Machine learning y modelización predictiva para la tarificación en el seguro de automóviles

Montserrat Guillen; Jessica Pesantez-Narvaez

doi:10.26360/2018_6

Autores/as

Montserrat Guillen Universidad de Barcelona (España)
Jessica Pesantez-Narvaez Universidad de Barcelona (España)

DOI:

https://doi.org/10.26360/2018_6

Palabras clave:

ciencia de datos, inteligencia artificial, seguros generales, primas, siniestros

Resumen

La información histórica de los asegurados constituye un entorno idóneo para el desarrollo de los algoritmos machine learning, cuya finalidad es extraer conocimiento a partir de bases de datos. En este artículo exploramos diversas aproximaciones a la predicción de la siniestralidad y las primas del ramo del automóvil, comparando su implementación en una muestra real, dividida aleatoriamente en muestras de entrenamiento y test. Proponemos medidas para ayudar en la valoración de los métodos y su implicación práctica para la predicción de eventos pocos frecuentes y el cálculo de primas. La principal conclusión es que la dispersión de precios, y concretamente la diferencia entre la prima pura máxima y mínima, puede llegar a ser muy diferente según el método predictivo utilizado.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Alpaydin, E. (2009). Introduction to machine learning. MIT press.

Ayuso, M., Guillen, M. y A. M. Pérez-Marín (2016a). Using GPS data to analyse the distance travelled to the first accident at fault in pay-as-you-drive insurance. Transportation Research Part C: Emerging Technologies 68, 160-167.

Ayuso, M., Guillen, M. y A. M. Pérez-Marín (2016b). Telematics and gender discrimination: some usage-based evidence on whether men’s risk of accidents differs from women’s. Risks 4(2), 1-10.

Boucher, J-P., Côté, S. y M. Guillen (2017). Exposure as duration and distance in telematics motor insurance using generalized additive models, Risks 5(4), 54; https://doi.org/10.3390/risks5040054.

Frees, E. W. (2009). Regression modeling with actuarial and financial applications. Cambridge University Press.

Guelman, L., Guillen, M. y A. M. Pérez-Marín (2014). A survey of personalized treatment models for pricing strategies in insurance. Insurance: Mathematics and Economics 58, 68-76.

Guillen, M. (2016). Big data en seguros. Indice: revista de estadística y sociedad, 28-30.

Guillen, M., Nielsen, J.P., Ayuso, M. y A. M. Pérez-Marin (2018). The use of telematics devices to improve automobile insurance rates, Risk Analysis, accepted, in press.

Kotsiantis, S. B. (2007). Supervised machine learning: A review of classification techniques. Informatica 31, 3-24.

Kuhn, M. Y K. Johnson (2013). Applied predictive modelin, vol. 26. Springer, New York.

Michalski, R. S., Carbonnel, J. G. y T. M. Mitchell (2013). Machine learning: an artificial intelligence approach. En R. Milchalski, J. Carbonnel, y T. Mitchell (eds.) Machine learning: An artificial intelligence approach, Springer Science & Business Media.

Padilla-Bareto, A., Guillen, M. y C. Bolancé (2017). Big-data Analytics en seguros. Anales del Instituto de Actuarios Españoles, 23, 1-19.

Sutton, R. S. y A. G. Barto (1998). Introduction to reinforcement learning. MIT press, Cambridge.

Turing A.M. (2009) Computing Machinery and Intelligence. En Epstein R., Roberts G. y G. Beber (eds) Parsing the Turing Test. Springer, 23-65.

Weinberger, K. Q., Blitzer, J. y L. K. Saul (2006). Distance metric learning for large margin nearest neighbor classification. Advances in neural information processing systems, 1473-1480.

Witten, I. H., Frank, E., Hall, M. A. y C. J. Pal (2016). Data Mining: Practical machine learning tools and techniques, Morgan Kaufmann.