Прибуток:
- Здатність створювати концепції узагальненої лінійної моделі (GLM), фактора ризику, тарифу та премії за ризик за допомогою штучного інтелекту та перекладати коефіцієнти на ділову мову
- Здатність обговорювати баланс вибору змінних, взаємодії, переобладнання та інтерпретації моделей машинного навчання (GBM) зі штучним інтелектом
- Можливість зрозуміти, що модель ціноутворення не містить заборонених/дискримінаційних змінних, а відповідність остаточного тарифу законодавству та конкуренції покладено на актуарія.
Ціна страхового полісу не визначається випадково. Ризик дорожньо-транспортної пригоди для 22-річного водія, щойно отримав права, який живе у великому місті, статистично вищий, ніж для 45-річного водія з 20-річним стажем; У справедливій системі премії також мають відрізнятися. Робота актуарія з вимірювання цієї різниці та відображення її на ціні називається ціноутворенням і класифікацією ризику. У цьому розділі ми обговоримо узагальнену лінійну модель (GLM), актуарну основу ціноутворення та її альтернативи машинного навчання, а також побачимо, як безпечно використовувати штучний інтелект у цьому процесі.
Кілька основних термінів. Фактор ризику – це змінна, яка впливає на ризик і використовується при ціноутворенні (вік, вік автомобіля, регіон, цільове використання). Тариф - це набір правил, які визначають, як буде розраховуватися премія відповідно до факторів ризику. Премія за ризик - це чиста очікувана вартість збитків; Коли витрати, комісійні, норма прибутку та капітальні витрати додаються, формується комерційна премія (ціна продажу). Нагадаємо з самого початку: ШІ пропонує змінні, будує моделі, пояснює коефіцієнти; Але яка змінна є законною та етичною та чи відповідає остаточний тариф законодавству та конкуренції, належить актуарію та відділу відповідності.
Чому GLM є стандартом в актуарії
Найбільш використовуваним методом ціноутворення є GLM. GLM розшифровується як «узагальнена лінійна модель»: вона розширює класичну лінійну регресію, щоб відповідати ненормально розподіленим цілям, таким як дані про пошкодження. Він має два основних компоненти. Сімейство розподілу: Пуассон вибирається для частоти, гамма вибирається для інтенсивності (логіка в блоці 2). Функція зв'язку (link): зазвичай логарифмічна, що дозволяє факторам мати мультиплікативний ефект. Мультиплікативна структура дуже цінна в актуарії, оскільки саме так встановлюється тариф: базова премія × фактор віку × фактор регіону × фактор транспортного засобу.
Найбільшою перевагою GLM є можливість інтерпретації. Коефіцієнт прямо говорить: «група молодих водіїв збільшує частоту в 1,6 рази порівняно з контрольною групою». Ця прозорість має важливе значення з трьох причин: (1) регулятор і внутрішній аудит можуть зрозуміти та схвалити модель; (2) помітний заборонений/дискримінаційний ефект; (3) цінову логіку можна пояснити відділу продажів і менеджерам. Більш складні моделі машинного навчання (нижче) іноді дають вищу точність, але за рахунок прозорості.
Підказка: GLM-коефіцієнт у логарифмічній шкалі. Попросіть ШІ перетворити коефіцієнт у «коефіцієнт множення» за допомогою exp(coefficient); Набагато простіше було б перекласти на ділову мову (наприклад, коефіцієнт 0,47 → фактор ≈ 1,60 → «на 60% ризикованіше»).
Вибір змінних, переобладнання та машинне навчання
Найважливішим рішенням у ціноутворенні є те, які змінні залишаться в моделі. Є дві пастки. Кілька змінних засліплюють модель: якщо важливий фактор ризику пропущено, ціна буде неправильною. Занадто змінна/переобладнаність змушує модель запам’ятовувати минулі дані: модель помилково приймає шум за сигнал і не виконує нові політики. Баланс встановлюється шляхом перехресної перевірки — поділу даних на навчальні та тестові частини та їх тестування на даних, які модель не бачить, простота та актуарне обґрунтування.
Взаємодія також важлива: інколи сукупний ефект двох факторів відрізняється від суми їхніх окремих ефектів (молодий і спортивний автомобіль може бути ризикованішим, ніж сума їхніх окремих ефектів). У GLM взаємодії додаються явно.
