Pribahsnik, F. P. (2020). Let the data tell us their story: Machine learning with insurance policies [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2020.43361
E105 - Institut für Stochastik und Wirtschaftsmathematik
-
Date (published):
2020
-
Number of Pages:
103
-
Keywords:
Clustering; Maschinelles Lernen
de
clustering algorithms; machine learning
en
Abstract:
Versicherungsunternehmen sehen sich mit einer immer größer werdenden Anzahl von Vorschriften konfrontiert. Ein Teil dieser Richtlinien beschäftigt sich dabei mit der Fragestellung wie Versicherungsportfolios in die Zukunft projiziert werden sollen. Bedenkt man dabei, dass ein durchschnittliches Versicherungsunternehmen hunderttausende von Polizzen im Bestand hat, kann man den Zeitaufwand erahnen, der für solche Prognoserechnungen aufzuwenden ist. Steigende Bestände von Versicherungspolizzen in Kombination mit engen aufsichtsrechtlich gesetzten Fristen führen dazu, dass Versicherungsunternehmen nach Möglichkeiten suchen, die Rechenzeit für Projektionen zu verkürzen. In den letzten Jahren wurden bereits verschiedene Ansätze entwickelt und zum Einsatz gebracht, um ähnliche Polizzen zusammenzufassen und damit die Rechenzeit zu verkürzen. Dabei reichen die derzeit verwendeten Methoden von einfachen Zusammenfassungen von Polizzen mit exakt gleichen Attributen bis hin zu Clusteralgorithmen wie beispielswiese k-means. Diese Arbeit zeigt mögliche Probleme mit den derzeit verwendeten Algorithmen auf und präsentiert neue Implementierungsansätze aus dem Bereich des maschinellen Lernens, um eine Gruppierung des Versicherungsbestandes noch effektiver umsetzen zu können.
de
Insurance companies are facing a huge amount of regulations, including various guidelines addressing forecast scenario calculations for the policies in the portfolio. Taking the hundreds of thousands policies into account an average insurance company has in its portfolio one can easily see that these scenario calculations are very time consuming. Due to the rising number of policies and the very tight time schedule introduced with Solvency II insurance companies are looking for ways to reduce the computational time significantly. In the past years different approaches were developed and already used for grouping similar policies together and therefore reducing the computation time. The currently used algorithms are ranging from just grouping policies with exactly the same attributes together to basic cluster algorithms like k-means. This work highlights potential problems with the algorithms currently used and shows the implementation of some machine learning techniques which can be used to replicate cash flows of insurance policies.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers