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

Las compañías de seguros de vida se enfrentan a un constante y de alto riesgo equilibrio. Deben reservar suficiente dinero hoy para pagar promesas hechas décadas en el futuro, una suma conocida como reserva. Este cálculo depende de predecir cuánto tiempo vivirán las personas y cuánto valdrán esos pagos futuros. Durante más de un siglo, los actuarios han utilizado tablas matemáticas para estimar estas longevidades, asumiendo que las tasas de mortalidad cambian de forma lenta y predecible, como la marea ascendente de un océano tranquilo. Sin embargo, el mundo no siempre es tranquilo. Eventos como las pandemias globales pueden causar que las tasas de mortalidad aumenten de forma repentina y violenta, destrozando los patrones suaves que estos modelos tradicionales esperan. Cuando tales choques ocurren, las viejas fórmulas suelen fallar, dejando a los aseguradores con reservas que son peligrosamente bajas o innecesariamente altas, lo cual amenaza tanto la estabilidad del sistema financiero como la equidad de las primas pagadas por los asegurados.

Para navegar esta incertidumbre, ha surgido un nuevo enfoque que trata el futuro no como un camino único y suave, sino como un paisaje lleno de saltos repentinos e impredecibles. Esta perspectiva reconoce que, si bien la vida suele seguir un curso constante, puede verse interrumpida por eventos raros y extremos. El desafío es construir un sistema que pueda aprender de los datos históricos para predecir lo ordinario, mientras permanece lo suficientemente flexible como para reconocer y adaptarse cuando lo extraordinario sucede. Además, este sistema debe garantizar que el costo de la protección sea justo, lo que significa que el precio de una persona debe depender de su riesgo real, no de su género, región u otras características personales que no tienen una relación real con cuánto tiempo vivirá.

En un estudio reciente, investigadores han desarrollado un sofisticado sistema informático diseñado para resolver estos problemas simultáneamente. Crearon un tipo de inteligencia artificial que actúa como un actuario digital, capaz de estimar el dinero necesario para las reservas de seguros de vida incluso cuando una pandemia golpea. A diferencia de los programas informáticos estándar que podrían confundirse o colapsar al enfrentarse a datos que no se parecen en nada a aquello para lo que fueron entrenados, este nuevo sistema está construido con una red de seguridad matemática específica. Incorpora un método para simular choques pesados y raros, permitiéndole aprender cómo reaccionar cuando las tasas de mortalidad saltan inesperadamente. Los investigadores probaron este sistema utilizando datos sintéticos que imitan las estrictas reglas que los reguladores europeos usan para asegurar que las compañías de seguros sean seguras. Los resultados mostraron que, cuando un simulacro de pandemia golpeó, su nuevo modelo fue mucho más preciso que los métodos tradicionales utilizados hoy en día, reduciendo el error en sus predicciones en un sesenta y cuatro por ciento.

El núcleo de esta innovación reside en cómo aprende la computadora. En lugar de simplemente memorizar patrones pasados, el sistema está diseñado para comprender la estructura subyacente del riesgo. Utiliza una técnica que le permite inyectar ruido aleatorio de cola pesada en sus cálculos. Imagine un modelo meteorológico que usualmente predice lluvia suave pero que también está programado para considerar repentinamente un huracán masivo; este sistema hace lo mismo para la mortalidad. Puede manejar los cambios suaves y cotidianos en la esperanza de vida y, al mismo la vez, prepararse para los picos repentinos y dentados que ocurren durante una crisis. Al hacer esto, evita el error común de los modelos más antiguos que asumen que el futuro siempre se verá como el pasado. Los investigadores encontraron que este enfoque no solo mejoró la precisión durante las crisis, sino que también mantuvo una alta precisión durante los tiempos normales, demostrando que un modelo puede ser tanto robusto ante el desastre como confiable en la paz.

Más allá de la precisión, el estudio abordó una preocupación ética crítica: la equidad. La fijación de precios de los seguros ha luchado durante mucho tiempo con el problema del sesgo, donde ciertos grupos podrían ser cobrados más simplemente debido a su trasfondo demográfico en lugar de su riesgo real. Los investigadores integraron una herramienta de razonamiento causal directamente en el proceso de aprendizaje de su modelo computacional. Esta herramienta actúa como un filtro, eliminando la influencia de las características protegidas como el género o la ubicación, asegurando que el precio final sea determinado únicamente por factores de riesgo legítimos. En sus pruebas, este método redujo la disparidad injusta en las primas en un cuarenta por ciento en comparación con los modelos estándar de la industria. El sistema alcanzó una puntuación de equidad que se encontraba dentro de las estrictas tolerancias establecidas por los reguladores, demostrando que es posible construir un modelo que sea tanto altamente preciso como profundamente equitativo.

Los investigadores también abordaron los fundamentos matemáticos de cómo se realizan estas predicciones. Se alejaron de los promedios simples y, en su lugar, utilizaron un marco más riguroso que trata la incertidumbre financiera y el riesgo demográfico como dos fuerzas separadas pero vinculadas. Esto permite al modelo capturar la compleja forma en que los cambios económicos y las crisis de salud interactúan. Al asegurar que la lógica interna de la computadora respete estas reglas matemáticas, los investigadores garantizaron que el modelo no produciría resultados sin sentido o inestables, incluso cuando se le alimentara con datos extremos. Esta estabilidad es crucial para los reguladores, quienes necesitan confiar en que los números producidos por una compañía de seguros son sólidos, independientemente del clima económico o de salud.

Para demostrar que su teoría funciona en la práctica, el equipo lanzó un paquete de software gratuito y de código abierto que permite a otros expertos probar y utilizar sus métodos. Cuando ejecutaron este software con los mismos datos utilizados en su estudio, reprodujeron con éxito los impresionantes resultados, mostrando una reducción del cincuenta y seis por ciento en el error durante los escenarios de pandemia. Esta transparencia invita a la comunidad más amplia de actuarios y reguladores a examinar, verificar y construir sobre este trabajo. Los investigadores sugieren que su marco podría eventualmente ayudar a las compañías de seguros a calcular la cantidad exacta de capital que necesitan mantener en reserva, reduciendo potencialmente la cantidad de dinero inmovilizado en colchones de seguridad sin comprometer la seguridad. Esto podría conducir a mercados más eficientes y precios más justos para los consumidores, todo ello manteniendo los rigurosos estándares requeridos para proteger a los asegurados.

El estudio concluye que el futuro del modelado de seguros reside en combinar la flexibilidad de la inteligencia artificial moderna con la disciplina rigurosa de la teoría matemática y la equidad ética. Al enseñar a las computadoras a esperar lo inesperado e ignorar los sesgos irrelevantes, los investigadores han creado una herramienta que es mejor para un mundo volátil. Su trabajo sugiere que ya no tenemos que elegir entre un modelo que es preciso en tiempos normales y uno que es robusto en una crisis, ni entre un modelo que es preciso y uno que es justo. En cambio, mediante un diseño cuidadoso y una comprensión profunda de los riesgos subyacentes, es posible construir sistemas que sobresalgan en todas estas áreas, proporcionando una base más resiliente y justa para la protección financiera de la sociedad.