[논문 리뷰] Individual Claims Forecasting with Bayesian Mixture Density Networks

Kevin Kuo|arXiv (Cornell University)|2020. 03. 05.

Probability and Risk Models참고 문헌 19인용 수 8

한 줄 요약

이 논문은 구조화된 및 비구조화된 소액 보상 데이터를 통합하여 다기능 현금흐름 예측과 불확실성 측정을 가능하게 하는 베이지안 혼합 밀도 네트워크(BMDN) 프레임워크를 제안한다. 베이지안 신경망과 혼합 밀도 출력을 결합함으로써, 미래 지급에 대한 안정적이고 시나리오 기반의 예측을 생성하며, 기존의 집계 기반 예측 방법에 비해 더 유연하고 확장 가능한 대안을 제공한다. 이는 개인 수준의 위험 분석 능력을 입증한 바 있다.

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.

연구 동기 및 목표

• 다양한 데이터 입력을 수용할 수 있고, 다기능 현금흐름 예측과 불확실성 측정을 지원하는 개인 보상 예측을 위한 탄력적이고 확장 가능한 프레임워크를 개발하는 것.
• 텍스트 및 이미지와 같은 비구조화된 입력을 포함한 다양한 데이터 소스를 보상 예측 모델에 통합하는 것.
• 과정적 불확실성과 모델 리스크를 반영한 안정적이고 시나리오 기반의 예측을 생성하는 것.
• 공개된 데이터를 활용하여 향후 연구를 위한 기준이 되는 개인 보상 예측 기준을 제공하는 것.
• 기존 프레임워크에서 흔히 볼 수 있는 특징 엔지니어링에 대한 의존도를 줄이고 복잡한 확률적 가정을 간소화하는 것.

제안 방법

• 프레임워크는 보상 특성과 향후 지급 간의 복잡한 비선형 관계를 모델링하기 위해 베이지안 신경망(BNNs)을 사용한다.
• 혼합 밀도 네트워크(MDNs)는 향후 지급의 조건부 분포를 매개변수화하여 확률적 예측을 가능하게 한다.
• 출력층은 로그정규분포의 혼합을 위한 매개변수를 생성하며, 지급 가능성과 그 심각도 분포를 모두 모델링한다.
• 사후 추론은 확률적 가중치 평균화를 통해 수행되어 모델 매개변수와 예측의 불확실성 측정이 가능하다.
• 모델은 개발 연도를 시점 인덱스로 사용하여 보상 수준의 데이터로 훈련되며, 가능도 기반 목적 함수를 사용한다.
• 예측 분포에서 샘플을 추출하여 다수의 미래 현금흐름 경로를 생성함으로써 시나리오 분석이 가능하다.

실험 결과

연구 질문

• RQ1 다양한 데이터 입력을 사용하여 베이지안 혼합 밀도 네트워크가 개인 보상에 대한 다기능 현금흐름을 효과적으로 예측할 수 있는가?
• RQ2 기존의 체인 래더 방법과 비교해 볼 때, 제안된 BMDN 프레임워크는 집계 수준에서 얼마나 잘 성능을 발휘하는가?
• RQ3 모델이 보상 예측에 있어 조정자 메모나 이미지와 같은 비구조화된 데이터를 얼마나 잘 통합할 수 있는가?
• RQ4 다양한 모델 초기화 및 훈련 런에 걸쳐 손실 예측 추정치는 얼마나 안정적인가?
• RQ5 모델이 과정적 불확실성과 모델 리스크를 반영한 내부적으로 일관된 시나리오 기반 예측을 생성할 수 있는가?

주요 결과

• BMDN 프레임워크는 관찰된 보상 개발 패턴과 일관된 타당한 샘플링 경로를 보이며, 다기능이고 시나리오 기반의 미래 보상 지급 예측을 성공적으로 생성한다.
• 10개의 독립적인 훈련 런 동안 모델은 안정적인 예측 예상 손실을 보였으며, 평균 예측 미지급 손실은 102,502,710으로 실제 손실 109,216,388과 유사하다.
• 집계 예측 오차는 실제 미지급 손실 대비 -6.15%였으며, 동일한 시뮬레이션 데이터셋에서 체인 래더 방법의 -1.08% 오차를 뛰어넘는 성능을 보였다.
• 모델은 컨볼루션 또는 순환 네트워크와 같은 모듈식 입력 레이어를 통해 비구조화된 데이터를 효과적으로 통합할 수 있음을 입증하며, 확장성 향상을 보였다.
• 지급 가능성, 평균, 분산에 대한 사후 분포는 시간이 지남에 따라 증가하며, 향후 지급 가능성 감소와 함께 증가하는 불확실성을 반영한다.
• 이 프레임워크는 개인 보상에 대한 시나리오 생성을 가능하게 하여, 리스크 관리 및 자원 배분 결정 지원에 기여한다.