将人工智能应用于 P&C 保险定价的实际考虑因素

作者：Sunil Yoon、 首席精算顾问，RNA Analytics

1.导言

近年来，保险行业越来越重视数字化转型，承保、理赔、销售和营销业务都在发生重大变化。精算职能也不例外。许多精算师正在将人工智能（AI）融入他们的工作，以提高效率和改善成果。事实上，国际精算师协会（IAA）去年发起了一个人工智能工作组，今年已扩展到第二阶段，反映了全球的发展势头。

世界各地的精算师正在努力将人工智能与传统精算方法相结合，以推动业务改进。本文重点介绍将人工智能应用于财产和意外（P&C）保险领域定价的实际考虑因素。

2.利用人工智能进行 P&C 保险定价

P&C 保险的有效定价必须准确反映不同投保人信息中的风险因素。虽然精算师传统上依赖于广义线性模型（GLM），但机器学习（ML）和基于人工智能的技术目前正在成为预测性能方面的卓越替代方案。

这些较新的方法利用现代计算能力对数据关系进行建模，无需手动选择变量，从而使建模过程更快、更灵活。例如，梯度提升机（Gradient Boosting Machines，GBM）因其能够处理非线性交互作用和对过度拟合的鲁棒性，经常被用于定价。同样，神经网络（NN）也被用于识别高维数据集中的复杂模式。然而，在直接使用这些模型为客户制定价格时也面临着挑战。

3.挑战和考虑因素

尽管人工智能潜力巨大，但在精算定价中应用人工智能也有几个重要的考虑因素：

• 模型的可解释性和可说明性：许多 ML 算法（如集合模型或深度学习）本质上是不透明的。这种不透明可能与监管机构对保险定价可解释性的期望相冲突。

• 数据偏差与公平：高质量、无偏见的训练数据对于有效的模型开发至关重要。如果使用有偏差的数据，生成的模型可能会产生不公平或不准确的定价，从而可能损害保险公司的长期可持续发展。

因此，精算师不应完全依赖人工智能生成的结果。相反，精算师必须在验证和解释这些结果方面发挥关键作用--SHAP（SHapley Additive exPlanations）等工具为给定预测的每个特征分配重要性值，帮助精算师了解哪些变量在推动定价决策，并确保负责任地使用人工智能。

4.人工智能定价在核保中的应用

虽然人工智能生成的价格可能不适合直接用作最终保单保费，但它们可以为承保决策提供支持。例如，将使用梯度提升机（GBM）或神经网络（NN）等技术开发的基于人工智能的定价与当前定价进行比较，有助于发现当前保费明显低于人工智能估算的保单。这些情况可能需要更严格的承保，甚至拒绝承保，以提高整体投资组合的盈利能力。

利用意外精算协会（CAS）提供的法国汽车保险数据集，对定价和承保决策进行了模拟建模。结果显示，通过拒绝最低 10% 的保单（按人工智能与当前保费比率计算），投资组合的损失率可降低约 5%。然而，这一结果只考虑了测试数据的盈利能力。因此，在实际应用此类策略之前，必须与利益相关者进行更广泛的讨论。

5.结论

本文概述了人工智能在产险定价领域的应用。由于保单期限相对较短且产品结构较为简单，一般保险非常适合基于人工智能的分析和回溯测试。随着保险公司继续探索将人工智能融入精算工作，以及国际保险学会等国际机构围绕人工智能在保险业中的作用展开讨论，精算师必须积极为数字化转型做出贡献。