กำไร:
- ความสามารถในการสร้างโมเดลเชิงเส้นทั่วไป (GLM) ปัจจัยเสี่ยง ภาษี และแนวคิดพรีเมียมความเสี่ยง ด้วยการสนับสนุนของปัญญาประดิษฐ์ และแปลค่าสัมประสิทธิ์เป็นภาษาธุรกิจ
- ความสามารถในการหารือเกี่ยวกับความสมดุลของการเลือกตัวแปร การโต้ตอบ การปรับแต่งมากเกินไป และความสามารถในการตีความของโมเดลการเรียนรู้ของเครื่อง (GBM) ด้วยปัญญาประดิษฐ์
- สามารถเข้าใจได้ว่ารูปแบบการกำหนดราคานั้นปราศจากตัวแปรต้องห้าม/การเลือกปฏิบัติ และนักคณิตศาสตร์ประกันภัยจะต้องปฏิบัติตามอัตราภาษีขั้นสุดท้ายตามกฎหมายและการแข่งขัน
ราคากรมธรรม์ประกันภัยไม่ได้ถูกกำหนดแบบสุ่ม ความเสี่ยงของอุบัติเหตุจราจรสำหรับผู้ขับขี่อายุ 22 ปีที่ได้รับใบอนุญาตใหม่ซึ่งอาศัยอยู่ในเมืองใหญ่นั้นสูงกว่าผู้ขับขี่อายุ 45 ปีที่มีประสบการณ์ 20 ปีในทางสถิติ ในระบบที่ยุติธรรม เบี้ยประกันภัยก็ควรแตกต่างออกไปด้วย งานของนักคณิตศาสตร์ประกันภัยในการวัดความแตกต่างนี้และสะท้อนให้เห็นราคานั้นเรียกว่าการกำหนดราคาและการจำแนกความเสี่ยง ในหน่วยนี้ เราจะพูดถึงโมเดลเชิงเส้นทั่วไป (GLM) แกนหลักของการกำหนดราคาตามหลักคณิตศาสตร์ประกันภัย และทางเลือกการเรียนรู้ของเครื่อง และดูวิธีใช้ AI อย่างปลอดภัยในกระบวนการนี้
เงื่อนไขพื้นฐานบางประการ ปัจจัยความเสี่ยงคือตัวแปรที่ส่งผลต่อความเสี่ยงและใช้ในการกำหนดราคา (อายุ อายุรถ ภูมิภาค วัตถุประสงค์การใช้งาน) อัตราภาษีคือชุดของกฎที่กำหนดวิธีคำนวณเบี้ยประกันภัยตามปัจจัยความเสี่ยง ค่าความเสี่ยงคือต้นทุนการสูญเสียที่คาดหวังอย่างแท้จริง เมื่อมีการบวกค่าใช้จ่าย ค่าคอมมิชชั่น อัตรากำไร และต้นทุนเงินทุน จะเกิดพรีเมี่ยมเชิงพาณิชย์ (ราคาขาย) เรามาเตือนกันตั้งแต่ต้นว่า AI แนะนำตัวแปร สร้างแบบจำลอง อธิบายค่าสัมประสิทธิ์ แต่ตัวแปรใดที่ถูกกฎหมายและจริยธรรม และอัตราภาษีขั้นสุดท้ายเป็นไปตามกฎหมายและการแข่งขันหรือไม่นั้นเป็นของนักคณิตศาสตร์ประกันภัยและหน่วยงานกำกับดูแล
เหตุใด GLM จึงเป็นมาตรฐานทางคณิตศาสตร์ประกันภัย
วิธีการกำหนดราคาที่ใช้มากที่สุดคือ GLM GLM ย่อมาจาก "แบบจำลองเชิงเส้นทั่วไป": ขยายการถดถอยเชิงเส้นแบบคลาสสิกเพื่อให้เหมาะสมกับเป้าหมายที่ไม่กระจายตามปกติ เช่น ข้อมูลความเสียหาย มันมีองค์ประกอบพื้นฐานสองประการ กลุ่มการกระจาย: เลือกปัวซองสำหรับความถี่ เลือกแกมมาสำหรับความเข้ม (ตรรกะในหน่วยที่ 2) ฟังก์ชันลิงก์ (ลิงก์): โดยทั่วไปจะเป็นลอการิทึม ซึ่งช่วยให้แฟกเตอร์มีผลคูณได้ โครงสร้างการคูณมีค่ามากในคณิตศาสตร์ประกันภัยเพราะนั่นคือวิธีกำหนดอัตราภาษีศุลกากร: เบี้ยประกันภัยพื้นฐาน × ปัจจัยอายุ × ปัจจัยภูมิภาค × ปัจจัยยานพาหนะ
