Lévy-Regularized Bayesian Neural Networks for Fair Reserve Estimation under Solvency II

Lebensversicherungsgesellschaften befinden sich in einem ständigen, hochriskanten Balanceakt. Sie müssen heute genug Geld zurücklegen, um Versprechen zu erfüllen, die Jahrzehnte in der Zukunft liegen – eine Summe, die als Reserve bekannt ist. Diese Berechnung beruht auf der Vorhersage, wie lange Menschen leben werden und wie viel diese zukünftigen Zahlungen wert sein werden. Seit über einem Jahrhundert nutzen Aktuare mathematische Tabellen, um diese Lebensspannen zu schätzen, wobei sie davon ausgehen, dass sich Sterberaten langsam und vorhersehbar ändern, wie die steigende Flut eines ruhigen Ozeans. Doch die Welt ist nicht immer ruhig. Ereignisse wie globale Pandemien können dazu führen, dass die Sterberaten plötzlich und heftig ansteigen und die glatten Muster, die diese traditionellen Modelle erwarten, erschüttern. Wenn solche Schocks auftreten, versagen die alten Formeln oft, was dazu führt, dass Versicherer entweder mit gefährlich niedrigen oder unnötig hohen Reserven dastehen – beides bedroht die Stabilität des Finanzsystems und die Fairness der von den Versicherungsnehmern gezahlten Prämien.

Um dieser Ungewissheit zu begegnen, ist ein neuer Ansatz entstanden, der die Zukunft nicht als einen einzigen, glatten Pfad betrachtet, sondern als eine Landschaft voller plötzlicher, unvorhersehbarer Sprünge. Diese Perspektive erkennt an, dass das Leben zwar meist einem stetigen Kurs folgt, aber durch seltene, extreme Ereignisse unterbrochen werden kann. Die Herausforderung besteht darin, ein System zu bauen, das aus historischen Daten lernen kann, um das Gewöhnliche vorherzusagen, während es gleichzeitig flexibel genug bleibt, um zu erkennen und sich anzupassen, wenn das Außergewöhnliche eintritt. Darüber hinaus muss dieses System sicherstellen, dass die Kosten des Schutzes fair sind, was bedeutet, dass der Preis einer Person von ihrem tatsächlichen Risiko abhängen sollte und nicht von ihrem Geschlecht, ihrer Region oder anderen persönlichen Merkmalen, die keinen realen Bezug dazu haben, wie lange sie leben wird.

In einer aktuellen Studie haben Forscher ein hochentwickeltes Computersystem entwickelt, das diese Probleme gleichzeitig lösen soll. Sie haben eine Art künstliche Intelligenz geschaffen, die als digitaler Aktuar fungiert und in der Lage ist, den Betrag an Geld zu schätzen, der für Lebensversicherungsreserven benötigt wird, selbst wenn eine Pandemie zuschlägt. Im Gegensatz zu Standardprogrammen, die verwirrt werden oder abstürzen könnten, wenn sie mit Daten konfrontiert werden, die völlig anders aussehen als das, worauf sie trainiert wurden, ist dieses neue System mit einem spezifischen mathematischen Sicherheitsnetz ausgestattet. Es beinhaltet eine Methode, um schwere, seltene Schocks zu simulieren, was es dem System ermöglicht, zu lernen, wie es reagieren muss, wenn die Sterberaten unerwartet springen. Die Forscher testeten dieses System mit synthetischen Daten, die die strengen Regeln europischer Regulierungsbehörden nachahmen, um sicherzustellen, dass Versicherungsgesellschaften sicher sind. Die Ergebnisse zeigten, dass ihr neues Modell, wenn eine simulierte Pandemie auftrat, weitaus genauer war als die heute verwendeten traditionellen Methoden und den Fehler in ihren Vorhersagen um vierundsechzig Prozent reduzierte.

Der Kern dieser Innovation liegt darin, wie der Computer lernt. Anstatt einfach nur vergangene Muster auswendig zu lernen, ist das System darauf ausgelegt, die zugrunde liegende Struktur des Risikos zu verstehen. Es verwendet eine Technik, die es ermöglicht, zufälliges, „heavy-tailed“ Rauschen (Rauschen mit schweren Enden) in seine Berechnungen einzuspeisen. Stellen Sie sich ein Wettermodell vor, das normalerweise sanften Regen vorhersagt, aber auch so programmiert ist, dass es plötzlich einen massiven Hurrikan berücksichtigt; dieses System tut für die Mortalität dasselbe. Es kann die glatten, alltäglichen Veränderungen der Lebenserwartung bewältigen und gleichzeitig auf die plellen, gezackten Spitzen vorbereitet sein, die während einer Krise auftreten. Dadurch vermeidet es die häufige Falle älterer Modelle, die davon ausgehen, dass die Zukunft immer so aussehen wird wie die Vergangenheit. Die Forscher fanden heraus, dass dieser Ansatz nicht nur die Genauigkeit während Krisen verbesserte, sondern auch während normaler Zeiten eine hohe Präzision beibehielt, was beweist, dass ein Modell sowohl gegen Katastrophen robust als auch in Friedenszeiten zuverlässig sein kann.

