Centro de Documentacion de Fundación MAPFRE - Reducción del sesgo en el proceso de tarificación no vida con técnicas de inteligencia artificial

Publicación: Madrid : Universidad Carlos III de Madrid, 2024Descripción física: 59 p.Notas: 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 2022-2024Sumario: 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 tarificaciónMateria / lugar / evento: Tarificación Seguros no vida Seguro de automóviles Sesgos Mitigación de riesgos Modelos predictivos Inteligencia artificial Machine learning Modelos lineales generalizados Equidad actuarial Trabajos de investigación Otros autores: Pérez Calderón, Raquel
Universidad Carlos III de Madrid
Serie secundaria: Trabajos Fin de Master/de Grado/Tesis doctorales Otras clasificaciones: 6

Derechos: La copia digital se distribuye bajo licencia "Attribution 4.0 International (CC BY NC ND 4.0)"