ข้อได้เปรียบที่ใหญ่ที่สุดของ GLM คือความสามารถในการตีความ ค่าสัมประสิทธิ์บอกคุณโดยตรง: "กลุ่มนักขับรุ่นเยาว์เพิ่มความถี่ 1.6 เท่าเมื่อเทียบกับกลุ่มอ้างอิง" ความโปร่งใสนี้มีความสำคัญในสามประการ: (1) หน่วยงานกำกับดูแลและการตรวจสอบภายในสามารถเข้าใจและอนุมัติแบบจำลอง; (2) มองเห็นผลกระทบที่ต้องห้าม/เลือกปฏิบัติ; (3) สามารถอธิบายตรรกะด้านราคาให้กับทีมขายและผู้บริหารได้ โมเดลแมชชีนเลิร์นนิงที่ซับซ้อนมากขึ้น (ด้านล่าง) บางครั้งให้ความแม่นยำสูงกว่า แต่ก็ต้องสูญเสียความโปร่งใสไป
คำแนะนำ: ค่าสัมประสิทธิ์ GLM อยู่ในระดับบันทึก ขอให้ AI แปลงค่าสัมประสิทธิ์เป็น "ตัวคูณ" ด้วย exp(สัมประสิทธิ์) การแปลเป็นภาษาธุรกิจจะง่ายกว่ามาก (เช่น ค่าสัมประสิทธิ์ 0.47 → ปัจจัย ทึบ 1.60 → “เสี่ยงกว่า 60%”)
การเลือกตัวแปร การติดตั้งมากเกินไป และการเรียนรู้ของเครื่อง
การตัดสินใจที่สำคัญที่สุดในการกำหนดราคาคือตัวแปรใดที่จะยังคงอยู่ในโมเดล มีสองกับดัก มีตัวแปรเพียงไม่กี่ตัวที่มองไม่เห็นโมเดล: หากพลาดตัวขับเคลื่อนความเสี่ยงที่สำคัญ ราคาก็จะผิด ตัวแปรมากเกินไป / การปรับมากเกินไปทำให้โมเดลจดจำข้อมูลในอดีต: โมเดลผิดพลาดเรื่องสัญญาณรบกวนและล้มเหลวด้วยนโยบายใหม่ ยอดคงเหลือถูกสร้างขึ้นผ่านการตรวจสอบข้าม - แบ่งข้อมูลออกเป็นการฝึกอบรมและชิ้นทดสอบ และทดสอบกับข้อมูลที่แบบจำลองไม่เห็น ความเรียบง่าย และการให้เหตุผลตามหลักคณิตศาสตร์ประกันภัย
ปฏิสัมพันธ์ก็มีความสำคัญเช่นกัน: บางครั้งผลรวมของปัจจัยทั้งสองจะแตกต่างจากผลรวมของผลแยกจากกัน (รถรุ่นเยาว์ + แบบสปอร์ตอาจมีความเสี่ยงมากกว่าผลรวมของผลแต่ละประการ) ใน GLM การโต้ตอบจะถูกเพิ่มอย่างชัดเจน
ในช่วงไม่กี่ปีที่ผ่านมา โมเดลต่างๆ เช่น GBM (เครื่องเร่งการไล่ระดับสี ซึ่งเป็นวิธีการเรียนรู้ของเครื่องอันทรงพลังที่รวมแผนผังการตัดสินใจเล็กๆ น้อยๆ จำนวนมาก) ได้กลายเป็นเรื่องธรรมดาในการกำหนดราคา สิ่งเหล่านี้จะบันทึกรูปแบบและการโต้ตอบที่ซับซ้อนโดยอัตโนมัติ ซึ่งมักจะให้การคาดการณ์ที่แม่นยำมากกว่า GLM แต่มาในราคาที่มีแนวโน้มจะเป็น "กล่องดำ" แนวทางปฏิบัติทั่วไปในปัจจุบันคือการใช้ GBM สำหรับการค้นพบและการสร้างแนวคิด และใช้ GLM สำหรับอัตราภาษีที่โปร่งใสขั้นสุดท้าย หรือตีความเอาต์พุต GBM ด้วยเครื่องมืออธิบายเช่น SHAP
ตารางต่อไปนี้เปรียบเทียบทั้งสองวิธี:
เกณฑ์
จีแอลเอ็ม
GBM (การเรียนรู้ของเครื่อง)
การตีความ
สูง (ค่าสัมประสิทธิ์บน)
