Insurance Pricing Optimization via Off-Policy Evaluation

Riepilogo Tecnico: Ottimizzazione della Tariffazione Assicurativa tramite Valutazione Off-Policy

Formulazione del Problema
La tariffazione assicurativa tradizionale si basa su principi di rischio (ad esempio, GLM, GAM) che garantiscono equità attuariale e solvibilità, ma spesso trascurano la sensibilità al prezzo e le dinamiche della domanda degli assicurati. Sebbene la tariffazione dinamica e l'apprendimento per rinforzo (RL) abbiano guadagnato terreno in altri settori, la loro applicazione nella scienza attuariale rimane limitata, basandosi spesso su framework "prevedi-poi-ottimizza" (PTO). Questi approcci PTO stimano prima una funzione di domanda dai dati storici e poi ottimizzano i prezzi in base a tale stima. Tuttavia, tali metodi sono suscettibili a distorsioni se il modello di domanda è specificato in modo errato o se le politiche di tariffazione storiche inducono effetti di selezione, portando a decisioni sistematicamente subottimali e a stime di ricavo gonfiate.

Questo articolo inquadra la tariffazione assicurativa come un problema di controllo stocastico all'interno di un contesto di valutazione off-policy. L'obiettivo è trovare una politica di tariffazione $\pi$ che massimizzi la ricompensa attesa (ad esempio, il profitto) $V(\pi)$ utilizzando dati storici raccolti sotto politiche di registrazione $\tilde{\pi}$ potenzialmente diverse e subottimali. Il framework tratta le decisioni di tariffazione come azioni $A$ intraprese su assicurati con caratteristiche $X$, generando ricompense $R$. Una sfida chiave è che i dati per un singolo assicurato sono tipicamente disponibili solo sotto un'azione, rendendo necessari metodi per stimare il valore di politiche controfattuali senza nuovi esperimenti.

Metodologia
L'articolo propone un framework metodologico in quattro parti:

1. Stimatore Kernelizzato del Punteggio di Propensione Inverso (IPS):
   Gli autori introducono un nuovo stimatore che estende il metodo IPS classico. Mentre l'IPS classico si basa su corrispondenze esatte tra le azioni della politica di registrazione e quelle della politica target (scartando i dati non corrispondenti e soffrendo di un'alta varianza), il proposto stimatore IPS kernelizzato sfrutta la struttura locale nello spazio delle azioni.

   • Meccanismo: Assume una struttura di regressione locale nella variabile di azione (ad esempio, le ricompense attese variano in modo fluido con il prezzo). Costruisce una matrice kernel $K(x)$ che mappa le azioni dallo spazio storico $\mathcal{A}$ a un nuovo spazio target $\bar{\mathcal{A}}$ (che può differire per risoluzione o intervallo).
   • Costruzione: Il kernel è derivato tramite un problema di minimi quadrati pesati che minimizza la discrepanza tra le ricompense osservate e un modello di regressione locale (ad esempio, lineare o quadratico nelle azioni).
   • Proprietà: Sotto un'ipotesi di regressione locale lieve, lo stimatore è dimostrato essere non distorto. Inoltre, ottiene una riduzione della varianza rispetto all'IPS classico aggregando informazioni tra azioni vicine invece di scartare i dati. L'articolo caratterizza un kernel ottimale per la varianza (utilizzando l'inverso della matrice di covarianza condizionata delle ricompense) e propone un kernel "naive" computazionalmente efficiente (utilizzando pesi diagonali) che si comporta in modo comparabile nella pratica.

2. Approcci di Ottimizzazione della Politica:
   Basandosi sulle stime di valore, l'articolo esamina due metodi per calcolare la politica di tariffazione ottimale $\pi^*$:

   • Lasso Condiviso dai Dati (DSL): Un approccio interpretabile che formula l'ottimizzazione della politica come un problema di regressione regolarizzato. Approssima lo stimatore IPS kernelizzato rimuovendo la dipendenza esplicita dalle ricompense individuali, risolvendo per deviazioni specifiche per azione rispetto a un modello lineare globale utilizzando la regolarizzazione Lasso.
   • Parametrizzazione tramite Rete Neurale (NN): Un approccio flessibile e non parametrico in cui una rete neurale feedforward mappa le caratteristiche degli assicurati nelle probabilità di azione (tramite un'uscita softmax). La rete è addestrata tramite ascesa del gradiente stocastica per massimizzare direttamente la stima IPS kernelizzata.

