Aluno: Zhifeng Xu
Resumo
O pricing na atividade seguradora está a tornar-se cada vez mais interessante e desafi- ador pelo facto de a dimensão dos dados a analisar estar a crescer de forma explosiva. Torna-se assim urgente para as seguradoras reconsiderar a forma de lidar com este vol- ume de dados.
Para implementar modelos sofisticados de pricing para produtos de seguro automóvel, aplicámos técnicas de machine learning, incluindo modelos GLM penalizados e métodos de boosting, que ajudam a identificar as características mais importantes de entre uma grande quantidade de variáveis candidatas. Estes métodos também permitem detetar potenciais interações sem testar as inúmeras combinações bidimensionais. Para um uso eficiente desses métodos, é necessário compreender o objetivo do modelo, as hipóteses que o suportam e dominar as metodologias estatísticas.
Embora haja alguma evidência de um maior poder preditivo dos modelos baseados em machine learning quando comparados com os tradicionais GLM, estes últimos beneficiam de uma estrutura, mais conveniente e mais interpretável. O modelo GLM é mais fácil de ex- plicar às partes interessadas o que nos levou a utilizar os GLM na modelação do risco, mas absorvendo os ensinamentos dados pelos modelos de machine learning.
A avaliação dos modelos é realizada pela análise dos resíduos quer na fase de treino quer de validação quer ainda de teste.
Após a revisão pela equipa, aplicam-se alguns ajustes em cada modelo para reforçar a sua significância e a sua robustez. Espera-se que eles tenham alto poder preditivo nos dados fora da amostra e possam, portanto, ser usados no futuro.
Trabalho final de Mestrado