Mga nadagdag:
- Kakayahang itatag at bigyang-kahulugan ang pagkakaiba sa pagitan ng dalas ng pinsala at halaga ng pinsala (kalubhaan), naaangkop na mga pamamahagi (Poisson, negatibong binomial, gamma) at pinagsama-samang lohika ng modelo na may suporta ng artificial intelligence.
- Pag-aayos ng napakalaking pagkalugi (outlier/malaking pagkalugi), data capping at trend/development corrections sa artificial intelligence gamit ang mga tamang tanong at data.
- Kakayahang maunawaan na ang pagpili ng pamamahagi at mga parameter na ginawa ng artificial intelligence ay dapat kumpirmahin ng goodness-of-fit na mga pagsubok at aktuarial na pangangatwiran.
Ang pinakapangunahing tanong para sa isang kompanya ng seguro ay: "Magkano ang pinsalang babayaran namin para sa grupong ito ng patakaran sa susunod na taon?" Ang pagsagot ng tama sa tanong na ito ay isang paunang kinakailangan para sa parehong pagtatakda ng premium nang tama at paglalaan ng sapat na mga reserba. Sinasagot ng mga aktuaryo ang tanong na ito sa pamamagitan ng paghahati nito sa dalawa; dahil mas tumpak na magmodelo ng dalawang magkahiwalay na gawi nang hiwalay sa halip na tantyahin ang kabuuang pinsala sa isang piraso. Ang dalawang bahaging ito ay dalas at intensity.
Ang dalas (dalas ng pinsala) ay kung gaano karaming mga pinsala ang naganap sa bawat pagkakalantad; Halimbawa, 100 sasakyan - 8 aksidente bawat taon. Ang kalubhaan ay ang average na halaga ng bawat pinsalang natamo; halimbawa, 30,000 TL kada aksidente. Ang pag-multiply sa dalawa ay nagbibigay ng risk premium: inaasahang pinsala sa bawat exposure (0.08 × 30,000 = $2,400). Sa unit na ito, makikita natin ang hakbang-hakbang kung paano gamitin ang AI upang maitatag ang pagkakaibang ito, piliin ang tamang pamamahagi ng posibilidad, at pamahalaan ang mga outlier. Paalalahanan natin mula sa simula: Ang AI ay nagmumungkahi ng mga distribusyon at nagsusulat ng code, ngunit nasa actuary ang pagkumpirma sa pagpili ng pamamahagi sa pamamagitan ng goodness-of-fit na mga pagsubok at paghatol.
Bakit magkahiwalay na namodelo ang dalas at intensity?
Ang dalas at intensity ay nagpapakita ng iba't ibang istatistikal na pag-uugali. Ang bilang ng mga claim ay isang variable ng pagbibilang (0, 1, 2, 3...) at kadalasang nakamodelo sa isang Poisson distribution o isang negatibong binomial distribution kung mayroong overdispersion (variance > mean). Ang Poisson ay ang klasikal na pamamahagi na nagmomodelo sa bilang ng mga bihira at independiyenteng mga kaganapan. Ang halaga ng pinsala ay isang tuluy-tuloy at right-skewed variable: karamihan sa mga claim ay maliit, ang ilang mga claim ay napakalaki. Samakatuwid, ang kalubhaan ay kadalasang na-modelo ng gamma o lognormal distribution; ang mga ito ay positibo at pakanan na mga pamamahagi.
Ang pagmomodelo sa dalawa ay may tatlong kongkretong benepisyo. Una, makikita mo na ang bawat isa ay may sariling mga driver (mga kadahilanan ng peligro): ang batang driver ay nagdaragdag ng dalas, ang mamahaling sasakyan ay nagdaragdag ng karahasan. Pangalawa, kapag nagbago ang data, maaari mong masuri kung bakit: tumaas ba ang halaga ng pinsala o ang bilang ng mga paghahabol? Pangatlo, maaari mo lamang isaalang-alang ang matinding malalaking pagkalugi nang hiwalay sa panig ng karahasan. Ang kumbinasyon ng dalawang ito ay tinatawag na isang tambalang modelo; inaasahang kabuuang pinsala = inaasahang dalas × inaasahang kalubhaan.
