Andrea NIGRI, Susanna LEVANTESI, Mario MARINO, Salvatore SCOGNAMIGLIO, Francesca PERLA
“A Deep Learning Integrated Lee–Carter Model”
Mortalità


Nel campo dello studio delle tendenze della mortalità, il modello Lee-Carter può essere considerato la “pietra miliare” tra i modelli previsivi di natura stocastica.

È possibile identificare una “famiglia” di modelli Lee-Carter, comprendente tutti gli sviluppi del modello originario (del 1992), che rimane il benchmark per valutare le performance dei modelli successivi.

Nel modello Lee-Carter, il parametro Kt, che descrive il trend della mortalità nel corso del tempo, gioca un ruolo importante sul futuro andamento della mortalità.

Il processo tradizionale ARIMA, normalmente utilizzato per modellizzare il parametro Kt, mostra evidenti limiti nel descrivere la struttura della mortalità futura. Relativamente alla fase di previsione, gli studiosi dovrebbero individuare un approccio più plausibile per definire una forma non lineare dei tassi di mortalità proiettati.

Per tale ragione, gli Autori propongono un approccio alternativo al processo ARIMA, basato su una tecnica di “deep learning”. Più in particolare, al fine di cogliere più accuratamente la configurazione delle serie del fattore Kt nel tempo, applicano un approccio basato sulle reti neutrali con un processo di machine learning denominato “Long Short-Term Memory” e integrano il modello Lee-Carter al fine di migliorare la sua capacità previsiva.

L’approccio proposto offre una performance significativa in termini di accuratezza delle previsioni e consente, nel contempo, di evitare fenomeni di selezione a priori. In effetti, è prassi comune fra gli studiosi eliminare i periodi in cui si presentano distorsioni o la qualità dei dati è insufficiente.

La forza dell’approccio “Long Short-Term Memory” sta nella sua capacità di gestire le distorsioni e di riprodurle adeguatamente nel trend previsivo in virtù della sua struttura, che consente di tenere conto degli sviluppi significativi di lungo termine.

UE
STATISTICHE
NEWS