ต่ำ (ต้องใช้เครื่องมือคำอธิบายประกอบ)
การจับภาพการโต้ตอบ
เพิ่มด้วยตนเอง
อัตโนมัติ
เสี่ยงต่อการติดตั้งมากเกินไป
ต่ำปานกลาง
สูง (จำเป็นต้องปรับอย่างระมัดระวัง)
การอนุมัติหน่วยงานกำกับดูแล/การตรวจสอบ
ง่าย
ยุ่งยากต้องมีเอกสารเพิ่มเติม
การใช้งานทั่วไป
อัตราภาษีขั้นสุดท้าย
การค้นพบการเปรียบเทียบ
วิธีใช้ AI ในการตั้งราคา
1) การแปลค่าสัมประสิทธิ์ GLM เป็นภาษาธุรกิจ:
ฉันตั้งค่าความถี่ GLM (ปัวซอง, ลิงก์บันทึก) ค่าสัมประสิทธิ์บางส่วน (ระดับบันทึก): age_group_18_25: 0.47 ; ภูมิภาค_ส่วนใหญ่: 0.22 ; arac_yasi_10plus: -0.15. แปลงแต่ละรายการให้เป็นตัวคูณด้วย exp() และอธิบายเป็นประโยคเดียวที่ผู้จัดการสามารถเข้าใจได้ เตือนด้วยว่ากลุ่มอ้างอิงคืออะไร
2) การอภิปรายเกี่ยวกับตัวแปร/ปฏิสัมพันธ์:
บทบาทของคุณ: ผู้ช่วยด้านราคา ตัวแปรที่ผู้สมัครของฉันสำหรับโมเดลความถี่ของการจราจรคือ: อายุ เพศ ภูมิภาค อายุยานพาหนะ กำลังเครื่องยนต์ กม. ต่อปี อาชีพ - ตัวแปรใดที่อาจมีความเสี่ยงจากมุมมองของกฎระเบียบ/จริยธรรม (เช่น การเลือกปฏิบัติทางอ้อม) - ปฏิสัมพันธ์ทวิภาคีใดที่สมเหตุสมผลที่จะลอง - ฉันควรปฏิบัติตามขั้นตอนการตรวจสอบใดเพื่อหลีกเลี่ยงการสวมอุปกรณ์มากเกินไป การตัดสินใจ ให้กรอบการทำงานสำหรับการควบคุมและการอภิปรายแก่ฉัน
3) รหัสควบคุมการโอเวอร์ฟิต:
เขียนโค้ดแสดงความคิดเห็นที่ประเมิน GLM ด้วยการตรวจสอบข้าม k-fold โดยใช้ Python + scikit-learn / statsmodels ใช้ส่วนเบี่ยงเบนปัวซองเป็นหน่วยเมตริก เปรียบเทียบคะแนนการฝึกอบรมและคะแนนสอบ และอธิบายวิธีอ่านเครื่องหมายเกินขนาดในบรรทัดแสดงความคิดเห็น ห้องสมุดเป็นของปลอม
4) การคัดกรองตัวแปรการเลือกปฏิบัติ/ตัวแทน:
'รหัสไปรษณีย์' กลายเป็นตัวแปรสำคัญในรูปแบบการกำหนดราคาของฉัน อธิบายความเสี่ยงของสิ่งนี้โดยอ้อมซึ่งแสดงถึงลักษณะต้องห้าม (เช่น เชื้อชาติ รายได้) เป็นตัวแปรตัวแทน - ฉันควรทำการวิเคราะห์อะไรเพื่อทดสอบความเสี่ยงนี้? - มีทางเลือกอะไรบ้างในการลดความเสี่ยง? ให้คำปรึกษาด้านกฎหมาย วาดกรอบทางเทคนิคและจริยธรรม
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
สร้างรูปแบบการกำหนดราคาที่ดีที่สุดสำหรับการประกันจราจร
"ดีที่สุด" ไม่ได้กำหนด; ไม่มีข้อมูล ไม่มีข้อจำกัด ไม่มีกฎหมาย AI ให้คำตอบทั่วไปที่ไม่เหมาะสม
พรอมต์อันทรงพลัง:
