Прогнозное моделирование: встреча актуариев и AI

Автор: Jonas Mohamed Osman Abdelghafour, актуарий и эксперт по количественным рискам.

Страховое ценообразование — одно из старейших применений прогнозного моделирования в коммерческой практике. За десятилетие оно также стало одним из самых трансформированных. Тарифный движок современного страховщика в массовых видах страхования сегодня представляет собой гибрид: структуру актуарной GLM, обеспечивающую интерпретируемость и регуляторную защищенность, наработанную десятилетиями, дополненную градиентным бустингом или нейронными компонентами, которые извлекают сигнал, упускаемый GLM.

Этот гибрид — то, к чему пришла профессия, и на данный момент это правильное место. Важно то, как эти две половины интегрированы, как управляется полученная модель и как компания справляется с регуляторным надзором, который следует за любым использованием AI в процессе ценообразования для потребителей.

Почему GLM все еще остается основой

Обобщенная линейная модель (GLM) заняла свое место в качестве стандарта тарификации по веским причинам. Она выдает коэффициенты, которые можно читать как мультипликативные тарифные факторы. Она естественным образом обрабатывает смещение экспозиции через структуру распределений Пуассона и Гамма с логарифмической функцией связи. Она чисто интегрируется в тарифные движки, договоры перестрахования и актуарные резервы той же формы. И она выдерживает вопросы регулятора, потому что каждый тарифный фактор можно проследить до конкретного коэффициента с конкретной стандартной ошибкой.

Критика также хорошо известна. GLM не могут улавливать нелинейные взаимодействия, если они не заданы параметрически в явном виде. Они могут быть чувствительны к коррелированным ковариатам в тех случаях, когда методы машинного обучения справляются более изящно. И они оставляют «на столе» предсказательную силу — обычно от 5 до 15 процентов улучшения коэффициента Джини, — которую могут извлечь альтернативы на основе градиентного бустинга.

Прагматичный ответ, принятый большинством продвинутых команд ценообразования, состоит не в замене GLM, а в такой структуре процесса моделирования, где GLM захватывает интерпретируемое ядро, а компонент машинного обучения — остаток (residual).

Паттерн моделирования остатков

Паттерн, ставший стандартом в тарификации массовых видов страхования, выглядит так. Обучается GLM на целевом показателе с поправкой на экспозицию — частоте претензий, их тяжести или комбинированной стоимости убытков. Оценивается GLM на выборке вне обучения. Обучается модель градиентного бустинга на остатках, используя те же признаки плюс дополнительные, которые структура GLM не может вместить. Оценивается композитная модель. Итерация повторяется.

Здесь важны два архитектурных выбора. Во-первых, модель остатков должна быть ограничена — обычно через глубину взаимодействия и скорость обучения, — чтобы она захватывала сигнал, пропущенный GLM, а не переобучалась на сигнале, который GLM уже нашла. Во-вторых, вклад модели остатков должен отслеживаться по каждому тарифному фактору. Если компонент бустинга последовательно завышает или занижает вес конкретного сегмента, это либо тарифный фактор, который должна поглотить GLM, либо проблема справедливости (fairness), требующая внимания перед внедрением.

Более подробный разбор того, где машинное обучение помогает в моделировании убытков, см. в сопутствующей заметке о современном резервировании убытков. Услуга AI и количественные модели риска — это то, как я выстраиваю эту работу с клиентами.

Проектирование признаков: там, где по-прежнему лежат победы

Специалисты, пришедшие в страховое моделирование извне, часто ожидают, что основной прирост даст алгоритм. Десять лет опубликованных исследований по тарификации говорят об обратном: самые большие выигрыши приносят признаки (features), а не методы.

Телематические данные, внешние данные о погоде и трафике, сигналы, смежные с кредитными (где это разрешено юрисдикцией), и — все чаще — геопространственные фиксированные эффекты на уровне почтовых индексов и соседних территорий, — все это дает больший предсказательный эффект, чем выбор между XGBoost и LightGBM когда-либо даст. Выбор метода становится важен только после того, как набор признаков стабилизировался.

Соответствующий риск управления заключается в том, что новые признаки могут вводить прокси-переменные для защищенных характеристик, чего команда моделирования может не заметить. Каждый новый признак должен проходить аудит на справедливость — не просто формальную проверку, а реальный тест на то, что маржинальный эффект признака не приводит к непропорциональному ценообразованию для групп, против которых возражал бы регулятор. Здесь аналитическая работа встречается с системой управления рисками предприятия и, в конечном счете, с советом директоров.

Нейронные сети: оправданы в узких областях

Глубокое обучение в страховом ценообразовании внедряется медленнее, чем в других отраслях, по веским причинам. Структурированные табличные данные, с которыми работают команды тарификации, обычно не получают выгоды от репрезентативной мощности нейронных сетей в тех масштабах, которые не могли бы покрыть деревья с градиентным бустингом. Где нейронные сети оправдывают себя, так это в неструктурированных данных.

