Машинное обучение в резервировании убытков

Резервирование отстало от тарификации не из-за консерватизма. Причины носят структурный характер, и они подсказывают, какие новые методы сработают, а какие — нет.

Автор: Jonas Mohamed Osman Abdelghafour.

Комментарий к программе CAS 2026 года по сбору работ, посвященных улучшенным методологиям и технологиям резервирования, а также к расширенному набору данных по резервированию убытков Schedule P, выпущенному CAS в 2026 году. Подробности доступны на сайте CAS.

CAS открыло в 2026 году программу приема работ по улучшенным методологиям и технологиям резервирования, отметив, что развивающиеся технологии сделали расширенное моделирование более практичным. Общество также обновило свой набор данных Schedule P, включив в него еще десять отчетных лет по основным видам страхования имущества и ответственности (P&C) в США.

Эти два события вместе значат больше, чем каждое по отдельности. Методологический призыв без данных рождает теорию. Данные без призыва рождают разрозненные эксперименты. Сочетание обоих факторов — это то, как дисциплина действительно движется вперед.

Но стоит задать предварительный вопрос, который программа подразумевает, не формулируя его явно: почему резервирование отстало от тарификации примерно на пятнадцать лет в принятии машинного обучения? Ответ кроется не в консерватизме, и правильное понимание этого подсказывает нам, какие новые методы сработают, а какие — нет.

Четыре структурные причины отличия резервирования

1. Единица наблюдения не является единицей интереса.

В тарификации у вас есть сотни тысяч полисов, каждый с определенным результатом. Это задача обучения с учителем в ее естественной форме.

В резервировании традиционной единицей является отчетный год (accident year) — и их у вас, возможно, всего двадцать. Треугольник — это не большой набор данных. Это двадцать сильно коррелированных наблюдений процесса, представленных в виде матрицы. Применение метода, разработанного для больших выборок, к выборке с n≈20 — это не консервативная осторожность, это арифметика.

Переход к резервированию на уровне индивидуальных убытков меняет это коренным образом, поэтому он является наиболее важным структурным сдвигом в области. Как только единицей становится отдельная претензия, у вас снова появляются сотни тысяч наблюдений.

2. Целевая переменная не наблюдаема.

Модели тарификации предсказывают убыток, который в конечном итоге происходит и может быть проверен. Модели резервирования предсказывают конечный результат (ultimate) — величину, которая не будет известна годами, а для видов страхования с «длинным хвостом» — возможно, десятилетие или более.

Это разрушает цикл разработки машинного обучения в самой его основе. Вы не можете быстро итерировать на валидационной выборке, когда эта выборка не появится до 2034 года. Бэктестинг на исторических треугольниках помогает, но каждый такой тест «загрязнен»: исторические резервы влияли на урегулирование убытков, поведение по выплатам и адекватность резервов по отдельным делам, которые и сгенерировали данные, на которых вы проводите тест.

3. Результат резервирования — это статья финансовой отчетности.

Модель тарификации, которая ошибается, приводит к субоптимальным тарифам и, в конечном итоге, к корректировке опыта. Модель резервирования, которая ошибается, приводит к искажению баланса, пересчету отчетности и, потенциально, к претензиям со стороны регулятора. Ответственный актуарий подписывает заключение по этим цифрам.

Следовательно, толерантность к методологической непрозрачности здесь объективно ниже, и это правильно. Доминирование метода цепной лестницы — это не инерция; дело в том, что этот метод можно объяснить аудитору за десять минут и проверить его правильность за один рабочий день.

4. Изменения в процессе обесценивают данные.

Методы резервирования предполагают, что прошлое предсказывает будущую структуру развития. Любое изменение в урегулировании убытков, философии формирования резервов по делам, стратегии выплат, законодательной среде или миксе продуктов нарушает это допущение. Опытные актуарии по резервированию тратят большую часть своего времени на обнаружение и корректировку этих разрывов.