3. Ambiente Sintetico:
   I metodi sono valutati in un ambiente sintetico controllato di assicurazione viaggi. La generazione dei dati imita uno scenario realistico in cui i clienti decidono di acquistare in base a un modello di domanda sensibile al prezzo che coinvolge interazioni lineari e di ordine superiore (inclusa una variabile latente per la destinazione). La verità fondamentale per le ricompense attese è nota, consentendo un benchmark rigoroso.

Risultati Chiave
Gli esperimenti empirici sui dati sintetici producono le seguenti scoperte:

• Riduzione della Varianza: Lo stimatore IPS kernelizzato riduce significativamente l'Errore Quadratico Medio (RMSE) rispetto allo stimatore IPS classico su tutte le dimensioni del campione. Raggiunge la stessa accuratezza dello stimatore IPS classico con circa la metà del campione.
• Kernel Naive vs. Ottimale: Il kernel "naive" computazionalmente efficiente (pesi diagonali) si comporta quasi identicamente al kernel ottimale per la varianza (che richiede la stima della covarianza) nel contesto testato, suggerendo una scalabilità pratica senza una complessa stima dei momenti.
• Capacità di Estrapolazione: A differenza dell'IPS classico, lo stimatore kernelizzato può valutare politiche su spazi di azione che si estendono oltre i dati storici (ad esempio, aggiustamenti di prezzo di $\pm 30\%$ quando i dati coprono solo $\pm 20\%$). Sebbene l'accuratezza degradi agli estremi a causa di effetti di troncamento non lineari nel modello di domanda, il metodo interpola con successo ed estrapola moderatamente.
• Prestazioni di Ottimizzazione della Politica:
  • Reti Neurali: Le politiche NN raggiungono costantemente il divario di prestazioni più piccolo rispetto all'ottimo teorico, in particolare quando il processo di generazione dei dati include interazioni complesse e di ordine superiore che i modelli lineari non colgono.
  • Lasso Condiviso dai Dati: DSL fornisce una struttura lineare interpretabile con deviazioni specifiche per azione, performando in modo competitivo rispetto all'approccio PTO classico ma con una migliore robustezza alla specificazione errata del modello nella stima del valore.
  • Distorsione in PTO: Lo studio conferma che l'approccio classico "prevedi-poi-ottimizza" soffre di distorsione da selezione quando lo stesso modello di domanda è utilizzato sia per l'ottimizzazione che per la stima del valore, portando a una sovrastima delle prestazioni della politica. Lo stimatore IPS kernelizzato off-policy evita questa distorsione.

Significato e Affermazioni
L'articolo afferma di fornire un percorso fondato e a basso rischio per la tariffazione assicurativa basata sui dati che separa la sperimentazione dal dispiegamento. I suoi contributi principali sono:

1. Ottimizzazione Offline: Abilitare la valutazione di un numero illimitato di strategie di tariffazione controfattuali utilizzando una singola fase di raccolta dati randomizzata, evitando i costi elevati e i vincoli operativi dei test A/B online nell'assicurazione.
2. Riduzione della Varianza ed Estrapolazione: Lo stimatore IPS kernelizzato offre un metodo statisticamente rigoroso per ridurre la varianza dello stimatore e valutare politiche su spazi di azione nuovi o più dettagliati, affrontando una limitazione chiave dei metodi off-policy standard.
3. Robustezza: Disaccoppiando la stima del valore (tramite stimatori off-policy non distorti) dal passaggio di ottimizzazione della politica, il framework mitiga la distorsione intrinseca nei loop "prevedi-poi-ottimizza".
4. Applicabilità Pratica: La dimostrazione che approssimazioni computazionalmente efficienti (kernel naive, Lasso) funzionano bene suggerisce che il framework è vitale per applicazioni attuariali reali, dove l'interpretabilità e l'efficienza computazionale sono fondamentali.

Gli autori concludono che, sebbene le reti neurali flessibili offrano prestazioni superiori nel catturare dinamiche di domanda complesse, il framework proposto fornisce un'alternativa robusta e non distorta alla tariffazione basata sul rischio tradizionale, in particolare in contesti in cui la sensibilità alla domanda è un fattore critico.