Interpreteerbare predictieve modeltechnieken, toegepast in het prijzen van verzekeringsproducten en het voorspellen van sterftekansen

De verzekeringssector is erg data-afhankelijk voor verschillende operationele processen zoals premiebepaling, marketing en het schatten van toekomstige kosten. Aangezien de huidige gemeenschap steedssneller en meer data genereert, groeit de vraag naar nieuwe algoritmes die waardevolle informatie uit die data kunnen halen. In de huidige verzekeringspraktijk worden datasets niet enkel steeds groter, maar ook steeds gevarieerder, met verschillende types variabelen. Veel bestaande algoritmes werken echter enkel voor specieke types variabelen zodat ze vaak niet bruikbaar zijn in de verzekeringspraktijk.

Het hoofddoel van dit onderzoek is om de bestaande literatuur uit de statistiek en machine learning te verbinden en uit te breiden met nieuwe algoritmes die nauwkeurige, interpreteerbare predictieve modellen genereren, terwijl ze ook rekening houden met de specifieke dataproblemen in de verzekeringsindustrie. Deze algoritmes moeten zowel een solide statistische basis hebben als kunnen omgaan met grote en gevarieerde datasets. Dit onderzoek focust op het gebruik van regularisatie om interpreteerbare predictieve modellen te bouwen. De methodologie heeft concrete toepassen voor het bepalen van verzekeringspremies en in het simultaan schatten voor meerdere populaties van toekomstige sterftekansen.