解锁保险损失发展中自动化机器学习的力量

在保险界，理赔是行业的命脉。准确预测损失随时间的演变至关重要，因为它直接影响准备金、风险选择、承保、定价和理赔管理。传统上，精算师使用组合层面的计算来估计准备金要求，依赖于链梯法（Chain-Ladder）和 Bornhuetter-Ferguson 三角法等。这些方法提供了整个组合损失发展的总体视图，服务于财务和监管报告的目的。虽然这些方法提供了透明度和易于实施的优势，但也带来了一定的风险和局限性。

个体损失发展（ILD）的创新方法旨在根据每笔索赔的独特特征预测其发展轨迹。这一方法具有颠覆性意义，为损失发展提供了更加个性化的视角。

传统方法面临的挑战

传统方法擅长提供损失发展的整体视图，但可能会忽略关键细节。仅通过聚合视角估算损失发展，如果忽视基本特征，可能导致特定细分市场的损失准备金估算不准确。此外，这些方法提供的视图是静态的，分析准备金变化及其底层模式可能耗时费力。而且，在聚合方法中区分和量化不同且重叠的趋势具有挑战性。

引入个体损失发展（ILD）

ILD 旨在预测每笔个体索赔的损失发展，同时考虑其独特属性。然而，手动构建 ILD 模型是一项艰巨的任务，特别是由于索赔发展的时间性质以及特征工程和参数估计的复杂性。此外，处理自由文本特征（这些特征对未来的索赔发展具有高度预测性）也带来挑战，因为自然语言处理模型的可用性有限。

自动化机器学习（AutoML）来救援

自动化机器学习（AutoML）成为解决 ILD 建模复杂性的方案。AutoML 简化了特征工程、变量选择和模型构建，显著减少了实验所需的时间。AutoML 还促进了自动化文本挖掘，使索赔文档中的预测性洞察能够被快速提取。

损失发展的预测变量

为了构建损失发展的预测变量，保险公司通常会考虑以下五类信息：

1. 初始索赔详情

2. 索赔发展信息

3. 保单详情

4. 客户详情

5. 外部因素

然而，避免目标泄露至关重要，目标泄露是指在使用模型训练时使用了在预测时不可用的信息。为了防止这种情况，变量仅限于每个发展年份的历史值，以符合预测时间。

特征集可能因模型的目的而异，有些侧重于早期索赔发展估算，而另一些则侧重于长尾组合。

数据准备挑战

ILD 建模可能导致大型数据集，特别是对于长尾负债。下采样技术有助于管理数据集大小，但它们会引入对短距离值的偏差。根据业务目标，引入权重可以帮助缓解这种偏差。

设置模型

在设置 ILD 模型时必须考虑几个因素，包括是否处理开放和封闭索赔、如何处理异常值、在哪个索赔阶段进行预测，以及需要哪些后处理技术。

建模工作流程

AutoML 允许快速尝试各种模型家族和特征工程方法。它还支持创建目标特征，同时考虑损失总额和损失增量等因素。优化指标的选择取决于模型的预期用途。

模型解释

ILD 模型提供对预测性特征的洞察。最具预测性的三个特征通常包括初始损失、累计已发生损失和发展年份。单调性约束至关重要，确保模型与业务假设保持一致。

应用 ILD 方法

使用来自不同业务子线的 14,000 笔索赔的模拟航空损失组合来应用 ILD 方法。该模型展示了有希望的准确性，且最具预测性的特征符合预期。此外，ILD 模型为每次预测提供个体解释，使保险公司能够理解为何某笔索赔可能被视为高风险。

对保险公司的影响

ILD 方法为索赔组合通胀提供了细粒度的视角，补充了传统的准备金方法。机器学习，特别是 AutoML，为手动构建 ILD 模型带来的挑战提供了解决方案，节省了时间并提供了可操作的洞察。虽然 ILD 不太可能完全取代基于三角法的方法，但它可以从定价、索赔调查、欺诈检测和组合评估等多个方面增强保险业务。通过拥抱 ILD 并紧跟机器学习的进步，保险公司可以在行业中获得竞争优势。

在不断演变的保险格局中，采用 ILD 和机器学习有望改变行业，使保险公司能够做出更明智的决策，并为客户提供更好的服务。