Hint: Ang pangungusap na "Ang aming pagkawala/premium ratio ay tumaas" ay walang sinasabi sa sarili nitong anuman. Paghiwalayin ang tanong kung tumaas ang dalas o intensity; Ang interbensyon (presyo, saklaw, pamamahala ng pinsala) ay magiging ganap na naiiba.
Mga outlier, truncation at pagwawasto ng trend
Ang data ng pinsala sa hilaw na anyo nito ay hindi handa para sa pagbuo ng modelo. Tatlong pagwawasto ang halos palaging kinakailangan. Ang una ay ang pag-uuri-uri ng matinding/malaking pinsala: ang ilang malalaking pinsala (hal. sunog sa pabrika) ay lumihis sa average; ang mga ito ay namodelo bilang isang hiwalay na "major damage load". Ang pangalawa ay ang capping: ang pag-aayos ng napakalaking pinsala sa isang partikular na kisame (halimbawa 1,000,000 TL) at ang pagkalkula sa itaas na bahagi nang hiwalay ay ginagawang matatag ang modelo. Pangatlo, pagwawasto ng trend at pag-unlad: ang mga nakaraang claim ay dapat i-update sa inflation sa antas ng presyo ngayon (trend), at ang mga claim na hindi pa ganap na nababayaran ay dapat dalhin sa kanilang huling antas (development — tatalakayin natin ang paksang ito sa unit 3).
Inihahambing ng sumusunod na talahanayan ang mga katangian ng dalawang bahagi:
tampok
Dalas (dalas)
Karahasan (halaga)
Uri ng variable
Nagbibilang (0,1,2...)
pare-pareho, positibo
Karaniwang pamamahagi
Poisson, negatibong binomial
Gamma, lognormal
Mga halimbawa ng master driver
Edad, karanasan, rehiyon, gamit
Halaga ng sasakyan, limitasyon sa saklaw, gastos sa pagkumpuni
Outlier na problema
mababa
Mataas (malaking pinsala)
Epekto ng inflation
mahina
malakas
Paano gamitin ang AI sa pagmomodelo ng pinsala
Kung saan ang AI ay pinakamalakas ay sa pagtalakay sa pagpipilian sa pamamahagi, pagsulat ng code, at pagbibigay-kahulugan sa resulta. Nasa ibaba ang apat na maaaring kopyahin na mga template.
1) Talakayin ang pagpili ng pamamahagi:
Ang iyong tungkulin: actuarial modelling assistant. Mayroon akong insurance claim AMOUNT data (anonymous, 1,600 claims). Buod: mean 30,300 TL, median 12,500 TL, maximum na 940,000 TL, mataas ang skewness. Tanong: mas angkop ba ang gamma o lognormal para sa modelo ng kalubhaan? Ano ang palagay ng bawat isa, plus/minus at kung saan ang goodness-of-fit na pagsubok (hal. Ipaliwanag na gagawa ako ng desisyon (Q-Q chart, K-S test, AIC).Paggawa ng tiyak na desisyon; Bigyan mo ako ng comparison frame.
2) Code ng pagkalkula ng frequency-intensity:
Sumulat ng isang nagkomento na code gamit ang Python + pandas na gumagawa ng mga sumusunod na hakbang: 1) May mga column na 'exposure', 'claim_count', 'claim_amount' sa df. 2) Pangkalahatang dalas = kabuuang claim_count / kabuuang pagkakalantad. 3) Average na kalubhaan = kabuuang claim_amount / kabuuang claim_count. 4) Panganib na premium = dalas × kalubhaan. 5) I-print ang bawat intermediate na resulta sa screen para ma-verify ko ito nang manu-mano. Akma sa aklatan; gumamit na lang ng panda.
