Synthetic data for ratemaking: imputation-based methods vs adversarial networks and autoencoders

Este artículo demuestra que los métodos de imputación basados en MICE son una alternativa eficaz y más sencilla de implementar que las redes generativas adversarias y los autoencoders para generar datos sintéticos de alta fidelidad en la tarificación actuarial, preservando tanto las distribuciones marginales como las relaciones multivariadas necesarias para entrenar modelos GLM.

Lo esencial

¡Hola! Imagina que eres un actuario, que es básicamente un "arquitecto de riesgos" para las compañías de seguros. Tu trabajo es calcular cuánto debe pagar cada persona por su seguro de coche o casa. Para hacerlo bien, necesitas ver miles de casos reales: "Juan, de 30 años, con un coche rojo, tuvo un accidente", "María, de 50 años, con un coche azul, no tuvo ninguno".

El problema es que las compañías de seguros son muy celosas de sus datos. No pueden compartirlos con nadie por privacidad y competencia. Entonces, los investigadores se quedan sin "ladrillos" para construir sus modelos y probar nuevas ideas.

¿La solución? Crear datos sintéticos. Es como construir una "ciudad fantasma" o un "universo paralelo" donde los coches, las personas y los accidentes son falsos, pero se comportan exactamente igual que los reales.

Este artículo compara tres formas de construir esa ciudad fantasma para ver cuál funciona mejor:

1. Los "Constructores de Alta Tecnología" (Redes Neuronales y GANs)

Imagina que tienes un robot artista (llamado GAN o Autoencoder) que ha visto millones de fotos de coches reales. Su trabajo es pintar un coche nuevo que nunca existió, pero que parece tan real que nadie nota la diferencia.

• Cómo funcionan: Son como un juego de "falsificador vs. detective". El robot (falsificador) intenta pintar un coche tan real que el detective (discriminador) no pueda distinguir si es real o falso.
• El problema: Son como robots muy complejos. Necesitan muchos ajustes, son difíciles de programar y a veces, aunque el coche parezca real, si le das la vuelta, las ruedas no encajan bien (pierden las relaciones entre las variables). Además, son difíciles de usar si no eres un experto en robótica.

2. El "Método del Rompecabezas" (MICE)

Aquí entra nuestro héroe: MICE (Imputación Multivariante por Ecuaciones Encadenadas).

• La analogía: Imagina que tienes un rompecabezas gigante de una ciudad real, pero le faltan muchas piezas.
  • En lugar de intentar "dibujar" piezas nuevas desde cero (como el robot), el método MICE toma las piezas que sí tienes y dice: "Bueno, si aquí hay un coche rojo y aquí hay un conductor joven, es muy probable que la pieza que falta sea un coche rojo conducido por un joven".
  • Lo hace paso a paso, rellenando los huecos vacíos (datos que "borramos" artificialmente) basándose en lo que ya sabe. Es como si un detective muy inteligente completara el rompecabezas usando la lógica y las estadísticas de las piezas existentes.
• La ventaja: Es como usar una herramienta de bricolaje estándar (un martillo o un destornillador). No necesitas ser un ingeniero aeroespacial para usarlo. Es fácil, rápido y muy preciso.

¿Qué descubrieron los autores?

Hicieron una carrera entre estos métodos usando un dataset real de seguros de coches (llamado freMTPL2freq) para ver quién ganaba.

1. El ganador inesperado: ¡El Método del Rompecabezas (MICE) ganó!

   • Creó datos sintéticos que eran casi idénticos a los reales.
   • Cuando los actuaries usaron estos datos falsos para entrenar sus modelos de precios, los resultados fueron casi tan buenos como si hubieran usado los datos reales.
   • Lo mejor: Es muy fácil de usar. Cualquiera con un ordenador y un poco de paciencia puede hacerlo.

2. Los robots (GANs y Autoencoders):

   • A veces pintaban coches muy bonitos (distribuciones individuales correctas), pero a veces fallaban en las relaciones complejas (por ejemplo, no entendían bien cómo la edad del conductor se relaciona con el tipo de coche).
   • Además, fueron mucho más difíciles de configurar y requirieron mucho más tiempo y conocimiento técnico.

