Waarderings- en geavanceerde learning methoden voor opkomende, globale risico’s in actuariële wetenschappen.

De verzekeringssector wordt geconfronteerd met fundamentele veranderingen die niet kunnen worden aangepakt door stapsgewijze verbeteringen van bestaande technieken, maar vragen om geheel nieuwe paradigma's voor de prijsstelling van verzekeringen. De dynamiek van opkomende risico's zoals cyber- en weergerelateerde risico's moeten worden aangepakt met weinig of geen gegevens uit het verleden. Tegelijkertijd, voor meer traditionele hoezen de schat aan gegevens die nu wordt verzameld, biedt nieuwe uitdagingen (bijvoorbeeld computationeel of ethisch) en kansen (bijvoorbeeld statistische power). Het samenbrengen van de Leuvense expertise op het gebied van machine learning voor verzekeringen gegevens met de kennis over stochastische processen, gedragsgegevens en afhankelijkheden van het Melbourne-team, dit PhD-project zal zich richten op formules voor discriminatievrije verzekeringsprijzen, voorspellende modelleringstools voor de actuariële waardering van opkomende risico's en het creëren van data-analysetools voor een klantgerichte, op gebruik gebaseerde verzekeringsparadigma dat geselecteerde producten en zelfs diensten bundelt. Daarom zullen we dynamische, responsieve en veerkrachtige prijsstellings- en reserveringstechnieken voor traditionele maar ook opkomende risicotypen, waaronder machine learning methoden die de voorspellende waarde en de aanvaardbaarheid van de belangrijkste belanghebbenden in evenwicht houden (bijv. uit te leggen aan het management, discriminatievrije prijzen). Toegang tot echte gegevens en sterke banden met de praktijk zorgen voor toepasbaarheid en relevantie van onze ontwikkelingen.