پیش‌بینی تعهدهای آتی شرکت‌های بیمه با استفاده از مدل حافظۀ بلندمدت کوتاه‌مدت

هدف: این پژوهش به‌دنبال ارائۀ مدلی برای محاسبۀ تعهدهای آتی شرکت‌های بیمه است تا به چالش‌های بالقوۀ موجود در روش سنتی پاسخ مناسبی دهد. به‌صورت سنتی، شرکت‌های بیمه از روش زنجیرۀ نردبانی، به‌عنوان نوعی ابزار آماری، برای پیش‌بینی روند توسعۀ خسارت‌ها استفاده می‌کنند. این روش آماری به‌دلیل سادگی فرضیه‌ها و تفسیر روشن، تایید نهادهای نظارتی در کشورهای مختلف را نیز به همراه دارد. با این حال، وجود فرضیه‌هایی نظیر ایستایی در ساختار توسعۀ داده‌ها و ارتباط خطی بین متغیرها، ممکن است کارایی مدل را در مواجهه با تغییرات ناشی از عوامل داخل و خارج از سازمان، مانند اِعمال سیاست‌های داخلی یا عوامل خارجی مانند همه‌گیری کووید19 متاثر سازد. محاسبۀ نزدیک به واقعیت تعهدهای شرکت‌های بیمه با توانگری مالی آن‌ها ارتباط تنگاتنگی دارد. مبلغی که شرکت‌های بیمه برای پاسخ به تعهدهای آتی خود تخصیص می‌دهند، به‌عنوان ذخیره شناسایی می‌شود. محاسبۀ ذخایر کمتر از تعهدهای آتی، شرکت بیمه را در ایفای تعهدهایش دچار مشکل می‌کند و از سویی دیگر، محاسبۀ بیش از مبلغ مورد نیاز، صورت‌های مالی شرکت‌های بیمه را تحت تاثیر قرار می‌دهد.روش: مدل ارائه شده در این پژوهش با استفاده از یادگیری ماشین و هوش مصنوعی، تعداد حوادث روزانه با خسارت‌های جانی را در بخش بیمۀ شخص ثالث پیش‌بینی می‌کند. خروجی این مدل، یعنی ترکیب تعداد و زمان وقوع حوادث، در محاسبۀ تعهدهای آتی و ذخیرۀ خسارت در این بخش بیمه‌ای نقش کلیدی دارد. این مدل با کمک داده‌های تاریخی خسارت بیمه‌گذاران شرکت بیمۀ کارآفرین، در بخش بیمۀ شخص ثالث آموزش دیده است. این مدل قادر است لایه‌های پنهان و ارتباطات غیرخطی و پیچیدۀ بین داده‌های خسارتی را شناسایی کند. در این پژوهش، از الگوریتم شبکۀ عصبی با حافظۀ بلندمدت کوتاه‌مدت که در سری‌های زمانی توانایی پیش‌بینی بیشتری دارد، استفاده شده است. داده‌های تاریخی مربوط به خسارت‌های جرحی بیمه‌گذاران، در بازۀ زمانی فروردین 1396 تا شهریور 1400 بوده است.یافته‌ها: کارایی مدل با بهینه‌سازی ابرپارامترها ارتباط نزدیک دارد. برای بهینه‌سازی مدل دو رویکرد، یعنی جست‎وجوی شبکه‌ای و تصادفی برای شناسایی ابرپارامترها با یکدیگر مقایسه شده‌اند. میانگین مربعات خطا به‌عنوان شاخص سنجش عملکرد در نظر گرفته شده است. این شاخص برای داده‌های آموزش، در هر دو مدل با فاصلۀ کمی از یکدیگر (33/16 در مقابل 4/17) برتری جست‌‎وجوی شبکه‌ای را نشان می‌دهد؛ اما در این روش، نتیجۀ داده‌های آزمون از داده‌های آموزش بهتر بود (22/15 در برابر 33/16) که این امر می‌تواند نشانه‌ای از وقوع بیش‌پردازش باشد.نتیجه‌گیری: این مقاله برای طراحی مدل پیش‌بینی تعداد روزانۀ حوادث با خسارت‌های جانی، استفاده از روش جست‎وجوی تصادفی را برای تنظیم ابرپارامترهای مدل طراحی شده بر مبنای شبکۀ عصبی حافظۀ بلندمدت کوتاه‌مدت پیشنهاد می‌کند؛ زیرا مدل طراحی‌شده بر این مبنا، بر مشکل بیش‌پردازش غلبه می‌کند و می‌تواند در کار با داده‌های ناآشنا عملکرد مناسبی داشته باشد. بیش‌پردازش زمانی رخ می‌دهد که مدل بیش از حد از داده‌های آموزشی تاثیر بگیرد و نه تنها الگوهای واقعی را یاد بگیرد، بلکه نویزها و جزئیات جزئی داده‌ها را نیز یاد بگیرد. این ممکن است باعث کاهش جامع‌پذیری مدل شود.

forecasting insurance company commitments with long short-term memory models

objectivethis study aims to present a novel model for predicting the future commitments of insurance companies that can adequately address the potential challenges of traditional methods. traditionally, insurance companies use the chain ladder approach as a statistical tool to forecast the trend of claims development. this statistical method is favored by regulatory authorities in various countries due to its simplicity in assumptions and clear interpretation. however, certain assumptions, such as the stability of data development and linear relationships between variables, can affect the efficiency of this model when faced with internal policies or external factors like the covid-19 pandemic. forecasting future commitments close to reality is closely related to the financial stability of insurance companies. the amount that insurance companies allocate to meet their future obligations is identified as reserves. calculating reserves that are less than the required amounts can pose challenges for insurance companies in fulfilling their commitments while calculating more than necessary amounts can negatively impact the financial statements of insurance companies. methodsin this study, a dynamic model based on machine learning algorithms is proposed. the model’s output, which combines the number and timing of bodily injury accidents, plays a crucial role in calculating reserves for non-life insurance products. this model is specifically trained to predict the frequency of accidents in vehicle third-party liability insurance. it can identify hidden patterns and non-linear, complex relationships within claims data. a long short-term memory (lstm) neural network algorithm is employed, recognized for its strong predictive capability in time series data. the model is trained using historical data from karafarin insurance company covering the years 2017 to 2021. resultsthe performance of the model is highly related to the hyperparameters chosen for the model. two of the most common approaches for tuning the hyperparameters are tested in this study. these two models are grid and random search. the root mean square error (rmse) is used as a performance metric, and it indicates that the grid search has a lower rmse than the random search for the training data with a slight difference (16.33 versus 17.4). however, the results for the test data in the grid search have a sign of overfitting. conclusionthis study recommends using random search for tuning the hyperparameters of the model to predict the frequency of daily incidents. the evaluation of the two approaches for tuning hyperparameters indicates that random search is more suitable for working with unfamiliar data and managing overfitting situations. overfitting occurs when the model becomes overly influenced by the training data, learning not only the actual patterns but also the noise and minor details of the data. this issue can negatively impact the model’s generalization ability.