Exploración de las redes neuronales para la proyección de la máxima pérdida esperada de una póliza de seguros: aplicación para un seguro previsional

Abstract

Durante la definición del precio comercial de una póliza de seguros, las aseguradoras deben cuantificar el riesgo asumido para constituir reservas suficientes y hacer frente a las reclamaciones futuras. Durante ese proceso, es determinante estimar el número de siniestros a pagar por la póliza (frecuencia de la póliza). En este trabajo de grado se estima la frecuencia para una póliza del seguro previsional con vigencia en el año 2020, para la cobertura de sobrevivencia. Esto mediante el ajuste de un modelo de regresión cuasi-Poisson y el entrenamiento de una red neuronal recurrente. Se requirió en el histórico de siniestros pagados en los t = 10 años anteriores al 2020. Debido a que el pago de los siniestros cubiertos por el seguro previsional puede realizarse en cualquier momento posterior a la ocurrencia de estos, es necesario el cálculo intermedio de una variable conocida como Siniestros Incurridos, pero no Reportados - IBNR, por sus siglas en inglés (un siniestro ocurrido en 2019 puede ser avisado y pagado en el año 2024, por lo que aún se desconoce). De esta manera, primero se estimó la IBNR para las pólizas 2010 − 2019 partiendo de un triángulo de siniestros incurridos. Para el cálculo de la IBNR y la frecuencia existen metodologías con bases teóricas bien establecidas, tales como la regresión cuasi-Poisson. Sin embargo, es común encontrar en la literatura avances sobre el uso de inteligencia artificial en este tipo de aplicaciones. Por lo tanto, se aplican las redes neuronales recurrentes - RNN con el propósito de contrastar su desempeño con el de la regresión cuasi-Poisson y contribuir con este esfuerzo. En general, los resultados de IBNR y frecuencia son inferiores cuando se utiliza la RNN, en comparación con los resultados vía regresión cuasi-Poisson, sobre todo en las pólizas más recientes (2015−2019). Una intuición primaria sería que la RNN tiende a subestimar el riesgo a cubrir por la póliza. Probablemente, se necesitan más datos para la estimación (como, por ejemplo, características de los asegurados). En conclusión, el uso de RNN se presenta como una alternativa prometedora para el pronóstico de la frecuencia de una póliza. En futuros estudios, se recomienda incluir durante el entrenamiento de esta, variables adicionales vinculadas al riesgo que se busca tarifar y que describan mejor a la población asegurada. (Texto tomado de la fuente)

In the pricing of an insurance policy, insurance companies must quantify the value of the assumed risk in order to constitute sufficient reserves and face future claims. During that process, it is highly important to estimate the number of claims to be paid by the policy (frequency of the policy). In this thesis, the frequency is estimated for a pension insurance policy effective in the year 2020, specifically for survival coverage. This is done by fitting a quasi-Poisson regression model and training a recurrent neural network. The input is the historical claims count of t = 10 years prior to 2020. Due to the fact that the payment of the claims covered by the social security insurance can be made at any time after their occurrence, the intermediate calculation of a variable known as Incurred but Not Reported Claims - IBNR is required (a loss that occurred in 2019 can be notified in the year 2024, so it is still unknown). In this way, IBNR was first estimated for the 2010 − 2019 policies using a triangle of incurred claims. For the IBNR calculation and frequency, there are methodologies with well-established theoretical bases, such as quasi-Poisson regression. However, it is common to find in the literature advances on the use of artificial intelligence in this type of application. Therefore, recurrent neural networks - RNN are applied with the purpose of contrasting their performance with that of quasi-Poisson regression and contributing to this effort. In general, IBNR and frequency results are lower when using RNN for estimation compared to results with quasi-Poisson regression, especially for more recent policies (2015 − 2019). Since the quasi-Poisson regression model resulted in higher estimates, it can be inferred that the RNN tends to underestimate the risk to be covered by the policy. Probably, the data considered for its estimation (the number of insured people) provide more information to the model than the sequential input patterns used in the RNN. In conclusion, the use of RNN is presented as a promising alternative for forecasting the frequency of a policy. In future studies, during the neural network training, it is recommended to include additional variables linked to the risk to be priced and that better describe the insured population.