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

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 (frecu...

Full description

Autores:: Ortega Alzate, Santiago

Tipo de recurso:

Fecha de publicación:: 2021

Institución:: Universidad Nacional de Colombia

Repositorio:: Universidad Nacional de Colombia

Idioma:: spa

Description
Summary:	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)

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

Publicaciones similares