🤖 machine learning

{\alpha}-Fair Insurance Pricing: A Fairness Continuum

Este artículo presenta el marco $\alpha$ -FISP, un modelo de optimización restringida que resuelve la tensión entre la equidad actuarial y la de solidaridad en la tarificación de seguros mediante la generación de un continuo de soluciones de primas resolubles parametrizadas por $\alpha$ , permitiendo así que los reguladores y las aseguradoras equilibren la diferenciación de riesgos con el subsidio cruzado mientras garantizan la solvencia.

Autores originales: Tianhe Zhang, Xiguang Liu, Peng Shi

Publicado 2026-06-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Tianhe Zhang, Xiguang Liu, Peng Shi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás organizando una cena de convivencia gigante donde cada persona trae un plato, pero algunos traen ingredientes caros mientras que otros traen aperitivos sencillos. El objetivo es determinar cuánto debe pagar cada persona por su comida.

Este artículo aborda un argumento muy antiguo y complicado sobre cómo cobrar el seguro a las personas: ¿Debería cada uno pagar exactamente lo que cuestan sus riesgos personales (Equidad Actuarial) o debería todos pagar el mismo precio para ayudar a los que tienen más riesgo (Equidad de Solidaridad)?

Aquí está la solución del artículo, desglosada en conceptos sencillos.

1. Las dos visiones opuestas

Los autores describen un tira y afloja entre dos formas de entender la "equidad":

La visión "Actuarial" (El contador estricto): Esta visión dice: "Si eres un conductor joven y no fumador, deberías pagar menos. Si eres un fumador mayor, deberías pagar más". Se basa en la idea de que tu precio debe coincidir perfectamente con tu riesgo específico. Si eres de bajo riesgo, no deberías tener que subsidiar a las personas de alto riesgo.
La visión de la "Solidaridad" (El ayudante de la comunidad): Esta visión dice: "Estamos todos juntos en esto". Argumenta que el seguro es una red de seguridad social. Si cobramos demasiado a las personas de alto riesgo, no podrán costear el seguro. Por lo tanto, las personas de bajo riesgo deberían pagar un poco más para ayudar a cubrir los costos del grupo de alto riesgo.

El problema: En el pasado, estas dos ideas se veían como enemigas. No se podían tener ambas. Si utilizabas demasiados datos (como género, raza o código postal) para calcular el riesgo, podrías terminar cobrando tanto a los grupos vulnerables que no podrían costear la cobertura. Pero si ignoras el riesgo por completo, la compañía de seguros podría quebrar porque los "contadores" no están recaudando suficiente dinero.

2. La solución: El "Deslizador de Equidad" ( $\alpha$ )

Los autores proponen un nuevo marco llamado $\alpha$ -Equidad. Piensa en esto como un deslizador o una perilla de atenuación que te permite elegir exactamente cuánta "solidaridad" quieres en el precio.

La perilla está etiquetada como $\alpha$ (alfa) y va de 0 a 1.
En 0 (el extremo "Actuarial"): La perilla está totalmente abajo. Cada uno paga exactamente lo que cuestan sus riesgos específicos. Nadie ayuda a nadie más.
En 1 (el extremo de la "Solidaridad"): La perilla está totalmente arriba. Todos en el mismo grupo básico (por ejemplo, misma edad y estado de tabaquismo) pagan exactamente el mismo precio, independientemente de otros detalles. Las personas de bajo riesgo subsidian totalmente a las de alto riesgo.
En el medio (por ejemplo, 0.5): Este es el punto ideal. Las personas de bajo riesgo pagan un poco más para ayudar a las de alto riesgo, pero no tanto como para que se sientan castigadas. Las personas de alto riesgo reciben un descuento, pero no un viaje gratis.

3. La regla de la "Red de Seguridad" (Solvencia)

El artículo añade una regla crucial que muchos otros conceptos de equidad olvidan: la compañía de seguros no debe quebrar.

Lo llaman Solvencia Individual. Imagina un grupo específico de personas (digamos, fumadores de 30 años). El dinero total recaudado de este grupo debe ser suficiente para pagar sus reclamaciones previstas. No puedes tomar dinero de los fumadores de 30 años para pagar a los fumadores de 60 años. El "pozo" de cada grupo debe mantenerse en positivo.

Esto asegura que, mientras somos justos con diferentes grupos, no estamos creando un desastre financiero para la compañía de seguros.

4. Cómo funciona en la práctica

Los autores convirtieron esta idea en un problema matemático (una tarea de optimización).

Entrada: Comienzan con el precio "perfecto" basado en el riesgo (lo que cobraría el contador).
Ajuste: Luego aplican el deslizador $\alpha$ . Si estableces $\alpha$ en 0.8, las matemáticas fuerzan a que los precios de las personas en el mismo grupo sean muy cercanos entre sí (dentro de un 80% de diferencia).
Restricción: Las matemáticas también verifican que el grupo todavía tenga suficiente dinero para pagar sus cuentas.

