Befehle des Menübands überspringen
Zum Hauptinhalt wechseln
Anmelden

Anwendungsfälle

 Inhalts-Editor ‭[1]‬

Anwendungsfälle

Die Arbeitsgruppen des Ausschusses Actuarial Data Science erarbeiten verschiedene Anwendungsfälle, die nachfolgend vorgestellt werden.

 

Neuronale Netze treffen auf Mortalitätsprognose

Arbeitsgruppe Statistische Methoden des Ausschusses Actuarial Data Science, 15.09.2020

Welchen Mehrwert können Neuronale Netze für die Prognose der Lebenserwartung in mehreren Populationen bieten? Zur Klärung dieser Frage wird zunächst eine Datenbasis mit Mortalitätsraten für Japan, USA, Deutschland und sechs weitere europäische Länder aufgebaut. In weiteren Schritten wird für jede dieser Populationen ein klassisches Mortalitätsmodell berechnet sowie das in Richman und Wüthrich (2018) vorgestellte tiefe künstliche neuronale Netz populationsübergreifend trainiert. Mittels dieser Modelle werden Mortalitätsprognosen für verschiedene Zeiträume erstellt und miteinander verglichen. Es zeigt sich bei der Mehrzahl der untersuchten Populationen eine bessere Prognosefähigkeit dieses populationsübergreifenden neuronalen Netzes im Vergleich zu einem „plain vanilla“ Lee-Carter Modell.

 

Use (this Solvency II) case! Neuronale Netze treffen auf Least Squares Monte Carlo

Arbeitsgruppe Statistische Methoden des Ausschusses Actuarial Data Science, 17.08.2020

Das Thema künstliche Intelligenz ist gerade in aller Munde und die Anwendungsgebiete erfreuen sich immer größerer Beliebtheit. In dieser Fallstudie wollen wir uns der Risikokapitalermittlung von Versicherungsunternehmen im Solvency II-Kontext widmen und wir werden den klassischen Least Squares Monte Carlo-Ansatz mit neuronalen Netzen herausfordern. 

Die speziell für diesen Zweck erzeugten, realistischen Projektionsdaten von drei im Rahmen dieses Use Case aufbereiteten Lebensversicherungs- und Krankenversicherungsportfolien bilden den zentralen Bestandteil dieses Use Case.

 

GLM, Deep Learning und Gradient Boosting in der Schadentarifierung, Teil 1

Ausschuss Actuarial Data Science in Zusammenarbeit mit der Arbeitsgruppe Tarifierungsmethodik des Ausschusses Schadenversicherung, 23.04.2020

Welchen Mehrwert können Methoden des Maschinellen Lernens für die Schadentarifierung bieten? Zur Klärung dieser Frage werden für einen französischen Autoversicherungsbestand mit den oben genannten Methoden Schadenhäufigkeitsmodelle berechnet, kreuzvalidiert und die Prognoseergebnisse verglichen. Dabei wird auch auf Praxisaspekte wie z.B. Tariforganik eingegangen. Es zeigt sich, dass "Deep Learning" und "Gradient Boosting" mindestens für die Verbesserung klassischer Modelle verwendet werden können. Die mit Abstand genauesten Prognosen werden hier mit "Gradient Boosting" erzielt.

Weitere Informationen

 

 SpLoginControl - LoginControl

Login


Adressnr.:
Passwort:

 Inhalts-Editor ‭[2]‬

GitHub-Account

Über diesen Link gelangen Sie zum GitHub-Account der DAV.

 Inhalts-Editor ‭[3]‬

DAV
DGVFM
IVS

Kontakt
Impressum
Datenschutz

Unsere Mitglieder
Unsere Themen
Unsere Veranstaltungen

Ausbildung DAV
Ausbildung IVS
Ausbildung CERA

Pressemeldungen
Aktuar Aktuell
Stellenanzeigen