora förluster och återförsäkringsvillkor.
Sammanfattningsvis
Sättet att exakt uppskatta den totala skadan är att dela upp den i frekvens (frekvens) och svårighetsgrad (mängd). Frekvensen modelleras av Poisson/negativ binomial, intensitet av gamma/lognormal; Riskpremien hittas genom att multiplicera de två. Rådata kräver borttagning av extremvärden, trunkering och trendkorrigering. AI-distributionsdiskussion är en utmärkt assistent för kod och kommentarer; men valet av distribution och beslutet om tak bekräftas av anpassningstester och försäkringstekniska bedömningar.
Applikationsuppgift
Förbered en anonym skadesammanfattning (exponering, antal skadestånd, total skada, topp 3-5 skadestånd). Be AI att beräkna (a) den råa frekvens-allvarlighetsriskpremien, (b) begränsa stora förluster och beräkna den justerade riskpremien. Verifiera de två resultaten för hand och notera med vilken procentsats som ändrar riskpremien. Ställ sedan AI:n frågan "gamma eller lognormalt för våld" och sammanfatta jämförelseramen den ger med dina egna ord.
checklista
- [ ] Beräknade jag frekvens och intensitet separat, eller såg jag dem som ett stycke?
- [ ] Har jag identifierat större/extrem skada och hanterat den separat?
- [ ] Har jag tillämpat inflation/trendjustering på gamla anspråk?
- [ ] Har jag verifierat intensitetsfördelningen med ett passformstest?
- [ ] Har jag självständigt räknat om riskpremien (frekvens × svårighetsgrad)?
- [ ] Ifrågasatte jag distributions- och taknivån som föreslagits av AI och bekräftade det med omdöme?