För elfte gången delades i oktober förra året aktuariepriset ut vid SCORs Livförsäkringskonferens av representanter för Aktuarieföreningen och SCOR. 2024 gick det till Vilma Guevara Härkönen på Folksam, för hennes diplomarbete kring metoder för reservsättning med hjälp av AI. Härnedan kan du läsa en sammanfattning av hennes diplomarbete.
Maskininlärning har blivit allt mer populärt tack vare den snabba utvecklingen av datorkraft och tillgången till stora datamängder. Detta har möjliggjort träning av avancerade modeller som tidigare var praktiskt omöjliga. Två populära maskininlärningsmodeller är Gradient Boosting Machines (GBM) och neurala nätverk. GBM är en metod som bygger en serie av beslutsträd där varje nytt träd lär av felen i föregående träd, vilket gradvis minskar felaktigheterna. Genom att kombinera många svaga modeller (beslutsträd) till en stark modell uppnår GBM hög noggrannhet och generalisering. Neurala nätverk däremot är algoritmer inspirerade av hjärnans sätt att bearbeta information och är mycket flexibla när det gäller att hantera komplexa, icke-linjära samband i stora datamängder. Nätverket lär sig gradvist att identifiera mönster och göra prediktioner.
Reservsättning, där försäkringsbolag avsätter medel för framtida skadekostnader, har traditionellt använt statistiska modeller. Användningen av maskininlärning inom detta område har dock varit begränsad, även om intresset växer. Detta arbete undersökte om maskininlärningsmodeller kan förbättra träffsäkerheten vid reservsättning. Tre modeller testades: GBM och två typer av neurala nätverk. Den ena modellen analyserade antal skador och skadekostnader separat, medan den andra hanterade dem simultant för att upptäcka icke-linjära samband. Jämförelser gjordes med två traditionella modeller, och alla modeller testades på både simulerad och verklig data från ett försäkringsbolag.
Resultaten visade att maskininlärning ofta gav mer exakta uppskattningar av reserver jämfört med traditionella modeller. GBM presterade bäst och gav mest träffsäkra uppskattningar i sex av nio fall. Traditionella modeller tenderade att underskatta reserver, medan GBM bättre balanserade över- och underskattningar. Vid analyser av kassaflöden och medelskadekostnader presterade modellerna bra på simulerad data men hade större utmaningar att anpassas verklig data.
Sammanfattningsvis visar studien att maskininlärning har potential inom reservsättning. GBM är relativt enkel att implementera och ger jämförelsevis noggranna uppskattningar vilket gör den till en intressant utgångspunkt för försäkringsbolag som vill börja utforska maskininlärning för reservsättning.