3. La trampa de "Añadir más datos":

   • Pensaron: "¿Y si mezclamos los datos reales con los falsos para tener más información y que el modelo aprenda mejor?".
   • Resultado: ¡No funcionó! Añadir la "ciudad fantasma" a la ciudad real no mejoró la precisión del modelo. De hecho, a veces lo empeoraba un poco. Es como intentar mejorar una receta de pastel añadiendo harina falsa: no ayuda a que el pastel sepa mejor.

En resumen, con una metáfora final:

Imagina que quieres aprender a conducir.

• Los métodos de IA complejos (GANs) son como un simulador de vuelo de última generación: increíblemente realista, pero cuesta miles de dólares, se rompe a menudo y necesitas un piloto experto para configurarlo.
• El método MICE es como un instructor de conducción paciente y lógico que te enseña basándose en los errores que ya has cometido. No es "tecnología de punta", pero es eficaz, barato, fácil de usar y te enseña a conducir perfectamente.

La conclusión del papel: Para los actuaries que necesitan crear datos falsos para investigar o proteger la privacidad, no hace falta usar robots superavanzados y complicados. A veces, la mejor herramienta es la lógica estadística bien aplicada (MICE), que es más sencilla, más rápida y, en este caso, incluso más precisa.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Datos sintéticos para la tarificación: Métodos basados en imputación frente a redes adversarias y autoencoders

1. Planteamiento del Problema

La tarificación actuarial y la gestión de riesgos dependen críticamente de datos de alta calidad. Sin embargo, el acceso a estos datos suele estar limitado por:

• Privacidad y seguridad: Las aseguradoras no comparten datos reales debido a regulaciones y ventajas competitivas.
• Costos y disponibilidad: Obtener nuevos datos reales es costoso y lento, especialmente para nuevos mercados o productos.
• Limitaciones de la literatura existente: Los métodos generativos previos en el sector actuarial (principalmente basados en Deep Learning como GANs y VAEs) suelen requerir una personalización intensiva para cada conjunto de datos, lo que reduce su facilidad de uso ("out-of-the-box"). Además, la literatura anterior no ha evaluado exhaustivamente si la augmentación de datos (combinar datos reales con sintéticos) mejora realmente el rendimiento de los modelos predictivos.

El objetivo del estudio es comparar métodos de generación de datos sintéticos, poniendo énfasis en la imputación multivariada mediante ecuaciones encadenadas (MICE) frente a modelos generativos profundos, para determinar cuál ofrece el mejor equilibrio entre fidelidad estadística, utilidad para modelos de tarificación (GLMs) y facilidad de implementación.

2. Metodología

Los autores utilizaron el conjunto de datos de código abierto freMTPL2freq (responsabilidad civil de vehículos en Francia), que contiene 678,013 observaciones con variables categóricas y numéricas.

Diseño Experimental:

• Generación de "Ground Truth": Para evaluar la capacidad de los generadores de aprender la estructura de dependencia real, los autores simularon las variables de respuesta (número de siniestros) utilizando dos fórmulas conocidas: una lineal y otra con interacciones entre covariables, basadas en un modelo GLM de Poisson.
• Métricas de Evaluación:
  • Métricas de Datos: Fidelidad de distribuciones marginales (MAE/MAPE), preservación de relaciones bivariadas y estructura de correlación.
  • Métricas de Modelo: Diferencia en los coeficientes estimados de los GLMs (M1, M2), selección de variables correcta, desviación de Poisson y RMSE en datos de prueba.
  • Facilidad de uso: Evaluación subjetiva de la complejidad de implementación y configuración.

Métodos Comparados (10 enfoques):

1. Métodos basados en MICE (Imputación):
   • MICE Parcialmente Sintético: Se elimina el 75% de los datos originales y se imputa con MICE-RF (Random Forests).
   • MICE Totalmente Sintético: Se elimina el 100% de los datos en dos iteraciones.
   • MICE Tabulator: Enfoque inspirado en Neves et al. (2022) con múltiples iteraciones de amputación-imputación.
   • MICE Volker-Vink: Imputación por columnas secuenciales.
2. Métodos basados en Deep Learning:
   • CTGAN: Red Generativa Antagónica Tabular Condicional.
   • CTGAN + Autoencoders (AEs): Uso de AEs para codificar variables categóricas de alta cardinalidad antes de CTGAN.
   • WGAN-GP: Wasserstein GAN con penalización de gradiente (implementación de Côté et al., 2025).
   • VAE: Autoencoder Variacional (implementación de Jamotton y Hainaut, 2024).
3. Métodos Híbridos:
   • Combinaciones de CTGAN con MICE para variables numéricas y AEs para categóricas.

