Využití metod strojového učení na aproximaci očekávaného cashflow v oblasti životního pojištění

Stanislav Kováč

Master's thesis

Abstract:

Práca sa venuje problému aproximácie očakávaného CashFlow v životnom poistení. V praxi odhad očakávaného CashFlow pri životnom poistení musí byť dostupný čo najskôr, stále na začiatku každého mesiaca, čo však nie je jednoduchá úloha. Jeho výpočet je numericky veľmi náročný, a preto obvykle umožňuje získať výsledky až po niekoľkých dňoch výpočtu. Vďaka metódam strojového učenia na základe predchádzajúcich dostupných výpočtov v práci aproximujeme budúce CashFlow, ktoré je dostupné takmer okamžite po spustení výpočtu, čo považujeme za najväčší praktický prínos predkladanej práce. Pre výpočet stačí nahrať dáta do modelu, ktorý je schopný vrátiť výsledok pre milióny klientov rádovo v desiatkach sekúnd. Pre skúmanie týchto výsledkov je v práci použitý reálny CashFlow model používaný v praxi, pomocou ktorého boli napočítané výsledky pre rôzne hodnoty vstupných parametrov poistných zmlúv. Každý model tiež používa pre výpočet niekoľko rôznych riziko-neutrálnych výnosových kriviek, ktoré sú v práci generované pomocou Hull-White modelu na základe dostupných reálnych výnosových kriviek.

Abstract:

The thesis deals with the problem of approximation of expected CashFlow in life insurance. In practice, an estimation of the expected CashFlow for life insurance must be available as soon as possible, still at the beginning of each month, but this is not an easy task. Its calculation is numerically very demanding and time-consuming, and therefore it usually allows us to obtain results after a few days of calculation. Thanks to machine learning methods based on previously available calculations in the thesis, we approximate the future CashFlow, which is available almost immediately after the start of the calculation, which we consider to be the greatest practical benefit of the presented thesis. For the calculation, it is enough to load the data into a model that can return the result for millions of clients in tens of seconds. To examine these results, the work uses a real CashFlow model used in practice, which was used to calculate the results for different values of input parameters of insurance contracts. Each model also uses several different risk-neutral yield curves to calculate, which are generated in the thesis using the Hull-White model based on the available real yield curves.

Abstract:

Práca sa venuje problému aproximácie očakávaného CashFlow v životnom poistení. V praxi odhad očakávaného CashFlow pri životnom poistení musí byť dostupný čo najskôr, stále na začiatku každého mesiaca, čo však nie je jednoduchá úloha. Jeho výpočet je numericky veľmi náročný, a preto obvykle umožňuje získať výsledky až po niekoľkých dňoch výpočtu. Vďaka metódam strojového učenia na základe predchádzajúcich dostupných výpočtov v práci aproximujeme budúce CashFlow, ktoré je dostupné takmer okamžite po spustení výpočtu, čo považujeme za najväčší praktický prínos predkladanej práce. Pre výpočet stačí nahrať dáta do modelu, ktorý je schopný vrátiť výsledok pre milióny klientov rádovo v desiatkach sekúnd. Pre skúmanie týchto výsledkov je v práci použitý reálny CashFlow model používaný v praxi, pomocou ktorého boli napočítané výsledky pre rôzne hodnoty vstupných parametrov poistných zmlúv. Každý model tiež používa pre výpočet niekoľko rôznych riziko-neutrálnych výnosových kriviek, ktoré sú v práci generované pomocou Hull-White modelu na základe dostupných reálnych výnosových kriviek.

Keywords

Strojové učení, Životné pojištění, Tok peněz

Keywords

Life Insurance, CashFlow, Machine Learning

Keywords

Strojové učenie, Tok peňazí, Životné poistenie

Language used: Slovak

Date on which the thesis was submitted / produced: 24. 6. 2021

Thesis defence

• Date of defence: 24. 8. 2021
• Supervisor: Jakub Danko
• Reader: Tomáš Löster

Vysoká škola ekonomická v Praze

Master programme / field:
Kvantitativní metody v ekonomice / Statistika