Модель машинного обучения, обученная на историческом развитии, изучает историческую операционную среду, включая все практики урегулирования. Она будет уверенно экстраполировать паттерн выплат, который изменение стратегии урегулирования уже прекратило. Обнаружение этого требует именно того суждения, которое модель предоставить не может, — и, что еще хуже, уверенность модели скрывает необходимость в таком суждении.

Что на самом деле работает

Учитывая эти ограничения, методы, заслужившие свое место, обладают общим свойством: они добавляют детализацию или структуру, не отбрасывая актуарную основу.

Резервирование на уровне индивидуальных убытков. Моделирование развития на уровне претензии с использованием ее характеристик — типа травмы, статуса спора, юрисдикции, возраста заявителя, пути лечения. Это напрямую решает проблему малой выборки (small-n) и позволяет моделировать неоднородные портфели без потерь от агрегации. Это самый существенный прогресс в области, и он естественно сочетается с извлечением характеристик убытков из текстовых документов на базе LLM — работа над чем также финансируется CAS.

Смешанные и иерархические модели. Частичное объединение по сегментам — заимствование силы у родственных сегментов при сохранении подлинных различий. Это статистически обоснованное решение вечной проблемы резервирования: сегменты слишком малы, чтобы моделировать их по отдельности, и слишком разные, чтобы их объединять. Недавняя монография CAS по практическим смешанным моделям для актуариев отражает своевременное признание того, что этот инструмент должен войти в стандартный набор.

Стохастическое резервирование с доверительными интервалами. Не новый, но хронически недоиспользуемый подход. Советы директоров и регуляторы все чаще требуют диапазоны резервов, а не точечные оценки, и обоснованный диапазон требует явной модели неопределенности, а не субъективной маржи.

Машинное обучение для диагностики, а не для оценки. Применение, которое я бы поставил на первое место для большинства компаний: используйте ML для обнаружения изменений в процессе урегулирования, выявления аномальных паттернов развития и пометки сегментов, где допущения традиционных методов перестают работать. Модель не выдает резерв — она говорит актуарию, куда смотреть. Это работает в согласии с четырьмя ограничениями, а не против них, и именно здесь я последовательно вижу лучшую отдачу на практике.

Что позволяют сделать расширенные данные Schedule P

Добавление десяти отчетных лет в набор данных CAS Schedule P важно по конкретным причинам.

Более длинные окна развития для видов страхования с «длинным хвостом». Тестирование метода резервирования на коммерческой ответственности требует наблюдения за развитием до состояния, близкого к конечному результату. Десять дополнительных лет переводят несколько видов страхования из категории «недостаточно для оценки» в категорию «оцениваемых».

Тестирование через циклы. Методы резервирования ведут себя по-разному на жестком и мягком рынках, а также при низкой и высокой инфляции. Набор данных, охватывающий больше циклов, позволяет тестировать методы на устойчивость к различным режимам, а не только внутри одного — что является именно тем режимом отказа, который губит модели резервирования на практике.

Подлинный бенчмаркинг. Общий публичный набор данных позволяет сравнивать конкурирующие методы на идентичных данных — именно так методологические области добиваются реального прогресса. Без этого каждая статья сообщает об отличных результатах на проприетарных данных, к которым никто больше не имеет доступа.

Одно предостережение: Schedule P — это агрегированные отраслевые данные. Они отлично подходят для тестирования поведения методов и сравнения подходов. Их нельзя использовать для разработки методов резервирования на уровне индивидуальных убытков, для которых нужны данные по конкретным претензиям. Самый важный методологический фронт — это тот, который данный набор данных не может поддержать напрямую.

Пять рекомендаций для команд по резервированию

Начинайте с диагностики, а не с оценки. Самая быстрая и обоснованная ценность от ML в резервировании — это обнаружение изменений в процессах. Постройте это сначала, докажите эффективность, а затем думайте о расширении.

Относитесь к индивидуальному резервированию прежде всего как к программе работы с данными. Методы не являются ограничением — ими являются качество, последовательность и история данных на уровне убытков. Большинству компаний требуется полтора года работы с данными, прежде чем вопрос моделирования станет актуальным.