5. Lo que encontraron

Los autores probaron esto con simulaciones por computadora y datos reales de seguros de salud.

Funciona: Demostraron que puedes deslizar suavemente desde un "precio basado estrictamente en el riesgo" hacia un "precio basado en la comunidad" sin romper las matemáticas.
Es seguro: A diferencia de otros métodos de fijación de precios "justos" que probaron, su método nunca resultó en que el grupo de seguros perdiera dinero (solvencia negativa).
Es flexible: Debido a que los reguladores en diferentes lugares tienen reglas diferentes (algunos estados quieren más equidad, otros menos), este marco permite que una empresa simplemente gire la perilla $\alpha$ para adaptarse a las leyes locales.

La analogía del panorama general

Imagina una cafetería escolar.

Equidad Actuarial: Pagas exactamente por los ingredientes de tu almuerzo. Si pides un filete, pagas \ $20. Si pides un sándwich, pagas \$ 5.
Equidad de Solidaridad: Todos pagan $10. Los que comen filete subsidian a los que comen sándwich para que todos puedan comer.
La solución del artículo: El director (el regulador) dice: "Necesitamos un punto medio". Establece una regla: "La diferencia de precio entre el filete y el sándwich no debe ser mayor al 50%".
- El filete podría bajar a $15.
- El sándwich podría subir a $10.
- La cafetería sigue recaudando suficiente dinero para comprar la comida (Solvencia), pero la brecha entre los comedores ricos y los pobres no es tan grande.

El artículo nos brinda la herramienta matemática para encontrar ese punto medio perfecto, asegurando que el seguro sea tanto asequible para las personas como financieramente saludable para la empresa.

Resumen Técnico: Precios de Seguros $\alpha$ -Fair

Planteamiento del Problema
La fijación de precios de seguros enfrenta una tensión fundamental entre dos nociones contrapuestas de equidad: la equidad actuarial y la equidad de solidaridad. La equidad actuarial dicta que las primas deben reflejar las pérdidas esperadas individuales, lo que a menudo se logra mediante una clasificación de riesgo granular. Por el contrario, la equidad de solidaridad enfatiza la agrupación social, donde los riesgos se comparten entre grupos para garantizar la asequibilidad y el acceso, lo que a menudo requiere subsidios cruzados.

En los entornos modernos impulsados por datos, la disponibilidad de datos granulares permite una diferenciación de riesgos cada vez más precisa, lo que puede exacerbar las disparidades en las primas y aumentar las preocupaciones sobre la asequibilidad y la exclusión social. Simultáneamente, los reguladores (por ejemplo, la Directiva de Género de la UE, la SB 21-169 de Colorado) están restringiendo cada vez más el uso de atributos sensibles (como el género, la raza o los indicadores socioeconómicos) en la fijación de precios. La literatura existente suele tratar estos conceptos como binarios o se centra en la equidad predictiva en el aprendizaje automático (por ejemplo, la paridad demográfica), sin abordar la asignación económica específica de las cargas financieras en los seguros o el requisito operativo crítico de la solvencia (garantizar que las primas cubran las pérdidas esperadas).

Metodología
Los autores proponen el marco de la Prima de Solvencia Individual $\alpha$ -Fair ( $\alpha$ -FISP), que modela la fijación de precios de seguros como un problema de optimización con restricciones.

Definiciones y Métricas:
- Prima de Equidad Actuarial ( $\mu(X, D)$ ): La pérdida esperada $E[Y|X, D]$ , diferenciando plenamente por atributos no sensibles ( $X$ ) y sensibles ( $D$ ).
- Prima de Equidad de Solidaridad ( $\mu(X)$ ): La pérdida esperada $E[Y|X]$ , agrupando los riesgos a través de los atributos sensibles dentro de una clase de riesgo no sensible.
- $\alpha$ -Equidad ( $\alpha$ -Fairness): Una función de precios $f$ $f$ es $\alpha$ $α$ -fair si, para cualquier par de individuos con atributos no sensibles idénticos ( $x = x'$ $x = x^{'}$ ), la razón de sus primas es al menos $\alpha$ $α$ (donde $\alpha \in [0, 1]$ $α \in [0, 1]$ ). Específicamente, $\min(f(x, d)/f(x, d'), f(x, d')/f(x, d)) \geq \alpha$ $min (f (x, d) / f (x, d^{'}), f (x, d^{'}) / f (x, d)) \geq α$ .
  - $\alpha = 0$ : Equidad actuarial pura (diferenciación total).
  - $\alpha = 1$ : Equidad de solidaridad pura (precios uniformes dentro de la clase de riesgo).
- Solvencia Individual: Una restricción que exige que, para cualquier atributo no sensible fijo $x$ , el promedio ponderado de las primas a través de los grupos sensibles debe cubrir el promedio ponderado de sus pérdidas esperadas. Esto evita el subsidio cruzado entre clases de riesgo heterogéneas ( $x \neq x'$ ).
Formulación de Optimización:
El problema se formula como la minimización del Error Cuadrático Medio (MSE) entre la prima predicha y la pérdida realizada, sujeto a:
- Restricciones de $\alpha$ -Equidad: Desigualdades lineales que aseguran que la razón de las primas dentro de una clase de riesgo se mantenga dentro de $[\alpha, 1/\alpha]$ .
- Restricciones de Solvencia: Asegurar que los ingresos por primas del grupo cubran la pérdida esperada del grupo.
La solución, $\alpha$ -FISP, se deriva como el minimizador único de este problema de minimización de riesgo con restricciones.

