अप्राण जीव बीमा मूल्य निर्धारण के लिए मशीन लर्निंग मॉडलों का प्रदर्शन और निष्पक्षता का द्वैध मूल्यांकन

सारांश बढ़ती संख्या में रिपोर्टें पारंपरिक सामान्यीकृत रैखिक मॉडल (GLM) की तुलना में अप्राण जीव बीमा मूल्य निर्धारण के लिए मशीन लर्निंग (ML) विधियों की संभावनाओं को उजागर कर रही हैं। साथ ही, राष्ट्रीय और अंतर्राष्ट्रीय नियामक संस्थान मूल्य निर्धारण निष्पक्षता पर ध्यान केंद्रित कर रहे हैं ताकि एल्गोरिदमिक भेदभाव और भेदभाव को मापा और कम किया जा सके। हालांकि, मूल्य निर्धारण सटीकता और निष्पक्षता दोनों का आकलन करने वाले व्यापक अध्ययन दुर्लभ हैं। हम दो लोकप्रिय वितरण मॉडलिंग रणनीतियों (Poisson-gamma और Tweedie) के तहत GLM की तुलना मुख्यधारा के नियमित रैखिक मॉडल और वृक्ष-आधारित एन्सेम्बल मॉडलों से करते हैं, जिसमें अनुमापक पक्षपात, विचलन, जोखिम भेद, प्रतिस्पर्धात्मकता, नुकसान अनुपात, भेदभाव और निष्पक्षता जैसे प्रमुख मानदंड शामिल हैं। मूल्य निर्धारण प्रदर्शन और निष्पक्षता का एक साथ मूल्यांकन समान प्रीमियम अनुमानों के नमूनों पर GLM और ML मॉडलों के लिए किया गया। मॉडलों की तुलना दो खुले-स्रोत मोटर बीमा डेटासेट पर की गई, जिनमें से प्रत्येक में भिन्न प्रकार का कवरेज था (पूर्ण व्यापक और तीसरे पक्ष की जिम्मेदारी)। जबकि कोई एकल ML मॉडल मूल्य निर्धारण और भेदभाव मेट्रिक्स दोनों में बेहतर प्रदर्शन नहीं कर पाया, GLM अधिकांश क्षेत्रों में महत्वपूर्ण रूप से कम प्रदर्शन कर गया। परिणाम संकेत देते हैं कि ML को वर्तमान प्रथाओं के लिए एक यथार्थवादी और उचित विकल्प माना जा सकता है। हम सुझाव देते हैं कि जोखिम पूर्वानुमान मॉडलों के लिए बेंचमार्किंग अभ्यास किसी भी दिए गए पोर्टफोलियो के लिए मूल्य निर्धारण सटीकता और निष्पक्षता दोनों का आकलन करने के लिए किया जाना चाहिए।