Три текущих случая использования с реальными доказательствами эффективности: оценка изображений повреждений в автостраховании (сверточные архитектуры, дообученные на фотографиях из СТО), извлечение текста из заметок по претензиям и рассказов оценщиков (модели на основе трансформеров, превращающие свободный текст в структурированные признаки для GLM) и обучение признакам на основе временных рядов телематики (рекуррентные модели или модели на основе внимания, резюмирующие треки вождения). В каждом случае нейронный компонент «кормит» актуарную модель, а не заменяет ее.

Управление, которое выдержит проверку регулятора

Каждый европейский страховщик, использующий AI в процессах взаимодействия с клиентами, теперь живет в рамках трех пересекающихся структур: ожидания по риску моделей, существовавшие до появления AI (в целом соответствующие дисциплине US SR 11-7), классификация страховой тарификации как высокорискованной в рамках EU AI Act и — для страхования жизни и пенсий — существующий режим изменения моделей и валидации в рамках Solvency II. Эти структуры больше согласуются друг с другом, чем расходятся.

Инвентаризация. Каждая модель в производстве имеет владельца, цель, уровень материальности и документированную оценку риска. Компоненты машинного обучения внутри цепочки тарификации не являются исключением.

Документация. Для каждой модели: цель, происхождение данных, методология обучения и валидации, метрики качества, калибровка, план мониторинга и триггеры исправления. Документация не может создаваться постфактум, когда модель подвергается сомнению, — она должна быть частью процесса развертывания.

Мониторинг. Дрейф концепции, дрейф калибровки, дрейф признаков и — что критично — дрейф справедливости (fairness drift), измеряемые с определенной периодичностью и с заранее определенными порогами для корректирующих действий. См. заметку о дашборде мониторинга моделей кредитного риска для примера аналогичного паттерна на стороне кредитов.

Независимый вызов. Тот же отдел управления рисками моделей второй линии, который проверяет GLM, проверяет и компоненты машинного обучения, используя подход независимой валидации, который я применяю с клиентами. Если проверяющий не может проследить логику модели, это недостаток документации, а не ограничение, которое проверяющий обязан принять.

Объяснимость. Для любой модели, принимающей тарифное решение, влияющее на потребителя, должна быть возможность восстановить объяснение факторов, стоящих за этим решением. Методов SHAP и связанных с ними способов атрибуции обычно достаточно, при условии, что они рассчитываются в момент прогнозирования и сохраняются, а не реконструируются постфактум.

В чем профессия все еще ошибается

Стоит выделить три часто встречающихся режима неудач.

Оптимизация для прироста качества (lift), а не для бизнес-ценности. Модель с более высоким коэффициентом Джини, которая приводит к более низкому уровню продления полисов (retention), не является лучшей моделью. Бэк-тесты бизнес-ценности — ожидаемый коэффициент убыточности, ожидаемое продление, ожидаемая пожизненная ценность клиента — должны стоять рядом со статистическими метриками. Это вопрос управления не меньше, чем моделирования, и именно здесь стимулы команды моделирования и тарифного комитета должны быть синхронизированы.

Игнорирование динамики неблагоприятного отбора. Тарифная модель, которая улучшает ваш коэффициент убыточности в первый год, может дестабилизировать сегмент на третий год, если конкуренты иначе оценивают те же сигналы. Мониторинг продлений на уровне портфеля, индекс тарифов конкурентов и изменение структуры портфеля должны быть частью регулярного пересмотра каждой тарифной модели — это связывается с более широким разговором о проектировании сценариев ОРСС (ORSA).

Недостаточные инвестиции в путь перехода. Замена старой тарифной структуры новой моделью — это бизнес-изменение, а не техническое развертывание. Путь перехода — параллельный запуск, контролируемое развертывание по географии или сегментам, определенные условия для «аварийного отключения» — часто именно это определяет, приживется ли новая модель или будет отменена под коммерческим давлением.

Заключение

Прогнозное моделирование в страховании не является ни решенной проблемой, ни фронтом хайпа вокруг AI. Это зрелая дисциплина, которая вобрала в себя два поколения методологических достижений — сначала GLM, затем градиентный бустинг, а теперь выборочное использование нейронных сетей — и сейчас осваивает третье поколение управления и регулирования вокруг этого технического стека. Компании, которые успешно справятся с этим уровнем управления, смогут внедрять новые методы моделирования быстро и обоснованно. Те же, кто рассматривает управление как последующую задачу по соблюдению нормативных требований, окажутся либо в роли догоняющих, либо будут вынуждены регулятором отменять решения задним числом.

Если вы создаете или проверяете гибридную тарифную модель, или готовитесь к проверке на соответствие AI Act, ознакомьтесь с направлением услуг по AI и количественным рискам или свяжитесь со мной.