บทบาทของคุณ: ผู้ช่วยนักคณิตศาสตร์ประกันภัยการกำหนดราคา บริบท: ฉันกำลังสร้างแบบจำลองความถี่สาขาการรับส่งข้อมูล GLM (ปัวซอง ลิงก์บันทึก) ตัวแปรที่ฉันมี: กลุ่มอายุ อายุรถ ภูมิภาค (จังหวัด) กม. ต่อปี วัตถุประสงค์การใช้งาน ข้อจำกัด: กฎหมายไม่สามารถใช้เพศได้ ฉันต้องหลีกเลี่ยงการเลือกปฏิบัติทางอ้อม งาน:1) แนะนำข้อกำหนดเฉพาะของโมเดลเริ่มต้นด้วยตัวแปรเหล่านี้ (รวมถึงกลุ่มอ้างอิง)2) ให้เหตุผลสำหรับการโต้ตอบ 2 ครั้งที่ฉันควรลอง3) ให้รายการขั้นตอนในการตรวจสอบการติดตั้งมากเกินไป4) เพิ่มหมายเหตุพิเศษที่ให้ความสนใจสำหรับ 'ภูมิภาค' ในแง่ของการเลือกปฏิบัติทางอ้อม ฉันจะตัดสินใจ คุณให้กรอบการทำงานและเหตุผล
มินิเคสสามอัน
กรณีที่ 1 — คุณค่าของความโปร่งใส บริษัทแห่งหนึ่งนำเสนอแบบจำลองการกำหนดราคาที่แม่นยำมากซึ่งสร้างด้วย GBM แก่หน่วยงานกำกับดูแล แต่ไม่สามารถอธิบายค่าสัมประสิทธิ์ได้ การอนุมัติล่าช้า นักคณิตศาสตร์ประกันภัยได้สร้าง GLM ที่จับสัญญาณเดียวกัน ความแม่นยำลดลง 2 เปอร์เซ็นต์ แต่เนื่องจากทุกปัจจัยสามารถนำมาพิจารณาได้ โมเดลจึงได้รับการตรวจสอบภายในหนึ่งเดือน GBM ได้รับการบันทึกเพื่อการลาดตระเวน GLM กลายเป็นภาษี YZ สร้างโค้ดและคำอธิบายตัวควบคุมอย่างรวดเร็วโดยเปรียบเทียบประสิทธิภาพของทั้งสองรุ่น
กรณีที่ 2 — กับดักที่สวมมากเกินไป ผู้ช่วยได้รับคะแนนเต็มเกี่ยวกับข้อมูลการฝึกเมื่อเขาเพิ่มตัวแปรมากกว่า 40 ตัวและการโต้ตอบมากมายให้กับโมเดล แต่ในการตรวจสอบความถูกต้องข้าม คะแนนการทดสอบลดลง: แบบจำลองได้จดจำสัญญาณรบกวนแล้ว ประสิทธิภาพในโลกแห่งความเป็นจริงเพิ่มขึ้นเมื่อจำนวนตัวแปรลดลงเหลือ 12 และทำให้ง่ายขึ้น บทเรียน: ดูคะแนนข้อมูลที่ไม่เคยมีมาก่อน ไม่ใช่คะแนนการฝึกอบรม
กรณีที่ 3 — การเลือกปฏิบัติทางอ้อม ในโมเดลหนึ่ง ตัวแปร "ย่านใกล้เคียง" อธิบายความพรีเมียมได้อย่างชัดเจน การวิเคราะห์แสดงให้เห็นว่าตัวแปรนี้ซ้อนทับกับความเข้มข้นทางชาติพันธุ์เป็นส่วนใหญ่ กล่าวคือ เป็นพร็อกซีสำหรับลักษณะต้องห้าม นักคณิตศาสตร์ประกันภัยแทนที่ตัวแปรนี้ด้วยตัวบ่งชี้ความเสี่ยงที่เป็นกลางมากขึ้น (ประเภทถนน สภาพที่จอดรถ) ความเสี่ยงทั้งด้านจริยธรรมและกฎหมายลดลง AI สร้างการวิเคราะห์ความสัมพันธ์ที่วัดการทับซ้อนและข้อเสนอแนะตัวแปรทางเลือก หน่วยงานนักคณิตศาสตร์ประกันภัยและการปฏิบัติตามกฎระเบียบเป็นผู้ตัดสินใจ
ข้อผิดพลาดทั่วไป
- ทำให้โมเดลที่ไม่อาจตีความได้เป็นสูตรสำเร็จขั้นสุดยอด ราคาที่ไม่สามารถอธิบายให้หน่วยงานกำกับดูแล ตรวจสอบ และลูกค้าเข้าใจได้นั้นเป็นสิ่งที่ไม่ยั่งยืน ความโปร่งใสเป็นสิ่งสำคัญ
- ขึ้นอยู่กับคะแนนการศึกษา ตรวจพบการติดตั้งมากเกินไปในข้อมูลที่มองไม่เห็นเท่านั้น (การตรวจสอบความถูกต้องข้าม)
