Beyond Chain Ladder: Claims Reserving in the Machine Learning Era

Abstract

This thesis evaluates whether claim-level machine learning and deep learning methods improve non-life insurance claims reserving relative to classical actu- arial models, once point accuracy, bias, predictive uncertainty, computational cost and interpretability are jointly assessed. The empirical comparison uses a synthetic micro-level portfolio generated by the Individual Claims History Simulation Machine, in which the true ultimate claim amounts are observable and every method can be scored against the same reference. Three classi- cal methods, Chain-Ladder, Cape Cod and a generalised linear model with over-dispersed Poisson variance, are compared with an XGBoost claim-level pipeline, a trajectory-aware claim-level neural network and a triangle-based neural network. All models are evaluated in a rolling-origin design over five val- uation years, with point forecasts supplemented by bootstrap and seed-based predictive-uncertainty diagnostics. The claim-level neural network attains the lowest mean absolute error, but at the cost of substantially wider predictive distributions. XGBoost is the most balanced modern method, combining the lowest mean absolute bias with predictive variability comparable to the classi- cal benchmarks. Classical methods remain competitive once uncertainty, run- time and...

Tato práce hodnotí, zda metody strojového a hlubokého učení na úrovni jed- notlivých škod zlepšují rezervování v neživotním pojištění oproti klasickým ak- tuárským modelům, pokud se současně zohlední bodová přesnost, vychýlení, prediktivní nejistota, výpočetní náročnost a interpretovatelnost. Empirické srovnání je provedeno na syntetickém portfoliu individuálních škod generovaném pomocí Individual Claims History Simulation Machine, kde jsou skutečné konečné výše škod pozorovatelné a všechny metody lze hodnotit vůči stejné referenci. Tři klasické metody, Chain-Ladder, Cape Cod a zobecněný lineární model s over-dispersed Poisson rozptylem, jsou porovnány s XGBoost pipeline na úrovni jednotlivých škod, neuronovou sítí využívající trajektorie plateb a neuronovou sítí na bázi run-off trojúhelníku. Všechny modely jsou hodnoceny v rolling- origin schématu přes pět valuačních let, přičemž bodové predikce jsou doplněny diagnostikou prediktivní nejistoty pomocí bootstrap metody a ensemblu přes náhodná seedy. Neuronová síť na úrovni škod dosahuje nejnižší střední ab- solutní chyby, avšak za cenu výrazně širší prediktivní distribuce. XGBoost pipeline je nejvyváženější moderní metodou, neboť spojuje nejnižší střední vy- chýlení s prediktivní variabilitou srovnatelnou s klasickými benchmarky. Kla- sické metody...