A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach

Detalhes bibliográficos
Autor(a) principal: Clemente, Carina de Miranda
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10362/149112
Resumo: Dissertation presented as the partial requirement for obtaining a Master's degree in Statistics and Information Management, specialization in Risk Analysis and Management
id RCAP_1d2a036b320c4f83ebf079f63be65991
oai_identifier_str oai:run.unl.pt:10362/149112
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning ApproachNon-life InsuranceGLMGBMTariffMachine LearningFrequencySeverityDissertation presented as the partial requirement for obtaining a Master's degree in Statistics and Information Management, specialization in Risk Analysis and ManagementInsurance companies are faced with a constantly changing world, in a daily basis. There are a number of known risks that are quantifiable, alongside with many more that remain unknown or difficult to measure. It is only natural that the pricing of such risks must evolve side by side with the state-of-the-art technology that is available. In the late years there has been a rise in the number of studies that conclude on the better fitting of models based on machine learning technology, when it comes to estimate the prices charged by insurance companies in order to hedge the risks they endure. This project work aims to provide a refreshment of the pricing methods applied by a given insurance company operating in Portugal, by developing GLM-based frequency and severity modelling on a subset of the motor portfolio of the company, backed up by a machine learning model: Gradient Boosting. In doing so, there is an expectation of improvement of the accuracy of the model, providing better fitting estimates that could translate into a fairer tariff for both the insurance company and its clients. In fact, it was concluded that the Gradient Boosting approach outputted the lowest total deviance associated with the frequency model. In terms of severity, it was the GLM that produced to the lowest value. With the development of this project, there is now an open path in my company for the inclusion of machine learning methods on the development of insurance tariffs, being here proven that with little required input, this approach can in fact lead to very good results and thereby add value to the classic methodology.As companhias de seguros deparam-se diariamente com um mundo em constante mudança. Diversos riscos são conhecidos e quantificáveis, mas muitos outros permanecem desconhecidos ou são difíceis de mensurar. É só natural que o pricing destes riscos evolua lado a lado com a tecnologia mais recente. Nos últimos anos tem havido um acréscimo do número de estudos que chegam à conclusão de que os modelos baseados em tecnologia de machine learning devolvem melhores resultados no que toca à estimação dos prémios a cobrar pelas companhias, por forma a cobrir os riscos que seguram. Este trabalho de projeto tem como objetivo a apresentação de uma nova visão dos métodos de pricing aplicados por uma dada seguradora a atuar em Portugal, ao desenvolver os modelos de frequência e severidade numa amostra do portfólio automóvel, através das metodologias de Modelos Lineares Generalizados e de Gradient Boosting. É expectável uma melhoria na precisão dos modelos, que resulta em estimativas mais corretas que se traduzem numa tarifa mais justa, não só para a seguradora como para o cliente. De facto, foi concluído que o modelo de frequência pela abordagem de Gradient Boosting retornou o desvio total mais baixo. Em termos de severidade, foi a abordagem de Modelos Lineares Generalizados que chegou ao desvio mais baixo. Com o desenvolvimento deste projeto, há agora uma porta aberta na companhia para a implementação de modelos de machine learning no desenvolvimento das tarifas, ficando aqui provado que com pouco input, esta abordagem pode se facto levar a bons resultados e assim adicionar valor à metodologia clássica.Bravo, Jorge Miguel VenturaGuerreiro, Gracinda Rita DiogoRUNClemente, Carina de Miranda2023-02-13T18:25:10Z2023-01-242023-01-24T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/149112TID:203221826enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-03-11T05:30:51Zoai:run.unl.pt:10362/149112Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:53:37.145924Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach
title A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach
spellingShingle A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach
Clemente, Carina de Miranda
Non-life Insurance
GLM
GBM
Tariff
Machine Learning
Frequency
Severity
title_short A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach
title_full A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach
title_fullStr A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach
title_full_unstemmed A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach
title_sort A refreshed vision of Non-Life Insurance Pricing - A Generalized Linear Model and Machine Learning Approach
author Clemente, Carina de Miranda
author_facet Clemente, Carina de Miranda
author_role author
dc.contributor.none.fl_str_mv Bravo, Jorge Miguel Ventura
Guerreiro, Gracinda Rita Diogo
RUN
dc.contributor.author.fl_str_mv Clemente, Carina de Miranda
dc.subject.por.fl_str_mv Non-life Insurance
GLM
GBM
Tariff
Machine Learning
Frequency
Severity
topic Non-life Insurance
GLM
GBM
Tariff
Machine Learning
Frequency
Severity
description Dissertation presented as the partial requirement for obtaining a Master's degree in Statistics and Information Management, specialization in Risk Analysis and Management
publishDate 2023
dc.date.none.fl_str_mv 2023-02-13T18:25:10Z
2023-01-24
2023-01-24T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10362/149112
TID:203221826
url http://hdl.handle.net/10362/149112
identifier_str_mv TID:203221826
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799138126596145152

Registros relacionados