Die nächste Generation des Pricings: Interpretierbare Additive Neuronale Netze zur automatisierten Risikomodellierung

Generalisierte Lineare Modelle (GLMs) sind DAS Standardwerkzeug für die aktuarielle Risikomodellierung. Ihr Erfolg beruht vor allem auf ihrer hohen Interpretierbarkeit und Transparenz. Die additive Struktur von GLMs ermöglicht eine nachvollziehbare Herleitung der Risikoprämien und eine klare Quantifizierung des Einflusses einzelner Risikofaktoren. Dies ist für die interne Steuerung, aber auch für regulatorische Anforderungen von entscheidender Bedeutung. Dabei stoßen GLMs an Grenzen, wenn es um die Modellierung komplexer, nichtlinearer Zusammenhänge und Interaktionen zwischen Risikofaktoren geht. In der Praxis wird dies durch manuelle Anpassungen und eine aufwändige, hypothesengetriebene Selektion berücksichtigt. Dies ist zeit- und ressourcenintensiv und birgt die Gefahr, dass relevante Risikotreiber übersehen werden. 

Im Themenfeld KI beobachten wir eine hohe Dynamik bzgl. der Methoden und der Herangehensweise an Datenanalyse. Um am Puls der Zeit zu bleiben, müssen Aktuare Entwicklungen in auf den ersten Blick fachfremden Bereichen im Blick behalten. So lassen sich neue Methoden und Herangehensweisen identifizieren, die auch für uns von Nutzen sein können. Eine dieser aktuellen Entwicklungen im nicht-aktuariellen Bereich sind additive Neuronale Netze (ANN), die geschickt die Flexibilität und Vorhersagekraft von Neuronalen Netzen mit der interpretierbaren, additiven Struktur von GLMs kombinieren. 

Wir stellen mit ANNs ein vollständig automatisierbares und datenbasiertes Tool vor, das den herkömmlichen Pricing-Prozess clever ergänzt und verbessert. Mit nur wenigen Zeilen Code sind wir in der Lage, die bewährten Risikofaktoren vergleichbar mit einem GLM zu ermitteln und dabei komplexere, nichtlineare Strukturen offenzulegen. Weiter wird dabei eine moderne Einschätzung der Unsicherheit einzelner Risikofaktoren sichtbar. So können Aktuare auf einen Blick erkennen, welche Risikofaktoren statistisch robust sind und wo möglicherweise eine instabile Datenlage zu unsicheren Schätzungen führt. Das Tool liefert somit nicht nur präzisere Prognosen, sondern auch eine neue Dimension der Modelltransparenz und Risikobewertung, die den aktuellen Pricing-Standard intelligent ergänzt.