В останні роки такі моделі, як GBM (gradient boosting machine — потужний метод машинного навчання, який поєднує в собі безліч невеликих дерев рішень) стали поширеними в ціноутворенні. Вони автоматично фіксують складні моделі та взаємодії, часто даючи точніші прогнози, ніж GLM. Але це має свою ціну: схильність бути «чорною скринькою». Загальною практикою сьогодні є використання GBM для відкриття та генерації ідей і GLM для остаточного прозорого тарифу; або інтерпретація результату GBM за допомогою інструментів пояснення, таких як SHAP.
У наведеній нижче таблиці порівнюються два підходи:
критерій
GLM
GBM (машинне навчання)
Інтерпретованість
Високий (коефіцієнт включений)
Низький (потрібен інструмент анотації)
Захоплення взаємодії
Додано вручну
автоматичний
Ризик переобладнання
низький-середній
Високий (потрібне ретельне регулювання)
Схвалення регулятора/аудиту
легко
Складно, вимагає додаткових документів
Типове використання
остаточний тариф
відкриття, порівняння
Як використовувати ШІ в ціноутворенні
1) Перекладаючи коефіцієнт GLM на ділову мову:
Я налаштував частоту GLM (Пуассон, лог-посилання). Деякі коефіцієнти (логарифмічна шкала): age_group_18_25: 0,47 ; регіон_більшість: 0,22 ; arac_yasi_10plus: -0,15. Перетворіть кожен із них на коефіцієнт множення за допомогою exp() і поясніть це одним реченням, зрозумілим менеджеру. Також нагадайте, що таке референтна група.
2) Обговорення змінної/взаємодії:
Ваша роль: помічник з ціноутворення. Мої змінні-кандидати для моделі частоти руху: вік, стать, регіон, вік автомобіля, потужність двигуна, річний кілометр, професія. - Які змінні можуть бути ризикованими з нормативної/етичної точки зору (наприклад, непряма дискримінація)? - Які двосторонні взаємодії має сенс спробувати? - Яких кроків перевірки я повинен виконати, щоб уникнути переобладнання? Прийняття рішень; Дайте мені основу для контролю та обговорення.
3) Контрольний код переобладнання:
Напишіть код із коментарями, який оцінює GLM з k-кратною перехресною перевіркою за допомогою Python + scikit-learn / statsmodels. Використовуйте відхилення Пуассона як метрику. Порівняйте результати тренінгу та тесту та поясніть у рядку коментарів, як читати знак переобладнання. Бібліотека фальшива.
4) Скринінг дискримінації/сурогатної змінної:
«Поштовий індекс» виявився сильною змінною в моїй моделі ціноутворення. Поясніть ризик того, що це опосередковано представляє заборонену характеристику (наприклад, етнічну приналежність, дохід) як проксі-змінну. - Який аналіз я повинен зробити, щоб перевірити цей ризик? – Які є альтернативи для зменшення ризику? Надання юридичних консультацій; намалювати технічну та етичну структуру.
Слабка підказка / Сильна підказка
Слабка підказка:
Встановіть найкращу модель ціноутворення для страхування дорожнього руху.
«Кращий» не визначено; Ні даних, ні обмежень, ні законодавства. AI дає загальну, незастосовну відповідь.
Потужна підказка:
Ваша роль: помічник актуарія з ціноутворення. Контекст: я створюю частотну модель гілки трафіку, GLM (Пуассон, лог-зв’язок). Змінні, які я маю: вікова група, вік автомобіля, регіон (провінція), річний кілометр, використання за призначенням. Обмеження: стать не може використовуватися законодавством; Мені потрібно уникати непрямої дискримінації. Завдання: 1) Запропонуйте початкову специфікацію моделі з цими змінними (включно з референтними групами). 2) Наведіть причини для 2 взаємодій, які я повинен спробувати. 3) Надайте перелік кроків для перевірки переобладнання. 4) Додайте особливу увагу до «регіону» з точки зору непрямої дискримінації. Я прийму рішення; Ви надаєте основу та обґрунтування.
