Reducción del sesgo en el proceso de tarificación no vida con técnicas de inteligencia artificial
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
<record>
<leader>00000cam a22000004b 4500</leader>
<controlfield tag="001">MAP20250004825</controlfield>
<controlfield tag="003">MAP</controlfield>
<controlfield tag="005">20250319171314.0</controlfield>
<controlfield tag="008">211217s2024 esp|||| ||| ||spa d</controlfield>
<datafield tag="040" ind1=" " ind2=" ">
<subfield code="a">MAP</subfield>
<subfield code="b">spa</subfield>
<subfield code="d">MAP</subfield>
</datafield>
<datafield tag="084" ind1=" " ind2=" ">
<subfield code="a">6</subfield>
</datafield>
<datafield tag="100" ind1="1" ind2=" ">
<subfield code="0">MAPA20250001046</subfield>
<subfield code="a">Amzigh ben Moussa, Sanae</subfield>
</datafield>
<datafield tag="245" ind1="1" ind2="0">
<subfield code="a">Reducción del sesgo en el proceso de tarificación no vida con técnicas de inteligencia artificial</subfield>
<subfield code="c">Sanae Amzigh ben Moussa</subfield>
</datafield>
<datafield tag="260" ind1=" " ind2=" ">
<subfield code="a">Madrid</subfield>
<subfield code="b">Universidad Carlos III de Madrid</subfield>
<subfield code="c">2024</subfield>
</datafield>
<datafield tag="300" ind1=" " ind2=" ">
<subfield code="a">59 p.</subfield>
</datafield>
<datafield tag="500" ind1=" " ind2=" ">
<subfield code="a">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 2022-2024</subfield>
</datafield>
<datafield tag="520" ind1=" " ind2=" ">
<subfield code="a">El problema del sesgo en los modelos de tarificación de seguros no vida es una de las preocupaciones más crecientes en el sector asegurador. Este trabajo pretende analizar tanto las definiciones del sesgo como las diversas técnicas para mitigarlo, incluyendo enfoques tradicionales y algoritmos avanzados de aprendizaje automático, sin comprometer la capacidad predictiva de los modelos. Para demostrar la aplicabilidad de estas técnicas, se han presentado ejemplos prácticos desarrollados en Python, utilizando datos de frecuencia de siniestros de la cobertura de Responsabilidad Civil en el seguro de automóviles. La exploración e implementación de estos enfoques innovadores ha revelado un conjunto de herramientas efectivas que no solo logran reducir el sesgo, sino que también mejoran significativamente la capacidad predictiva de los modelos. Finalmente, se han discutido las implicaciones éticas y regulatorias de utilizar métodos de inteligencia artificial, subrayando la importancia de garantizar la interpretabilidad y equidad de los modelos finales aplicados en la tarificación</subfield>
</datafield>
<datafield tag="540" ind1=" " ind2=" ">
<subfield code="a">La copia digital se distribuye bajo licencia "Attribution 4.0 International (CC BY NC ND 4.0)"</subfield>
<subfield code="f">CC BY NC ND 4.0</subfield>
<subfield code="u">https://creativecommons.org/licenses/by-nc-nd/4.0</subfield>
<subfield code="9">66</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080564322</subfield>
<subfield code="a">Tarificación</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080573935</subfield>
<subfield code="a">Seguros no vida</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080603779</subfield>
<subfield code="a">Seguro de automóviles</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20210021831</subfield>
<subfield code="a">Sesgos</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20210003813</subfield>
<subfield code="a">Mitigación de riesgos</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080592059</subfield>
<subfield code="a">Modelos predictivos</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080611200</subfield>
<subfield code="a">Inteligencia artificial</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20170005476</subfield>
<subfield code="a">Machine learning</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20160001679</subfield>
<subfield code="a">Modelos lineales generalizados</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20190012829</subfield>
<subfield code="a">Equidad actuarial</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080664510</subfield>
<subfield code="a">Trabajos de investigación</subfield>
</datafield>
<datafield tag="700" ind1="1" ind2=" ">
<subfield code="0">MAPA20250001008</subfield>
<subfield code="a">Pérez Calderón, Raquel</subfield>
</datafield>
<datafield tag="710" ind1="2" ind2=" ">
<subfield code="0">MAPA20080455026</subfield>
<subfield code="a">Universidad Carlos III de Madrid</subfield>
</datafield>
<datafield tag="830" ind1=" " ind2="0">
<subfield code="0">MAPA20160014013</subfield>
<subfield code="a">Trabajos Fin de Master/de Grado/Tesis doctorales</subfield>
</datafield>
<datafield tag="856" ind1=" " ind2=" ">
<subfield code="q">application/pdf</subfield>
<subfield code="w">1127246</subfield>
<subfield code="y">Acceso al documento / Access the document</subfield>
</datafield>
</record>
</collection>