Über die Genauigkeit hinaus befasste sich die Studie mit einem kritischen ethischen Anliegen: der Fairness. Die Preisgestaltung bei Versicherungen kämpft seit langem mit dem Problem der Voreingenommenheit, bei der bestimmte Gruppen möglicherweise mehr zahlen müssen, nur aufgrund ihres demografischen Hintergrunds und nicht aufgrund ihres tatsächlichen Risikos. Die Forscher betetteten ein Werkzeug des kausalen Schließens direkt in den Lernprozess ihres Computermodells ein. Dieses Werkzeug wirkt wie ein Filter, der den Einfluss geschützter Merkmale wie Geschlecht oder Standort entfernt und so sicherstellt, dass der endgültige Preis nur durch legitime Risikofaktoren bestimmt wird. In ihren Tests reduzierte diese Methode die unfaire Disparität bei den Prämien um vierzig Prozent im Vergleich zu Standardmodellen der Branche. Das System erreichte einen Fairness-Score, der innerhalb der strengen Toleranzen der Regulierungsbehörden lag, was zeigt, dass es möglich ist, ein Modell zu bauen, das sowohl hochgradig genau als auch tiefgreifend gerecht ist.

Die Forscher gingen auch die mathematischen Grundlagen an, auf denen diese Vorhersagen basieren. Sie bewegten sich weg von einfachen Durchschnitten und verwendeten stattdessen einen strengeren Rahmen, der finanzielle Unsicherheit und demografisches Risiko als zwei separate, aber miteinander verknüpfte Kräfte behandelt. Dies ermöglicht es dem Modell, die komplexe Art und Weise zu erfassen, wie wirtschaftliche Veränderungen und Gesundheitskrisen interagieren. Indem sie sicherstellten, dass die interne Logik des Computers diese mathematischen Regeln respektiert, garantierten die Forscher, dass das Modell keine unsinnigen oder instabilen Ergebnisse produziert, selbst wenn es mit extremen Daten gefüttert wird. Diese Stabilität ist entscheidend für Regulierungsbehörden, die darauf vertrauen müssen, dass die von einer Versicherung angegebenen Zahlen solide sind, unabhängig vom wirtschaftlichen oder gesundheitlichen Klima.

Um zu beweisen, dass ihre Theorie in der Praxis funktioniert, hat das Team ein kostenloses Open-Source-Softwarepaket veröffentlicht, das es anderen Experten ermöglicht, ihre Methoden zu testen und zu nutzen. Als sie diese Software mit denselben Daten ausführten, die auch in ihrer Studie verwendet wurden, reproduzierte sie erfolgreich die beeindruckenden Ergebnisse und zeigte eine Reduktion des Fehlers während Pandemieszenarien um sechsundfünfzig Prozent. Diese Transparenz lädt die breitere Fachwelt der Aktuare und Regulierer dazu ein, die Arbeit zu prüfen, zu verifizieren und darauf aufzubauen. Die Forscher legen nahe, dass ihr Framework schließlich Versicherungsgesellschaften dabei helfen könnte, exakt zu berechnen, wie viel Kapital sie als Reserve halten müssen, was potenziell die Menge an Geld, die in Sicherheitspuffern gebunden ist, reduziert, ohne die Sicherheit zu gefährden. Dies könnte zu effizienteren Märkten und faireren Preisen für Verbraucher führen, während gleichzeitig die strengen Standards zum Schutz der Versicherungsnehmer gewahrt bleiben.

Die Studie kommt zu dem Schluss, dass die Zukunft der Versicherungsmodellierung in der Kombination der Flexibilität moderner künstlicher Intelligenz mit der strengen Disziplin der mathematischen Theorie und ethischen Fairness liegt. Indem sie Computer lehren, das Unerwartete zu erwarten und irrelevante Voreingenommenheiten zu ignorieren, haben die Forscher ein Werkzeug geschaffen, das besser für eine volatile Welt geeignet ist. Ihre Arbeit legt nahe, dass wir uns nicht länger zwischen einem Modell entscheiden müssen, das in normalen Zeiten genau ist und eines, das in einer Krise robust ist, noch zwischen einem Modell, das präzise ist, und einem, das gerecht ist. Stattdessen ist es durch sorgfältiges Design und ein tiefes Verständnis der zugrunde liegenden Risiken möglich, Systeme zu bauen, die in all diesen Bereichen exzellent sind und somit ein widerstandsfähigeres und gerechteres Fundament für den finanziellen Schutz der Gesellschaft bieten.