PRECIFICAÇÃO DO SEGURO AUTOMÓVEL COM MACHINE LEARNING E MODELOS LINEARES GENERALIZADOS
DOI:
https://doi.org/10.12957/cadest.2024.83639Palavras-chave:
machine learning, seguro automóvel, tarifação, GLMResumo
Neste trabalho, aplicamos modelos de Machine Learning (árvores de regressão, random forest, boosting e XGBoost) para precificação ou tarifação de uma carteira de seguro automóvel e comparamos com modelos lineares generalizados (GLM) em dados de sinistros de seguro automóvel considerando as principais características do segurado e do veículo. Com base em critérios de avaliação de peformance fora-da-amostra, os resultados indicaram que o XGBoost é o melhor método preditivo tanto para frequência como para severidade, apresentando ganhos na predição quando comparado ao GLM comumente utilizado em tarifação de seguros.
Downloads
Referências
BREIMAN, L. Bagging predictors. Machine Learning, 24:123–140. 1996.
BREIMAN, L. Random Forest. Machine Learning, 45:5–32. 2001.
CHEN, T.; GUESTRIN, C. Xgboost: A scalable tree boosting system. In: Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794. 2016.
DENUIT, M.; TRUFIN, J. Effective statistical learning methods for actuaries. 2019.
EFRON, B.; TIBSHIRANI, R. J. An introduction to the bootstrap. Chapman and Hall/CRC. 1994.
Ekman, P.; Friesen, W. V.Manual for the facial action coding system. Environmental Psychology & Nonverbal Behavior. 1978.
FREUND, Y. Boosting a weak learning algorithm by majority. Information and Computation, 121(2):256–285. 1995.
FRIEDMAN, J. H. Greedy function approximation: a gradient boosting machine. Annals of Statistics, p.1189–1232. 2001.
FRIEDMAN, J. H. et al. A recursive partitioning decision rule for nonparametric classification. IEEE Trans. Computers, 26(4):404–408. 1977.
GOLDBURD, M.; KHARE, A.; TEVET, D.; GULLER, D. Generalized linear models for insurance rating. Casualty Actuarial Society, CAS Monographs Series, 5:77. 2016.
HANAFY, M.; MING, R. Machine learning approaches for auto insurance big data. Risks, 9(2):42. 2021.
IZBICKI, R.; DOS SANTOS, T. M. Aprendizado de máquina: uma abordagem estatística. Rafael Izbicki, 2020.
JAIN, N. Towards machine learning: Alternative methods for insurance pricing–poisson-gamma glm’s, tweedie GLM’s and Artificial Neural Networks. 2018.
JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R.; et al. An introduction to statistical learning, volume 112. Springer. 2013.
LEVANTESI, S.; PIZZORUSSO, V. Application of machine learning to mortality modeling and forecasting. Risks, 7(1):26. 2019.
MENDES, A.; DE VALERIOLA, S.; MAHY, S.; MARÉCHAL, X. Machine learning applications to non-life pricing frequency modelling: An educational case study,(2017) 1–25. 2017.
MESSENGER, R.; MANDELL, L. A modal search technique for predictive nominal scale multivariate analysis. Journal of the American Statistical Association, 67(340):768–772. 1972.
MOORE, D. H. Classification and regression trees, by leo breiman, jerome h. friedman, richard a. olshen, and charles j. stone. brooks/cole publishing, monterey, 1984, 358 pages, 27.95. 1987.
MORGAN, J. N.; SONQUIST, J. A. Problems in the analysis of survey data, and a proposal. Journal of the American statistical association, 58(302):415–434. 1963.
PRIETO, F. V. Precificação de seguros de automóvel. Tese de Doutorado, Universidade de São Paulo. 2005.
QUINLAN, J. R. Induction over large data bases, volume 79. Computer Science Department, Stanford University. 1979.
QUINLAN, J. R. Induction of decision trees. Machine learning, 1:81–106. 1986.
R. A better way to deploy R & Python. Disponível em: https://posit.co/. Acesso em: 2024.
SUSEP. AUTOSEG - Sistema de Estatísticas de Automóveis da SUSEP. Disponível em: https://www2.susep.gov.br/menuestatistica/Autoseg/principal.aspx. Acesso em: 2023.
WÜTHRICH, M. V.; MERZ, M. Statistical foundations of actuarial learning and its applications. Springer Nature. 2023.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Eduardo Fraga Lima de Melo, Josemar C. Cabral
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License. Declaramos que, em caso de aceitação do artigo, a revista Cadernos do IME – Série Estatística passa a ter os direitos autorais a ele referentes, que se tornarão propriedade exclusiva da revista, sendo vedada qualquer reprodução, sem que a prévia e necessária autorização seja solicitada.
