[論文レビュー] Individual Claims Forecasting with Bayesian Mixture Density Networks

Kevin Kuo|arXiv (Cornell University)|Mar 5, 2020

Probability and Risk Models参考文献 19被引用数 8

ひとこと要約

本稿では、構造化済みおよび非構造化の請求データを統合して、不確実性の定量化を伴う多期間キャッシュフロー予測を生成する、個人請求予測のためのベイジアン混合密度ネットワーク（BMDN）フレームワークを提案する。ベイジアンニューラルネットワークと混合密度出力を組み合わせることで、安定したシナリオベースの将来の支払い予測を生み出し、従来の集計予約手法に対する柔軟で拡張可能な代替手段を提供する。個人レベルのリスク分析に応用可能な能力が実証されている。

ABSTRACT

We introduce an individual claims forecasting framework utilizing Bayesian mixture density networks that can be used for claims analytics tasks such as case reserving and triaging. The proposed approach enables incorporating claims information from both structured and unstructured data sources, producing multi-period cash flow forecasts, and generating different scenarios of future payment patterns. We implement and evaluate the modeling framework using publicly available data.

研究の動機と目的

• 多期間キャッシュフロー予測と不確実性の定量化をサポートする、柔軟で拡張可能な個人請求予測フレームワークの開発。
• テキストや画像などの非構造化入力も含む、多様なデータソースを請求予約モデルに統合すること。
• プロセスの不確実性とモデルリスクを反映する、安定したシナリオベースの予測を生成すること。
• 公開可能なデータを用いた個人請求予約における今後の研究のベンチマークを提供すること。
• 既存のフレームワークで一般的な、特徴量エンジニアリングの高度なカスタマイズや複雑な確率的仮定への依存を減らすこと。

提案手法

• 本フレームワークは、請求特徴量と将来の支払いとの間の複雑な非線形関係をモデル化するために、ベイジアンニューラルネットワーク（BNNs）を採用する。
• 将来の支払いの条件付き分布をパrameter化するために、混合密度ネットワーク（MDNs）が用いられ、確率的予測を可能にする。
• 出力層は、支払いの確率とその重度の分布をモデル化するための、対数正規分布の混合のパラメータを出力する。
• 事後分布推論は確率的重み平均化を用いて実施され、モデルパラメータおよび予測の不確実性の定量化が可能になる。
• モデルは、開発年度を時間インデックスとして、尤度に基づく目的関数を用いて請求レベルのデータで訓練される。
• 予測分布からのサンプリングにより、複数の将来のキャッシュフロー経路が生成され、シナリオ分析が可能になる。

実験結果

リサーチクエスチョン

• RQ1 多様なデータ入力から、ベイジアン混合密度ネットワークが、個人請求の多期間キャッシュフローを効果的に予測できるか。
• RQ2 提案されたBMDNフレームワークは、集計レベルにおいて、従来のチェーン・ラッパー法と比較してどの程度の性能を示すか。
• RQ3 モデルが請求予測において、調整担当者のメモや画像などの非構造化データをどの程度効果的に統合できるか。
• RQ4 異なるモデル初期化およびトレーニングランの間で、損失予約推定値はどの程度安定しているか。
• RQ5 モデルは、プロセスの不確実性とモデルリスクを反映する、内部的に整合性のあるシナリオベースの予測を生成できるか。

主な発見

• BMDNフレームワークは、観察された請求開発パターンと整合的な、現実的なサンプリング経路を伴う多期間・シナリオベースの将来の請求支払い予測を効果的に生成した。
• 10回の独立したトレーニングランにおいて、モデルは安定した予約推定値を示し、平均予測未払い損失額は102,502,710であったのに対し、実際の値は109,216,388であった。
• 集計予測誤差は、実際の未払い損失額に対して-6.15%であり、同じシミュレーテッドデータセット上でチェーン・ラッパー法の-1.08%の誤差を上回った。
• モデルは、畳み込みまたは再帰型ネットワークなどのモジュール型入力層を介して非構造化データを統合できる能力を示しており、拡張性が向上している。
• 支払い確率、平均、分散の事後分布は、時間の経過とともに増加し、不確実性が増大し、将来の支払いの可能性が低下することを反映している。
• 本フレームワークは、個々の請求に対するシナリオ生成を可能とし、リスク管理およびリソース配分意思決定を支援する。