Interpreteerbare machine learning methoden voor het prijzen en reserveren van verzekeringen

Het doel van het onderzoek is om zowel methodologische als praktische bijdragen te ontwikkelen op het vlak van voorspellende modellen in verzekeringen. Deze bijdragen zijn geïnspireerd en gedreven door de uitdagingen die zich voordoen bij het analyseren van verzekeringsdata. Het onderzoek zal met name de nadruk leggen op de ontwikkeling van efficiënte strategieën voor het omgaan met kenmerken/eigenschappen bestaande uit veel niveaus (bv. postcodes of automerken) in zowel statistische learning als machine learning-methoden. Hiertoe zal het project zich richten op de constructie van schaarse en interpreteerbare regressiemodellen in de aanwezigheid van kenmerken/eigenschappen met een hiërarchische structuur. Vervolgens zal het project de focus leggen op reserveringsmethoden voor niet-levensverzekeringen, waarbij een hybride modelstrategie wordt ontwikkeld die de kloof overbrugt tussen reservering op totaalniveau en reservering op microniveau.