Centro de Documentacion de Fundación MAPFRE - Optimización de las predicciones de severidad mediante el uso de redes neuronales en seguros paramétricos de riesgos catastróficos climáticos

Publicação: Madrid : Universidad Carlos III de Madrid, 2025Descrição física: 123 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 2023-2025Sumario: 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 financieroContém: 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. AnexoMateria / lugar / evento: Seguros paramétricos Seguro de riesgos extraordinarios Catástrofes naturales Huracanes Modelos predictivos Redes neuronales artificiales Riesgos meteorológicos Bases técnicas Cálculo actuarial Trabajos de investigación Florida Otros autores: Pérez Calderón, Raquel
Universidad Carlos III de Madrid
Serie secundária: Trabajos Fin de Master/de Grado/Tesis doctorales Outras classificações: 328.1

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