три міні-чохла
Випадок 1 — Значення прозорості. Компанія представила регулятору дуже точну модель ціноутворення, яку вона побудувала за допомогою GBM, але не змогла пояснити коефіцієнти; затвердження затримано. Актуарій побудував GLM, який фіксував ті самі сигнали; Точність впала на 2 відсотки, але оскільки кожен фактор можна було врахувати, модель перевірили протягом місяця. GBM залишили для розвідки, GLM став тарифом. YZ швидко склав код і опис регулятора, порівнюючи продуктивність двох моделей.
Випадок 2 — Пастка для переобладнання. Помічник отримав відмінну оцінку за навчальні дані, коли додав до моделі понад 40 змінних і численні взаємодії. Але під час перехресної перевірки результат тесту впав: модель запам’ятала шум. Реальна продуктивність зросла, коли кількість змінних було зменшено до 12 і спрощено. Урок: дивіться на безпрецедентну оцінку даних, а не на оцінку навчання.
Випадок 3 — Непряма дискримінація. В одній моделі змінна «сусідства» сильно пояснює премію. Аналіз показав, що ця змінна значною мірою збігалася з етнічною концентрацією, тобто була проксі для забороненої характеристики. Актуарій замінив цю змінну більш нейтральними індикаторами ризику (тип дороги, стан паркування); як етичні, так і правові ризики зменшилися. AI створив кореляційний аналіз, вимірюючи перекриття та альтернативні пропозиції змінних; Актуарій і відділ дотримання прийняли рішення.
Поширені помилки
- Зробити модель, що не піддається інтерпретації, найкращим рецептом. Ціна, яку неможливо пояснити регулятору, аудитору та клієнту, є неприйнятною; Важлива прозорість.
- Покладаючись на освітній бал. Переобладнання виявляється лише в невидимих даних (перехресна перевірка).
- Використання заборонених/сурогатних змінних без перевірки. Такі змінні, як поштовий індекс і професія, можуть містити непряму дискримінацію; Обов'язково протестуйте його.
- Плутання премії за ризик із комерційною премією. Чиста ціна пошкодження сама по собі не є ціною продажу; додаються витрати, прибуток і вартість капіталу.
- Залишення коефіцієнта в логарифмічній шкалі та неправильне його тлумачення. Коментування без перетворення його на коефіцієнт множення за допомогою exp() призведе до помилки.
Застереження: рекомендація ШІ щодо моделі, яка «дає найкращу точність», не є автоматично моделлю, яку «слід використовувати». Прозорість, справедливість і відповідність законодавству є обов’язковими критеріями, а також точність актуарного ціноутворення.
Підсумовуючи
Ціноутворення - це процес вимірювання ризику факторами ризику та перетворення його на справедливу премію. GLM є стандартом актуарного ціноутворення з його мультиплікативною та інтерпретованою структурою; Коефіцієнти перетворюються на множники за допомогою exp(). Моделі машинного навчання, такі як GBM, можуть бути більш точними, але вони зменшують прозорість і зазвичай використовуються для виявлення. Вибір змінної має бути захищений від переобладнання за допомогою перехресної перевірки, а непряма дискримінація (сурогатна змінна) повинна ретельно контролюватися. AI будує модель, пише код і пояснює коефіцієнт; Але юридично-етична відповідність і остаточний тариф належать актуарію та відділу комплаєнсу.
Аплікаційне завдання
Перелічіть 5-6 факторів ризику для спеціальності. Попросіть штучного інтелекту надати (а) початкову специфікацію GLM з цими факторами, (б) спробувати 2 взаємодії та їх обґрунтування, (в) відбір змінних, які можуть мати ризик непрямої дискримінації. Потім наведіть приклад 3 лог-коефіцієнтів, попросіть штучний інтелект перетворити його на коефіцієнт множення за допомогою exp() і передати на бізнес-мову, а потім перевірте коефіцієнти вручну.
контрольний список
- [ ] Чи можна інтерпретувати мою модель; Чи можу я перекласти вплив кожного фактора на ділову мову?
- [ ] Чи перевіряв я переобладнання шляхом перехресної перевірки?
- [ ] Чи сканував я непряму дискримінацію заборонених і проксі-змінних?
- [ ] Чи свідомо я відокремив премію за ризик від комерційної премії?
- [ ] Чи я перетворив коефіцієнти на множники за допомогою exp() і правильно їх інтерпретував?
- [ ] Чи приймав я остаточне рішення щодо тарифів разом із підрозділом із законодавства та відповідності?