3) Extreme value / cutoff analysis:
Mayroon akong anonymous na pamamahagi ng halaga ng claim. Ang mga paghahabol tulad ng 950,000, 720,000, 610,000 TL ay bumubuo ng 22% ng kabuuang halaga. Sabihin sa akin ang tungkol sa iyong diskarte sa pag-cap: - Aling mga opsyon sa cap ang makatwiran (hal. 500K, 750K, 1M)? - Paano ko idadagdag muli ang hiwa na bahagi bilang isang hiwalay na "major damage load"? - Ipakita sa akin ang hakbang-hakbang kung paano nakakaapekto ang desisyong ito sa premium ng panganib.
4) Pagsasalin ng resulta sa wikang pangnegosyo:
Ang aking dalas ay tumaas mula 0.13 hanggang 0.15; Ang karaniwang karahasan ay tumaas mula 28,000 hanggang 34,000 TL. Ibuod ito sa 4 na pangungusap na mauunawaan ng isang tagapamahala: - Ano ang nangyari, aling bahagi ang tumaas ng magkano? - Ano ang kabuuang epekto sa premium ng panganib? - Isulat ang mga posibleng dahilan at 2 pagpapalagay na kailangan kong i-verify.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
I-set up ang aking loss model at kalkulahin ang premium.
Hindi malinaw: aling data, aling bahagi, aling pamamahagi, aling panahon? Pinupuno ng AI ang puwang na ito ng katha.
Napakahusay na prompt:
Ang iyong tungkulin: actuarial modelling assistant. Data (anonymous, traffic branch, 2024): exposure 20,000 policy-years, number of claims 2,600, total damage 91,000,000 TL, ang 5 pinakamalaking damage total 12,000,000 TL. Gawain: 1) Kalkulahin ang dalas at hilaw na average na kalubhaan, ipakita ang formula. 2) Ang 5 pinakamalaking pinsala Lagyan ito ng 1,000,000 TL at kalkulahin muli ang naayos na kalubhaan. 3) Ikumpara ang risk premium na may at walang cap, magkomento sa pagkakaiba. 4) Isulat ang bawat hakbang gamit ang mga intermediate na numero para ma-verify ko ito nang manu-mano. Gamitin lamang ang mga numerong ibinigay ko; Kung kulang, magtanong.
tatlong mini case
Kaso 1 — Ang kapangyarihan ng paghihiwalay. Nakita ng isang actuary na tumaas ang loss/premium ratio sa housing branch mula 68 porsiyento hanggang 81 porsiyento sa isang taon. Bago iminungkahi ang pagtaas ng presyo ng panic, ginawa ang pagkakaiba sa dalas ng kalubhaan: ang dalas ay halos pare-pareho (0.041 → 0.043), ngunit ang average na kalubhaan ay tumalon mula 14,200 TL hanggang 19,800 TL. Ang dahilan ay ang inflation ng gastos sa konstruksiyon, hindi ang bilang ng mga patakaran o mapanganib na mga customer. Ang tamang interbensyon ay upang i-update ang mga halaga ng saklaw, hindi isang bulag na pagtaas ng premium.
Kaso 2 — Outlier na bitag. Ang average ng 1,800 claims sa isang business insurance portfolio ay 42,000 TL. Gayunpaman, ang isang pinsala sa sunog na 6.4 milyong TL lamang ay lumaki ang average na ito ng humigit-kumulang 3,500 TL. Nang ang malaking pinsalang ito ay na-modelo at nilimitahan bilang isang hiwalay na "major damage burden", ang batayang kalubhaan ay bumaba sa 38,500 TL at ang premium ay naging mas patas. Mabilis na nakabuo ang AI ng capping code at mga alternatibong caps; Ang actuary ang gumawa ng desisyon.