Propiedades Teóricas Clave
El artículo establece varias garantías teóricas para el marco $\alpha$ -FISP:

Existencia y Unicidad: Bajo condiciones de regularidad estándar (pérdidas esperadas positivas, primas acotadas), existe una solución óptima única.
Acotación: Las primas resultantes se encuentran dentro del envolvente convexo de las primas actuarialmente justas para una clase de riesgo dada. Ninguna prima es empujada por debajo de la pérdida mínima esperada ni inflada más allá del máximo referente actuarialmente justo dentro de esa clase.
Preservación del Orden: El orden relativo de las primas a través de los atributos sensibles se preserva. Si un grupo es actuarialmente más riesgoso que otro, la prima $\alpha$ -fair para el grupo más riesgoso no será inferior a la del grupo menos riesgoso.
Garantías Estadísticas: El marco proporciona límites de exceso de riesgo en muestras finitas. Se demuestra que el costo de imponer la equidad es un término de sesgo aditivo que depende de la heterogeneidad de los riesgos y del $\alpha$ elegido. La tasa de convergencia sigue siendo minimax óptima ( $O(n^{-1/2})$ ).
Solvencia: El marco garantiza explícitamente la solvencia a nivel individual, una propiedad que a menudo se pasa por alto en los estudios de equidad de precios.

Resultados Experimentales
Se realizaron experimentos numéricos en conjuntos de datos sintéticos y en un conjunto de datos de Seguro de Salud de EE. UU.:

Comportamiento de Continuo: A medida que $\alpha$ varía de 0 a 1, las primas transicionan suavemente desde niveles de equidad actuarial hacia niveles de equidad de solidaridad, validando el concepto de continuo.
Preservación del Orden: Las simulaciones confirmaron que las primas mantienen la monotonicidad con respecto a los niveles de riesgo, incluso a medida que $\alpha$ aumenta, siempre que se cumplan ciertas condiciones sobre la masa del grupo de bajo riesgo.
Comparación con DFIP: Al compararse con el método de Fijación de Precios de Seguros Libre de Discriminación (DFIP) (Lindholm et al., 2022), $\alpha$ -FISP mantuvo consistentemente un margen de solvencia positivo. En contraste, DFIP produjo primas insolventes (margen de solvencia negativo) a través de varios presupuestos de equidad.
Tractabilidad Computacional: El marco es computacionalmente eficiente, resoluble mediante técnicas estándar de optimización con restricciones (por ejemplo, métodos lagrangianos con redes neuronales).
Alineación Regulatoria: El marco se alinea con los requisitos regulatorios heterogéneos a nivel estatal en los EE. UU., donde diferentes jurisdicciones pueden exigir diferentes niveles de subsidio cruzado (capturados mediante la variación de $\alpha$ ).

Significado y Reivindicaciones
El artículo afirma avanzar en la literatura sobre equidad tanto en el aprendizaje automático como en la ciencia actuarial al:

Formalizar un Continuo de Equidad: Introducir la $\alpha$ -equidad como un parámetro ajustable que captura explícitamente el compromiso entre la equidad actuarial y la de solidaridad, yendo más allá de las definiciones binarias.
Integrar la Solvencia: Ser el primer marco que garantiza explícitamente la solvencia a nivel individual mientras impone restricciones de equidad, abordando una brecha operativa crítica en los estudios de fijación de precios equitativos existentes.
Asignación Estructural vs. Predicción: Reencuadrar la equidad no solo como una restricción predictiva (por ejemplo, minimizar la disparidad de error), sino como un mecanismo de asignación que rige cómo se distribuyen las cargas financieras. Esto cierra la brecha entre los principios actuariales tradicionales y la equidad algorítmica moderna.
Implementabilidad Práctica: Proporcionar un flujo de trabajo computacionalmente tratable, interpretable y regulatoriamente adaptable que permite a los tomadores de decisiones seleccionar un punto de operación ( $\alpha$ ) alineado con prioridades estratégicas o regulatorias específicas sin sacrificar la estabilidad del modelo o la solvencia.