Tarificación técnica marina con GLM y IA

Por Jonas Mohamed Osman Abdelghafour.

Si se le pregunta a un suscriptor marítimo cómo se tarifica un riesgo de casco (hull), la respuesta honesta en gran parte del mercado sigue siendo: la tasa del año pasado, ajustada por siniestros, dirección del mercado y negociación. Los factores de tarificación existen —tipo de buque, edad, tonelaje, sociedad de clasificación, límites de navegación, estructura de franquicia— pero a menudo se aplican como capas de juicio en lugar de como coeficientes en un modelo ajustado. El resultado es un subsidio cruzado sistemático: las flotas modernas bien gestionadas pagan de más, y los peores riesgos de la cartera pagan de menos precisamente porque no existe un modelo que así lo indique.

El conjunto de herramientas actuariales para solucionar esto es maduro. Los modelos lineales generalizados (GLM), el caballo de batalla de la tarificación de seguros de particulares desde la década de 1990, descomponen el coste de pérdida esperado en factores multiplicativos estimados conjuntamente a partir de los datos: frecuencia modelada con estructuras tipo Poisson, severidad con gamma o log-normal, o prima pura a través de Tweedie. Aplicado a una cartera marina, un GLM convierte la anécdota en evidencia: ¿realmente la edad del buque impulsa los siniestros de maquinaria una vez controlados el tonelaje y el tráfico? ¿Es una bandera particular una señal de riesgo genuina o un indicador de la calidad del operador? El modelo responde con intervalos de confianza en lugar de historias de batalla.

El problema de los datos marinos y cómo sortearlo

La objeción estándar es el volumen de datos. Una aseguradora marítima puede suscribir unos pocos miles de buques-año y unos pocos cientos de siniestros al año, nada parecido a los millones de exposiciones que respaldan un GLM de automóviles. Esta es una restricción real pero no invalidante. La respuesta actuarial es triple: agrupar datos a lo largo de los años y, donde sea posible, a través de instalaciones de mercado y bases de datos de la industria; mantener modelos parsimoniosos, con pocos factores bien elegidos y un uso intensivo de la credibilidad para atraer las estimaciones inestables hacia las medias de la cartera; y dividir el problema, modelando estadísticamente las pérdidas de frecuencia (attritional) mientras se manejan las grandes pérdidas a través de curvas de exposición y cargas por eventos en lugar de pedir a un conjunto de datos escaso que estime la cola.

La tarificación de carga ilustra este enfoque por capas. Las pérdidas de carga frecuentes —robo, mojadura, daños por manipulación— son lo suficientemente habituales como para modelarse frente a la clase de mercancía, el embalaje, la ruta, el medio de transporte y la estación. El potencial de grandes pérdidas —un accidente de buque que transporta contenedores acumulados, un incendio en un almacén en un centro de transbordo— se maneja mejor mediante modelos de acumulación y cargas de catástrofe explícitas. Unir las capas en un único precio técnico, con un margen de beneficio y capital defendible, es precisamente el tipo de trabajo de ensamblaje que los actuarios de tarificación hacen en cualquier otro ramo especializado.

Dónde ayuda realmente el aprendizaje automático (IA)

Las máquinas de gradient boosting (GBM) y los métodos de ensamble relacionados superan consistentemente a los GLM en precisión predictiva en aplicaciones de seguros, porque capturan no linealidades e interacciones automáticamente: la forma en que la edad interactúa con el tipo de buque, o cómo el nivel de franquicia interactúa con la calidad del operador. En el sector marino, su valor más inmediato no es reemplazar el modelo de tarificación, sino minarlo para encontrar estructura: ajustar un GBM junto a un GLM, comparar el "lift" y usar las interacciones aprendidas por la máquina para informar qué términos pertenecen al modelo transparente que los suscriptores y reguladores ven realmente. Este patrón de "GLM más desafiante" (challenger), ahora estándar en equipos de tarificación sofisticados, se adapta bien al sector marino porque preserva la explicabilidad donde los datos son escasos.

El aprendizaje automático también desbloquea conjuntos de características que la tarificación clásica nunca tocó. Los históricos de seguimiento de buques AIS generan variables de comportamiento: tiempo pasado en aguas de alto riesgo, patrones de escalas en puertos, perfiles de velocidad, brechas de actividad oscura. Las bases de datos de accidentes y detenciones ofrecen señales de calidad del operador: deficiencias en el control del estado del puerto, hallazgos de inspecciones de clase, historial de la empresa gestora. Estas son entradas desordenadas y de alta dimensión, exactamente lo que los ensambles basados en árboles digieren bien y las tablas de tarificación manuales no pueden. Un suscriptor que sabe que un buque pasó cuarenta días merodeando cerca de una zona de transbordo sancionada tarifica de forma diferente a uno que solo conoce su edad y tonelaje.

El destino

El destino no es una caja negra que escupe una prima vinculante. Es una arquitectura de tarificación en la que cada riesgo marino recibe un precio técnico construido a partir de modelos ajustados, enriquecido por datos de comportamiento y claramente separado del precio comercial que el suscriptor elige cobrar, con la brecha entre ambos medida, reportada y gestionada. Los mercados que construyan esta arquitectura seleccionarán contra aquellos que no lo hagan: los buenos riesgos mal tarificados migrarán hacia los modeladores, y los malos riesgos mal tarificados permanecerán con todos los demás. Así fue como la tarificación técnica conquistó el seguro de automóviles, y no hay ninguna razón estructural para que el sector marino termine de forma diferente.

Conclusiones clave

• La tarificación marina está evolucionando del juicio experto a modelos técnicos basados en evidencia (GLM).
• La escasez de datos se gestiona mediante el uso de credibilidad actuarial y la separación de capas de frecuencia y grandes siniestros.
• El aprendizaje automático (GBM) se utiliza como "desafiante" para identificar interacciones no lineales que luego se incorporan al modelo principal.
• Los datos AIS permiten incluir el comportamiento real del buque y la calidad del operador como factores de riesgo potentes.
• La separación entre precio técnico y comercial es fundamental para la higiene de la suscripción moderna.

Jonas Mohamed Osman Abdelghafour es el fundador de Quantica Risk Model.