Kaso 3 — Maling pamamahagi. Walang tanong, nagpatakbo ang isang assistant ng AI code na pumili ng normal (Gaussian) distribution para sa kalubhaan. Dahil pinapayagan ng normal na distribusyon para sa mga negatibong halaga at mahusay na proporsyon, hindi ito magkasya sa data ng pinsala sa kanan na baluktot; overestimated ng modelo ang maliliit na pinsala at minamaliit ang malalaking pinsala. Nang inihambing ang Q-Q plot at AIC, nakita na mas magkasya ang gamma. Aralin: Ang pamamahagi na iminungkahi ng AI ay palaging sinusubok sa pamamagitan ng fit testing.
Mga karaniwang pagkakamali
- Pinagsasama ang dalas at intensity at paghula sa isang modelo. Itinatago nito ang dalawang magkaibang pag-uugali; nawalan ka ng driver at bakit.
- Pag-average nang hindi inaalis ang matinding/malaking pinsala. Ang ilang higanteng pinsala ay pumipihit sa buong larawan; ang premium ay artipisyal na napalaki.
- Paggamit ng lumang pinsala nang hindi inilalapat ang takbo ng inflation. Ang pinsala sa 2019 ay hindi katulad ng presyo ngayon; kailangan ang pagwawasto ng trend.
- Paglalagay ng normal na distribusyon sa right-skewed na data. Ang pagpapalagay ng negatibong halaga at simetrya ay salungat sa data ng pinsala; Mag-isip ng gamma/lognormal.
- Hindi bini-verify ang pagpipilian sa pamamahagi gamit ang fit testing. Ang panukala ng AI ay isang panimula; Kumpirmahin gamit ang Q-Q, K-S, AIC.
Pansin: Ang antas ng takip (pagputol) ay hindi pinipili nang basta-basta. Itinatago ng masyadong mababang kisame ang panganib ng malaking pinsala; masyadong mataas ang kisame ay ginagawang walang silbi ang trim. Pumili sa pamamagitan ng pagtingin sa nakaraang malaking karanasan sa pagkawala ng portfolio at mga tuntunin sa reinsurance.
Sa buod
Ang paraan upang tumpak na matantya ang kabuuang pinsala ay hatiin ito sa dalas (dalas) at kalubhaan (dami). Ang dalas ay namodelo ng Poisson/negative binomial, intensity ng gamma/lognormal; Ang panganib na premium ay matatagpuan sa pamamagitan ng pagpaparami ng dalawa. Ang raw data ay nangangailangan ng outlier na pag-aalis, truncation, at pagwawasto ng trend. Ang talakayan sa pamamahagi ng AI ay isang mahusay na katulong para sa code at pagkomento; ngunit ang pagpili sa pamamahagi at desisyon ng cap ay kinukumpirma ng mga fit test at actuarial judgment.
Gawain ng aplikasyon
Maghanda ng anonymous na buod ng pinsala (exposure, bilang ng mga claim, kabuuang pinsala, nangungunang 3-5 na claim). Hilingin sa AI na kalkulahin ang (a) ang raw frequency-severity-risk premium, (b) limitahan ang malalaking pagkalugi at kalkulahin ang adjusted risk premium. I-verify ang dalawang resulta sa pamamagitan ng kamay at tandaan kung anong porsyento ng capping ang nagbabago sa risk premium. Pagkatapos ay tanungin ang AI ng tanong na "gamma o lognormal para sa karahasan" at ibuod ang paghahambing na frame na ibinibigay nito sa iyong sariling mga salita.
checklist
- [ ] Kinakalkula ko ba nang hiwalay ang dalas at intensity, o tiningnan ko ba sila bilang isang piraso?
- [ ] Natukoy ko na ba ang malaki/matinding pinsala at hinarap ko ito nang hiwalay?
- [ ] Naglapat ba ako ng inflation/trend adjustment sa mga lumang claim?
- [ ] Na-verify ko na ba ang intensity distribution gamit ang goodness-of-fit test?
- [ ] Independyente ko bang nakalkula muli ang premium ng panganib (dalas × kalubhaan)?
- [ ] Kinuwestiyon ko ba ang antas ng pamamahagi at cap na iminungkahi ng AI at kinumpirma ito nang may paghuhusga?