3. Contribuciones Clave

1. Benchmarking de MICE en Actuaría: Se demuestra que los métodos basados en MICE (específicamente con Random Forests como modelo de imputación) son altamente competitivos frente a modelos generativos profundos (GANs, VAEs) en la generación de datos tabulares para tarificación, ofreciendo una alternativa robusta y menos compleja.
2. Evaluación de la Augmentación: Se analiza sistemáticamente si mezclar datos reales con sintéticos mejora la predicción. El estudio concluye que, en general, la augmentación no mejora el rendimiento de los GLMs entrenados sobre datos reales; de hecho, aumentar la proporción de datos sintéticos tiende a degradar la precisión de los coeficientes estimados.
3. Análisis de Facilidad de Uso: Se destaca que los métodos MICE son significativamente más fáciles de implementar y requieren menos preprocesamiento y ajuste de hiperparámetros que las soluciones basadas en Deep Learning, lo cual es crucial para la práctica actuarial diaria.

4. Resultados Principales

• Fidelidad y Coeficientes: Los métodos MICE Parcialmente Sintético y MICE Totalmente Sintético obtuvieron los mejores resultados en la preservación de la estructura de dependencia multivariada y en la precisión de los coeficientes estimados en los GLMs. Superaron consistentemente a CTGAN, WGAN-GP y VAE en las métricas de diferencia de coeficientes (M1 y M2).
• Variables Categóricas: Los métodos CTGAN mejoraron su rendimiento en variables categóricas de alta cardinalidad cuando se combinaron con Autoencoders (CTGAN + AE), aunque esto no compensó su peor desempeño en otras métricas.
• Selección de Variables: Los modelos entrenados con datos MICE seleccionaron correctamente las variables del modelo verdadero con mayor frecuencia y añadieron menos variables incorrectas en comparación con los métodos GAN/VAE.
• Augmentación de Datos: No se observó una mejora general en la capacidad predictiva (RMSE o desviación) al añadir datos sintéticos a los reales. En la mayoría de los casos, la inclusión de datos sintéticos aumentó el error en la estimación de los coeficientes. Solo hubo un caso aislado donde la augmentación mejoró ligeramente la precisión.
• Tiempo de Cálculo: Los métodos MICE y CTGAN estándar fueron los más rápidos (aprox. 3 horas), mientras que las implementaciones personalizadas de WGAN y VAE requirieron significativamente más tiempo (aprox. 10 horas).

5. Significado e Implicaciones

• Viabilidad Práctica: El estudio valida que los métodos estadísticos clásicos de imputación (MICE), cuando se aplican con modelos flexibles como Random Forests, son una solución superior "fuera de la caja" para la generación de datos sintéticos en el contexto actuarial, superando en facilidad de uso y consistencia a las arquitecturas de Deep Learning más complejas.
• Cambio de Paradigma: Sugiere que la industria actuarial no necesita necesariamente recurrir a modelos generativos complejos para obtener datos sintéticos de alta fidelidad; métodos más simples y transparentes pueden ofrecer resultados iguales o mejores.
• Advertencia sobre Augmentación: Los resultados advierten a los actuarios que la augmentación genérica de datos no es una solución mágica para mejorar modelos; en muchos casos, puede introducir ruido que degrade la estimación de primas si los datos sintéticos no capturan perfectamente la estructura causal subyacente.
• Futuras Direcciones: Se identifica la necesidad de integrar restricciones de negocio (ej. límites de edad, jerarquías) dentro de los marcos de imputación y evaluar más rigurosamente los riesgos de privacidad y la preservación de estructuras causales en los datos generados.

En resumen, el artículo posiciona a MICE con Random Forests como el método preferente para la generación de datos sintéticos en tarificación debido a su equilibrio óptimo entre fidelidad estadística, rendimiento del modelo predictivo y simplicidad de implementación práctica.