Comparative Study of Sarima and Lstm Model to Forecast the Insurance Comprehensive Income (Loss) in Indonesia

Resumen Técnico: Estudio Comparativo de los Modelos SARIMA y LSTM para la Previsión del Ingreso Integral de las Compañías de Seguros en Indonesia

Planteamiento del Problema
El estudio aborda el desafío de pronosticar el Ingreso Integral Total (Pérdida) de las compañías de seguros en Indonesia, una métrica que abarca el beneficio/pérdida neta y otros ingresos integrales. Mientras que el análisis financiero tradicional se basa en las ganancias históricas para la planificación estratégica, los inversores y acreedores enfrentan incertidumbres inherentes al proyectar flujos de caja futuros. La literatura existente suele centrarse en métricas aisladas como primas o siniestralidad, o depende únicamente de modelos estadísticos lineales (por ejemplo, ARIMA) sin compararlos con alternativas de aprendizaje profundo. Además, existe una brecha en la aplicación de estas técnicas de previsión específicamente a los datos de seguros de Indonesia, que exhiben una estacionalidad pronunciada y una alta volatilidad impulsada por primas, siniestros, rendimientos de inversiones y gastos operativos. El problema central es determinar si los modelos estadísticos (SARIMA) o las arquitecturas de aprendizaje profundo (LSTM) son más adecuados para capturar la compleja dinámica no lineal y estacional de esta serie temporal financiera específica.

Metodología
La investigación emplea un enfoque cuantitativo de previsión de series temporales utilizando datos secundarios de compañías de seguros de vida de Indonesia que cubren el período de enero de 2017 a mayo de 2025 (101 observaciones mensuales). El conjunto de datos se dividió en conjuntos de entrenamiento (80%) y prueba (20%).

1. Preprocesamiento de Datos:

   • Estacionariedad: La prueba de Dickey-Fuller Aumentada (ADF) confirmó la estacionariedad (p-valor = 0.0197). Se aplicó diferenciación estacional para abordar los ciclos anuales.
   • Descomposición: Se realizó una descomposición de la serie temporal para aislar los componentes observados, de tendencia, estacionales y residuales, revelando una estacionalidad anual significativa.

2. Modelo 1: SARIMA (Autoregresivo Integrado de Media Móvil Estacional):

   • Siguió el marco de Box–Jenkins (identificación, estimación, diagnóstico).
   • Los parámetros se identificaron mediante gráficos ACF/PACF y el algoritmo auto-ARIMA, optimizando para AIC, BIC y HQIC.
   • El modelo seleccionado fue SARIMA (1,0,0)(0,1,1)[12].
   • Los diagnósticos incluyeron la prueba de Ljung-Box para asegurar que los residuos fueran ruido blanco.

3. Modelo 2: LSTM (Memoria de Corto Plazo de Largo Ámbito):

   • Una arquitectura de aprendizaje profundo que consiste en una capa LSTM conectada a una capa de salida densa.
   • Ajuste de Hiperparámetros: Se realizó una búsqueda de cuadrícula manual sobre 144 variaciones, probando combinaciones de:
     • Neuronas: 4, 8, 12, 16
     • Épocas: 10, 25, 40, 60
     • Tasas de Aprendizaje: 0.001, 0.0001, 0.00001
     • Optimizadores: Adam, RMSProp, SGD
   • La mejor configuración identificada fue 16 neuronas, 60 épocas, tasa de aprendizaje 0.001 y el optimizador Adam.
   • Los datos fueron normalizados y convertidos en ventanas secuenciales (entrada-objetivo) para el entrenamiento.

4. Métricas de Evaluación:

   • Ambos modelos fueron evaluados en el conjunto de prueba utilizando el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el Error Porcentual Absoluto Medio (MAPE).

Resultados Clave

• Desempeño de SARIMA:

  • El modelo SARIMA capturó con éxito las tendencias estacionales generales y la dirección general de los datos.
  • Métricas: RMSE = 3,858,420.47; MAPE = 85.00%.
  • Observación: El modelo produjo predicciones más suaves y tuvo dificultades para capturar fluctuaciones bruscas y repentinas (picos) en los datos de prueba, lo que condujo a un error relativo alto.

• Desempeño de LSTM:

  • El modelo LSTM siguió el nivel general de la serie pero exhibió un subajuste (underfitting) significativo. No logró capturar los picos grandes y las variaciones extremas, produciendo predicciones excesivamente suavizadas.
  • Métricas: RMSE = 3,067,615 × 10⁶ (indicando una desviación absoluta masiva); MAPE = 165.29%.
  • Observación: La incapacidad del LSTM para modelar la volatilidad específica y la amplitud de los datos de seguros de Indonesia resultó en una precisión significativamente menor en comparación con SARIMA.

• Comparación:

  • SARIMA superó a LSTM en este contexto específico, particularmente en el modelado de los patrones estacionales anuales inherentes a los datos.
  • Sin embargo, los autores señalan que la capacidad predictiva de ambos modelos sigue siendo limitada, como lo indican los altos valores de MAPE para ambos.

Significancia y Reivindicaciones
El artículo sostiene que, si bien SARIMA demuestra una mayor capacidad para reflejar las tendencias estacionales en el ingreso integral de los seguros en Indonesia en comparación con LSTM, ninguno de los dos modelos alcanzó una precisión óptima. El estudio destaca que:

1. Brecha Contextual: Contribuye a la escasa cobertura académica de la previsión de datos financieros de seguros en Indonesia, específicamente utilizando el Ingreso Integral Total (Pérdida) en lugar de solo primas o siniestros.
2. Limitaciones del Modelo: Los resultados sugieren que, aunque los métodos estadísticos como SARIMA son efectivos para datos estacionales, y el aprendizaje profundo (LSTM) es teóricamente capaz de manejar la dinámica no lineal, las implementaciones actuales no lograron generalizar bien ante la volatilidad específica de este conjunto de datos.
3. Dirección Futura: Los autores concluyen modestamente que la investigación futura debe ir más allá de los enfoques de un solo modelo. Proponen investigar estrategias de modelado híbrido (por ejemplo, combinando SARIMA con LSTM o GRU) para aprovechar las fortalezas estacionales de los modelos estadísticos y las capacidades de aprendizaje no lineal del aprendizaje profundo. Además, sugieren refinar la selección de hiperparámetros e incorporar variables externas para mejorar la generalización y la precisión.

El estudio no pretende haber resuelto definitivamente el problema de la previsión, sino que proporciona una línea base comparativa que indica que los enfoques híbridos son necesarios para obtener mejores resultados en este dominio.