Comparative Study of Sarima and Lstm Model to Forecast the Insurance Comprehensive Income (Loss) in Indonesia
Diese Studie vergleicht SARIMA- und LSTM-Modelle zur Prognose des indonesischen Gesamtergebnisses der Versicherungsbranche und stellt fest, dass SARIMA zwar saisonale Trends besser erfasst, beide Modelle jedoch eine begrenzte Genauigkeit aufweisen, was darauf hindeutet, dass zukünftige hybride Ansätze und externe Variablen erforderlich sind, um die Prognoseleistung zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, das Wetter für eine bestimmte Stadt in Indonesien vorherzusagen, aber anstatt Regen und Sonnenschein sagen Sie die „finanzielle Gesundheit“ (speziell das Gesamtergebnis oder den Gesamtverlust) von Versicherungsunternehmen voraus. Der Autor dieser Arbeit, Hitesh Mahajan, wollte herausfinden, welcher der zwei verschiedenen „Wettervorhersager“ einen besseren Job machen würde: ein klassischer, regelbasierter Rechner namens SARIMA oder ein modernes, gehirnähnliches Computerprogramm namens LSTM.
Hier ist eine Aufschlüsselung dessen, was die Arbeit herausgefunden hat, unter Verwendung einfacher Analogien.
Die zwei Vorhersage-Modelle
1. SARIMA (Der saisonale Almanach)
Betrachten Sie SARIMA als einen altmodischen Almanach. Er blickt in die Vergangenheit und sagt: „Letztes Jahr stiegen die Zahlen im Dezember und sanken im Oktober. Daher werden sie in diesem Jahr wahrscheinlich dasselbe tun.“
- Wie es funktioniert: Es ist sehr gut darin, sich wiederholende Muster (Saisonalität) zu erkennen. Es geht davon aus, dass die Zukunft der Vergangenheit sehr ähnlich sein wird, nur leicht verschoben.
- Das Urteil der Arbeit: SARIMA war der Gewinner in diesem Rennen. Es erkannte erfolgreich den jährlichen „Tanz“ der Finanzen der Versicherungsunternehmen. Es wusste, wann es aufgrund des Kalenders mit Spitzen und Tälern zu rechnen hatte.
2. LSTM (Das Deep-Learning-Gehirn)
Betrachten Sie LSTM als einen Studenten, der jeden jemals geschriebenen Finanzbericht gelesen hat und versucht, das „Gefühl“ des Marktes zu lernen. Es sucht nicht nur nach sich wiederholenden Mustern; es versucht, komplexe, chaotische, nicht-lineare Beziehungen zu verstehen, wie etwa, wie ein plötzlicher Sturm das Wetter unerwartet verändern kann.
- Wie es funktioniert: Es verwendet ein neuronales Netz (ähnlich einem vereinfachten menschlichen Gehirn), um langfristige Trends und kurzfristige Spitzen zu speichern.
- Das Urteil der Arbeit: Überraschenderweise hatte das „schlaue“ Gehirn hier zu kämpfen. Während es versuchte, die Muster zu lernen, war es zu vorsichtig. Es glättete die Daten zu sehr und übersah dabei die scharfen, plötzlichen Sprünge und Abstürze, die tatsächlich stattfanden.
Die Rennergebnisse
Der Autor testete beide Modelle mit echten Daten von indonesischen Versicherungsunternehmen von mathcal 2017 bis 2025.
- Der SARIMA-Almanach: Er leistete eine ordentliche Arbeit. Er folgte der allgemeine Richtung des Geldflusses und identifizierte korrekt die saisonalen Auf- und Abwärtsbewegungen. Er war jedoch nicht perfekt. Er neigte dazu, einen „glatten“ Pfad vorherzusagen und übersah dabei einige der wilden, plötzlichen Ausschläge bei Gewinn oder Verlust.
- Das LSTM-Gehirn: Es schnitt schlechter ab als der Almanach. Die Arbeit stellt fest, dass das LSTM-Modell unter „Underfitting“ litt. Stellen Sie sich einen Maler vor, der versucht, eine gezackte Gebirgskette zu kopieren, aber stattdessen nur einen sanften Hügel malt. Das LSTM-Modell war zu glatt; es konnte die extreme Volatilität (die großen Sprünge und Abstürze) nicht erfassen. Seine Fehlerrate war tatsächlich höher als die des einfacheren Modells.
Die wichtigste Erkenntnis
Die Hauptschlussfolgerung ist etwas ironisch: Das einfache, regelbasierte Modell (SARIMA) schlug das komplexe, KI-basierte Modell (LSTM) in diesem speziellen Fall.
Warum? Weil die Finanzdaten dieser Versicherungsunternehmen sehr starke, vorhersehbare saisonale Muster aufwiesen (wie ein Uhrwerk). SARIMA ist speziell für Uhren gebaut. Das LSTM, das großartig für chaotische, unvorhersehbare Daten ist, wurde durch die spezifische Natur dieses Datensatzes verwirrt und konnte die scharfen, plötzlichen Veränderungen nicht handhaben.
Das „Aber...“ (Einschränkungen)
Der Autor ist ehrlich damit, dass keines der Modelle perfekt war.
- SARIMA war gut beim „saisonalen Rhythmus“, aber übersah die „plötzlichen Schocks“.
- LSTM war zu glatt und übersah die „extremen Spitzen“.
- Beide hatten hohe Fehlerraten (speziell eine Kennzahl namens MAPE), was bedeutet, dass ihre Vorhersagen immer noch ziemlich weit von den tatsächlichen realen Zahlen entfernt waren.
Was kommt als Nächstes?
Die Arbeit legt nahe, dass die beste Lösung darin bestehen könnte, nicht nur eines zu wählen, sondern ein Hybridmodell. Stellen Sie sich vor, man stellt den Almanach (SARIMA) ein, um die vorhersehbaren jährlichen Zyklen zu handhaben, und das Gehirn (LSTM), um das seltsame, unvorhersehbare Chaos zu bewältigen. Indem man sie kombiniert oder die Einstellungen der KI sorgfältiger anpasst, könnten zukünftige Modelle endlich präzise genug werden, um für Investoren und Manager wirklich nützlich zu sein.
Kurz gesagt: Für diese spezifischen indonesischen Versicherungsdaten übertraf der „alte Schule“ saisonale Rechner das „neue Schule“ KI-Gehirn, aber beide haben noch viel Raum für Verbesserungen, bevor sie darauf vertraut werden können, die Zukunft mit hoher Präzision vorherzusagen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.