Search
Centro de Documentación y Conocimiento

Optimización de las predicciones de severidad mediante el uso de redes neuronales en seguros paramétricos de riesgos catastróficos climáticos

 
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<rdf:Description>
<dc:creator>Mérida Martínez, Víctor </dc:creator>
<dc:creator>Pérez Calderón, Raquel</dc:creator>
<dc:creator>Universidad Carlos III de Madrid</dc:creator>
<dc:date>2025</dc:date>
<dc:description xml:lang="es">Trabajo Fin de Master del Master en Ciencias Actuariales y Financieras de la Escuela de Postgrado de la Universidad Carlos III de Madrid. Tutora: Raquel Pérez Calderón. Promoción 2023-2025</dc:description>
<dc:description xml:lang="es">Sumario: Este trabajo analiza cómo las redes neuronales artificiales pueden optimizar la predicción de indemnizaciones en seguros paramétricos ante huracanes, centrándose en el condado de Lee, Florida. Se propone una arquitectura neuronal tipo feedforward que incorpora funciones de activación personalizadas basadas en datos históricos de indemnizaciones, lo que permite reducir significativamente el error de predicción frente a modelos tradicionales como los GLM. El estudio utiliza bases de datos públicas de asegurados y variables meteorológicas, y aplica un proceso de entrenamiento dividido en cuatro fases con más de 25.000 combinaciones de hiperparámetros. Los resultados muestran mejoras sustanciales en métricas como el RMSE, MAE y R², y se plantea que este enfoque podría replicarse en otros territorios para mejorar la eficiencia, accesibilidad y precisión de los seguros catastróficos, promoviendo la colaboración entre el Estado, el sector asegurador y el financiero</dc:description>
<dc:format xml:lang="en">application/pdf</dc:format>
<dc:identifier>https://documentacion.fundacionmapfre.org/documentacion/publico/es/bib/188587.do</dc:identifier>
<dc:language>spa</dc:language>
<dc:publisher>Universidad Carlos III de Madrid</dc:publisher>
<dc:rights xml:lang="es">CC BY NC 4.0 - https://creativecommons.org/licenses/by-nc/4.0</dc:rights>
<dc:subject xml:lang="es">Seguros paramétricos</dc:subject>
<dc:subject xml:lang="es">Seguro de riesgos extraordinarios</dc:subject>
<dc:subject xml:lang="es">Catástrofes naturales</dc:subject>
<dc:subject xml:lang="es">Huracanes</dc:subject>
<dc:subject xml:lang="es">Modelos predictivos</dc:subject>
<dc:subject xml:lang="es">Redes neuronales artificiales</dc:subject>
<dc:subject xml:lang="es">Riesgos meteorológicos</dc:subject>
<dc:subject xml:lang="es">Bases técnicas</dc:subject>
<dc:subject xml:lang="es">Cálculo actuarial</dc:subject>
<dc:subject xml:lang="es">Trabajos de investigación</dc:subject>
<dc:subject xml:lang="es">Florida</dc:subject>
<dc:type xml:lang="es">Books</dc:type>
<dc:title xml:lang="es">Optimización de las predicciones de severidad mediante el uso de redes neuronales en seguros paramétricos de riesgos catastróficos climáticos</dc:title>
<dc:format xml:lang="es">123 p.</dc:format>
<dc:relation xml:lang="es">Trabajos Fin de Master/de Grado/Tesis doctorales</dc:relation>
<dc:coverage xml:lang="es">Florida</dc:coverage>
<dc:description xml:lang="es">Introducción. 1.1 Motivación. 1.2 Objetivos. 1.3 Descripción del trabajo. 1.4 Resumen. 1.5 Contribuciones. 2. Revisión de la literatura. 2.1 Seguros paramétricos. 2.2.1 Inicios de los seguros paramétricos climáticos. 2.3 Redes neuronales artificiales. 2.3.1 Contexto - evolución de las redes neuronales artificiales. 2.3.2 Arquitectura. 2.3.3 Neuronas y capas. 2.3.4 Funciones de activación. 2.3.5 Funciones de pérdida. 2.3.6 Optimizadores y algoritmo de retropropagación. 2.3.7 Tuner  optimizador de hiperparámetros. 2.3.7.1 Búsqueda aleatoria o random search. 2.3.7.2 Optimización bayesiana. 2.3.7.3 Hyperband. 2.3.8 Otros aspectos a tener en cuenta. 3. Descripción de la muestra - hipótesis de partida. 3.1 Base de datos asegurados. 3.2 Base de datos climáticos. 3.3 Base de datos elaboración propia. 4. Metodología. 4.1 Hiperparámetros del modelo. 4.1.1 Preprocesamiento de los datos. 4.1.2 Funciones de pérdida. 4.1.3 Optimizadores. 4.1.4 Funciones de activación. 4.1.4.1 Funciones de activación comunes en problemas de regresión. 4.1.4.2 Funciones de activación propias a las indemnizaciones del condado de Lee. 4.1.5 Pesos iniciales de las conexiones y de los sesgos. 4.1.6 Ratio de aprendizaje, tasa de abandono y coeficiente de penalización. 4.1.7 Cantidad de capas ocultas y neuronas. 4.1.8 Épocas, tamaño del batch y early stopping. 4.2 Proceso de entrenamiento y evaluación del desempeño del modelo. 4.2.1 Procedimiento obtención mejores hiperparámetros. 4.2.2 Métricas a utilizar para definir el mejor modelo. 5. Resultados. 5.1 Fase 1: exploración integral del espacio hiperparamétrico. 5.2 Fase 2: análisis acotado del espacio hiperparamétrico de los modelos con mejor rendimiento. 5.3 Fase 3: estudio focalizado del espacio hiperparamétrico remanente. 5.4 Fase 4: examen exhaustivo del conjunto óptimo de hiperparámetros. 6. Conclusiones. 7. Referencias. 8. Anexo</dc:description>
</rdf:Description>
</rdf:RDF>