- การใช้ตัวแปรต้องห้าม/ตัวแทนโดยไม่ตรวจสอบ ตัวแปรต่างๆ เช่น รหัสไปรษณีย์ และอาชีพ อาจมีการเลือกปฏิบัติทางอ้อม อย่าลืมทดสอบ
- เบี้ยประกันความเสี่ยงสับสนกับเบี้ยประกันภัยเชิงพาณิชย์ ค่าเสียหายที่แท้จริงเพียงอย่างเดียวไม่ใช่ราคาขาย บวกค่าใช้จ่ายกำไรและต้นทุนทุน
- ปล่อยให้ค่าสัมประสิทธิ์อยู่ในระดับบันทึกและตีความมันผิด การแสดงความคิดเห็นโดยไม่แปลงเป็นตัวคูณด้วย exp() จะทำให้เกิดข้อผิดพลาด
ข้อควรระวัง: คำแนะนำของ AI เกี่ยวกับโมเดลที่ "ให้ความแม่นยำดีที่สุด" ไม่ใช่โมเดลที่ "ควรใช้" โดยอัตโนมัติ ความโปร่งใส ยุติธรรม และการปฏิบัติตามกฎหมายเป็นเกณฑ์บังคับตลอดจนความถูกต้องแม่นยำในการกำหนดราคาตามหลักคณิตศาสตร์ประกันภัย
โดยสรุป
การกำหนดราคาเป็นกระบวนการในการวัดความเสี่ยงด้วยปัจจัยเสี่ยงและแปลงให้เป็นเบี้ยประกันภัยที่ยุติธรรม GLM คือมาตรฐานของการกำหนดราคาตามหลักคณิตศาสตร์ประกันภัยซึ่งมีโครงสร้างแบบทวีคูณและตีความได้ ค่าสัมประสิทธิ์จะถูกแปลงเป็นปัจจัยด้วย exp() โมเดลแมชชีนเลิร์นนิง เช่น GBM อาจมีความแม่นยำมากกว่า แต่จะลดความโปร่งใสลง และโดยทั่วไปจะใช้สำหรับการค้นพบ การเลือกตัวแปรควรได้รับการปกป้องจากการใส่มากเกินไปโดยการตรวจสอบความถูกต้องข้าม และควรควบคุมการเลือกปฏิบัติทางอ้อม (ตัวแปรตัวแทน) อย่างระมัดระวัง AI สร้างโมเดล เขียนโค้ด และอธิบายค่าสัมประสิทธิ์ แต่การปฏิบัติตามกฎหมาย-จริยธรรมและอัตราภาษีขั้นสุดท้ายเป็นของนักคณิตศาสตร์ประกันภัยและหน่วยงานกำกับดูแล
งานสมัคร
ระบุปัจจัยเสี่ยง 5-6 ประการสำหรับวิชาเอก ขอให้ AI ทราบ (ก) ข้อกำหนดเบื้องต้นของ GLM ด้วยปัจจัยเหล่านี้ (ข) การโต้ตอบ 2 รายการที่ควรลองและเหตุผล (ค) การคัดกรองตัวแปรที่อาจเสี่ยงต่อการเลือกปฏิบัติทางอ้อม จากนั้นยกตัวอย่างค่าสัมประสิทธิ์บันทึก 3 ค่า ขอให้ AI แปลงเป็นตัวคูณด้วย exp() แล้วโอนเป็นภาษาธุรกิจ และตรวจสอบปัจจัยด้วยตนเอง
รายการตรวจสอบ
- [ ] สามารถตีความแบบจำลองของฉันได้หรือไม่ ฉันสามารถแปลผลกระทบของแต่ละปัจจัยเป็นภาษาธุรกิจได้หรือไม่
- [ ] ฉันได้ตรวจสอบ overfitting ด้วยการตรวจสอบข้ามหรือไม่?
- [ ] ฉันได้สแกนหาการเลือกปฏิบัติทางอ้อมสำหรับตัวแปรต้องห้ามและตัวแปรพร็อกซีหรือไม่?
- [ ] ฉันได้แยกส่วนพรีเมียมความเสี่ยงออกจากส่วนพรีเมียมเชิงพาณิชย์อย่างมีสติหรือไม่
- [ ] ฉันแปลงสัมประสิทธิ์เป็นตัวคูณด้วย exp() และตีความมันถูกต้องหรือไม่?
- [ ] ฉันได้ตัดสินใจขั้นสุดท้ายด้านภาษีร่วมกับหน่วยงานด้านกฎหมายและการปฏิบัติตามข้อกำหนดหรือไม่