Google

Aviso: Se está a ler esta mensagem, provavelmente, o browser que utiliza não é compatível com os "standards" recomendados pela W3C. Sugerimos vivamente que actualize o seu browser para ter uma melhor experiência de utilização deste "website". Mais informações em webstandards.org.

Warning: If you are reading this message, probably, your browser is not compliant with the standards recommended by the W3C. We suggest that you upgrade your browser to enjoy a better user experience of this website. More informations on webstandards.org.

Trabalho Final de Mestrado

Ano Lectivo: 2019/2020
Aluno: JOHANNES MEINDERSMA (51057)
Mestrado: Actuarial Science
Tipo: Estágio
Título do Trabalho Final de Mestrado: Inferring competitiveness without price information:  an application to the motor insurance portfolio of Fidelidade
Sub Título:
Comentário: -
Instituição: Fidelidade-Companhia de Seguros, S.A.
Homologação: Dia 14/07/2020 às 09:07 por NUNO JOÃO DE OLIVEIRA VALÉRIO

Resumo

Este trabalho propõe novos métodos para inferir a competitividade das apólices de seguro automóvel quando a informação disponível sobre preços é limitada. Funcionalidades do espaço dos espaços são utilizadas para filtrar o ruído das observações, introduzindo dependências temporais para a transição entre seguradoras ou para conversão. Foram recolhidos dados sobre transições entre companhias de seguros no mercado português para estimar as probabilidades de transição entre seguradoras. O modelo binomial oculto de Markov mostrou-se algo limitado ao pressupor um espaço de estados discreto. O filtro de Kalman foi mais bem sucedido na remoção do ruído das observações. O filtro de Kalman proporcionou resultados intuitivos que são interpretáveis mesmo para um público não técnico. Também se utilizaram dados de conversão para inferir estimativas semanais de alteração de competitividade. Propusemos modelos de regressão penalizada em que o tempo é incluído como uma estrutura de passeio aleatório. O modelo utiliza ponderadores de credibilidade para combinar alterações em cada segmento com as alterações da carteira. A estrutura hierárquica do modelo produz estimativas para as alterações de competitividade que são mais interpretáveis do que as dos modelos lineares generalizados, onde o tempo é incluído como uma variável categórica. Além disso, o método proposto supera os modelos lineares generalizados em termos de desempenho preditivo. Ambos os métodos podem servir como uma ferramenta para apoiar o processo de tomada de decisão sobre preços por parte das seguradoras, quando a disponibilidade de informação fiável sobre preços é limitada. (Português)

This work proposes several novel methods for inferring competitiveness of motor insurance policies in a setting of limited availability of price information. State-space functionalities are employed to filter noise from observations by introducing underlying time-dependent structures for transition and conversion data. Transition data of insurance companies of vehicles in the Portuguese insurance market was collected to analyze the evolution of the incoming transition probabilities of insurers. The binomial hidden Markov model is somewhat restricted due to its assumption of discrete state-space. The Kalman smoother is more successful in removing noise from the observations. The smoother provides intuitive results that are interpretable for a non-technical audience. Furthermore, conversion data was used to infer weekly segment-specific estimates of competitiveness changes. We have proposed a penalized regression framework where time is included as a random walk structure. The model uses credibility weighting on each segment's changes using the full portfolio's changes as the complement. The powerful hierarchical fashion of the model produces estimates of competitiveness changes that are more interpretable than those of generalized linear models, where time is included as a categorical variable. Moreover, the proposed method outperforms the generalized linear models in terms of predictive performance. Both methods can serve as a tool to support the price decision-making process by insurers when the availability of reliable price information is limited. (Inglês)

Palavras-chave

Seguro automóvel, competitividade, modelo oculto de Markov, filtro de Kalman, regressão penalizada. (Português)

Motor insurance, competitiveness, hidden Markov model, Kalman filter, penalized regression. (Inglês)

Resumo Alargado

O Resumo Alargado ainda não foi submetido.

Trabalho Final de Mestrado

MFW_Johannes_Meindersma_20202509.pdf (2,4MB)

Data da Prova Pública

Data da Prova Pública: 04-09-2020 15:00
Voltar