GESTIRE I RISCHI DI RISCATTO E DECADENZA NELL’ASSICURAZIONE VITA CON TECNICHE DI MACHINE LEARNING
“Applying economic measures to lapse risk management with machine learning approaches”
Stéphane LOISEL, Pierrick PIETTE, Cheng-Hsien Jason TSAI
CORNELL UNIVERSITY (ARXIV.org)
https://www.cornell.edu/
CORNELL UNIVERSITY – Link al PAPER
Modellizzare i comportamenti di riscatto e decadenza degli assicurati è importante per gli assicuratori vita, poiché le conclusioni dei contratti influiscono sul prezzo, sulla riservazione, sulla redditività, sulla liquidità, sulla gestione del rischio, nonché sulla solvibilità dell’impresa. Il rischio di decadenza, in effetti, è il rischio di sottoscrizione vita più significativo secondo gli studi di impatto quantitativo condotti da EIOPA nell’ambito di Solvency II.
Nel presente Paper, sono introdotti due algoritmi avanzati di machine learning per la modellizzazione dei riscatti e delle decadenze contrattuali. Sono altresì valutate le prestazioni di diversi algoritmi mediante la classica misura dell'accuratezza statistica e della redditività. Inoltre, è adottato un punto di vista innovativo, derivato dalla gestione delle rescissioni, con riguardo al tema della previsione dei riscatti. Il problema di classificazione è trasformato in una questione di regressione e viene quindi eseguita l'ottimizzazione, che è una novità per la gestione del rischio in esame.
Sono applicati algoritmi diversi a un ampio set di dati assicurativi reali. I risultati mostrano che gli algoritmi di machine learning - XGBoost e SVM - superano l’approccio CART e la regressione logistica, soprattutto in termini di metrica di validazione economica. L'ottimizzazione dopo la trasformazione fa emergere significativi e consistenti aumenti dei benefici economici legati alla maggiore ritenzione della clientela.