Kajsa Falkdalen: From Thousands to Tens Complexity Reduction Through Local Bias Adjustment Methods in Non-Life Insurance Pricing

Abstract: Inom skadeförsäkring producerar prisättningsmodeller typsikt sett ett stort antal distinkta tariffceller. Detta kan göra den resulterande prisstrukturen svår att tolka och implementera i praktiken. Denna uppsats undersöker fyra lokala biaskorrigeringsmetoder för att reducera modellkomplexitet samtidigt som den prediktiva förmågan bevaras. De två första metoderna undersöks i artikeln "Local bias adjustment, duration weighted probabilities, and automatic construction of tariff cells" av Lindholm et al. [8] som denna uppsats utgår ifrån. Notera att analysen är avgränsad till frekvensmodellering och således inte omfattar modellering av skadestorlek. Vidare fokuserar uppsatsen endast på lokal biasjustering av medelvärdet och inte av variansen. Metoderna tillämpas på både det franska trafikförsäkringsdatasetet freMTPL2freq och ett simulerat dataset, med en generaliserad linjär modell (GLM) och en gradient boosting maskin (GBM) som basmodeller. Prestanda utvärderas utifrån prediktiv förmåga, kalibrering och det resulterande antalet tariffceller. Resultaten visar att alla fyra metoder väsentligt reducerar antalet tariffceller från tusentals till färre än ett hundra, utan någon betydande försämring av den prediktiva förmågan. Isotonisk regression har en fördel gentemot de övriga metoderna då den inte kräver någon hyperparameterjustering och automatiskt anpassar sig efter mängden information i datan