Продолжайте использовать традиционный метод параллельно, бессрочно. Не в качестве временной меры, а как постоянный контроль. Существенное расхождение между детализированной моделью и методом цепной лестницы — это ценная информация, и вы теряете ее, как только отказываетесь от бенчмарка.

Документируйте разрывы в допущениях явно и надолго. Каждое изменение в урегулировании убытков, философии резервирования или стратегии выплат должно регистрироваться с указанием даты и ожидаемого эффекта в реестре, который ведет команда резервирования. Это те институциональные знания, благодаря которым работает любой метод, и они уходят из компании вместе с опытными сотрудниками.

Сделайте диапазон, а не точку, основным результатом. Одно число создает иллюзию ложной точности и не дает основы для обсуждения неопределенности, которая на самом деле важна для совета директоров. Это скорее коммуникационное изменение, чем методологическое, и оно давно назрело.

Основная нить

Сквозная мысль во всем этом заключается в том, что сопротивление резервирования новым методам никогда не было консерватизмом. Это была правильная реакция на четыре реальные структурные особенности проблемы.

Методы, которые сейчас добиваются успеха, — это те, которые обращаются к этим особенностям напрямую: детализация для решения проблемы малой выборки, иерархическая структура для решения проблем сегментации, диагностика для решения разрывов в допущениях — а не те, которые импортируют технику из тарификации и надеются, что ограничения не подействуют.

Это полезный тест для любого нового метода резервирования: какую из четырех проблем он на самом деле решает?

Ключевые выводы

Резервирование отстало от тарификации в использовании машинного обучения по четырем структурным причинам: малый эффективный размер выборки, ненаблюдаемые цели, последствия для финансовой отчетности и изменения процессов, обесценивающие исторические данные.
Резервирование на уровне индивидуальных убытков является наиболее существенным достижением, поскольку оно напрямую решает проблему малой выборки и естественно сочетается с извлечением характеристик убытков на базе LLM.
Смешанные и иерархические модели обеспечивают обоснованное решение для сегментов, которые слишком малы для отдельного моделирования и слишком различны для объединения.
Наиболее эффективным ранним применением ML в резервировании является диагностика — обнаружение изменений в процессах и нарушений допущений, — а не прямая оценка.
Расширенный набор данных CAS Schedule P позволяет использовать более длинные окна развития, тестировать устойчивость к циклам и проводить подлинный бенчмаркинг, но не может напрямую поддерживать разработку индивидуального резервирования.

Часто задаваемые вопросы

Почему машинное обучение менее распространено в резервировании, чем в тарификации? Потому что традиционная единица наблюдения в резервировании дает очень малый эффективный размер выборки, целевая величина не наблюдается годами, результат является статьей финансовой отчетности, подписываемой актуарием, а изменения в урегулировании убытков делают недействительными исторические закономерности, на которых учатся модели. Это структурные ограничения, а не профессиональный консерватизм.

Что такое резервирование на уровне индивидуальных убытков? Моделирование развития убытков на уровне каждой отдельной претензии с использованием ее характеристик (тип травмы, статус спора, юрисдикция), а не агрегирование в треугольники по годам. Это существенно увеличивает эффективный размер выборки и позволяет моделировать неоднородные портфели без потерь от агрегации.

Должны ли компании заменить метод цепной лестницы методами машинного обучения? Как правило, не заменить, а использовать параллельно. Традиционный метод остается ценным инструментом постоянного контроля, а расхождение между детализированной моделью и методом цепной лестницы дает важную диагностическую информацию. Большинство компаний получают больше пользы на ранних этапах от использования машинного обучения для обнаружения нарушений допущений, чем для получения самой оценки.

Йонас Мохамед Осман Абдельгафур — основатель Quantica Risk Model, которая строит модели резервирования, капитала и тарификации для страховщиков и обеспечивает независимую валидацию моделей. Данная статья является комментарием к публично доступным исследовательским программам CAS.

Все статьи