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

Le compagnie di assicurazioni sulla vita affrontano un costante e delicato gioco di equilibrio. Devono accantonare oggi denaro sufficiente per pagare promesse fatte decenni nel futuro, una somma nota come riserva. Questo calcolo si basa sulla previsione di quanto a lungo vivranno le persone e di quanto varrà il valore di quei pagamenti futuri. Per oltre un secolo, gli attuari hanno utilizzato tabelle matematiche per stimare queste durate, assumendo che i tassi di mortalità cambino lentamente e in modo prevedibile, come l'innalzamento della marea di un oceano calmo. Tuttavia, il mondo non è sempre calmo. Eventi come le pandemie globali possono causare picchi improvvisi e violenti nei tassi di mortalità, frantumando i modelli fluidi che le tradizionali metodologie si aspettano. Quando si verificano tali shock, le vecchie formule spesso falliscono, lasciando gli assicuratori con riserve che sono o pericolosamente basse o inutilmente alte, entrambi i casi i quali minacciano la stabilità del sistema finanziario e l'equità dei premi pagati dai contraenti.

Per navigare in questa incertezza, è emersa un approccio nuovo che tratta il futuro non come un unico percorso fluido, ma come un paesaggio pieno di salti improvvisi e imprevedibili. Questa prospettiva riconosce che, sebbene la vita segua solitamente un corso costante, essa può essere interrotta da eventi rari ed estremi. La sfida è costruire un sistema che possa imparare dai dati storici per prevedere l'ordinario, pur rimanendo abbastanza flessibile da riconoscere e adattarsi quando accade l'straordinario. Inoltre, questo sistema deve garantire che il costo della protezione sia equo, il che significa che il prezzo di una persona debba dipendere dal suo rischio effettivo, non dal suo genere, dalla sua regione o da altre caratteristiche personali che non hanno alcun reale legame con la durata della sua vita.

In uno studio recente, i ricercatori hanno sviluppato un sofisticato sistema informatico progettato per risolvere simultaneamente questi problemi. Hanno creato un tipo di intelligenza artificiale che agisce come un attuario digitale, capace di stimare il denaro necessario per le riserve assicurative sulla vita anche quando una pandemia colpisce. A differenza dei programmi informatici standard che potrebbero confondersi o bloccarsi di fronte a dati che non somigliano a nulla di ciò per cui sono stati addestrati, questo nuovo sistema è costruito con una specifica rete di sicurezza matematica. Incorpora un metodo per simulare shock pesanti e rari, permettendogli di imparare come reagire quando i tassi di mortalità subiscono salti inaspettati. I ricercatori hanno testato questo sistema utilizzando dati sintetici che imitano le rigide regole utilizzate dai regolatori europei per garantire la sicurezza delle compagnie assicurative. I risultati hanno mostrato che, quando una pandemia simulata ha colpito, il loro nuovo modello era molto più accurato rispetto ai metodi tradizionali utilizzati oggi, riducendo l'errore nelle sue previsioni del sessantaquattro per cento.

Il nucleo di questa innovazione risiede nel modo in cui il computer apprende. Invece di limitarsi a memorizzare i modelli passati, il sistema è progettato per comprendere la struttura sottostante del rischio. Utilizza una tecnica che gli consente di iniettare rumore casuale a "coda pesante" nei suoi calcoli. Immaginate un modello meteorologico che di solito prevede piogge leggere, ma che è anche programmato per prevedere improvvisamente un enorme uragano; questo sistema fa la stessa cosa per la mortalità. Può gestire i cambiamenti regolari e quotidiani dell'aspettativa di vita e, allo stesso tempo, prepararsi ai picchi improvvisi e irregolari che si verificano durante una crisi. In questo modo, evita la trappola comune dei modelli più vecchi che assumono che il futuro sarà sempre simile al passato. I ricercatori hanno scoperto che questo approccio non solo ha migliorato l'accuratezza durante le crisi, ma ha mantenuto un'alta precisione anche durante i periodi normali, dimostrando che un modello può essere sia robusto contro i disastri che affidabile in tempi di pace.

Oltre all'accuratezza, lo studio ha affrontato una preoccupazione etica critica: l'equità. La determinazione dei prezzi assicurativi ha lottato a lungo con il problema del pregiudizio, dove certi gruppi potrebbero essere addebitati di più semplicemente a causa del loro background demografico piuttosto che del loro rischio effettivo. I ricercatori hanno inserito uno strumento di ragionamento causale direttamente nel processo di apprendimento del loro modello informatico. Questo strumento agisce come un filtro, eliminando l'influenza di caratteristiche protette come il genere o la posizione geografica, garantendo che il prezzo finale sia determinato solo da fattori di rischio legittimi. Nei loro test, questo metodo ha ridotto la disparità ingiusta nei premi del quaranta per cento rispetto ai modelli standard del settore. Il sistema ha raggiunto un punteggio di equità che rientrava pienamente nei rigorosi limiti stabiliti dai regolatori, dimostrando che è possibile costruire un modello che sia sia altamente accurato che profondamente equo.

I ricercatori hanno anche affrontato le fondamenta matematiche su cui si basano queste previsioni. Si sono allontanati dalle semplici medie e hanno invece utilizzato un quadro più rigoroso che tratta l'incertezza finanziaria e il rischio demografico come due forze separate ma collegate. Ciò consente al modello di catturare il modo complesso in cui i cambiamenti economici e le crisi sanitarie interagiscono. Garantendo che la logica interna del computer rispetti queste regole matematiche, i ricercatori hanno assicurato che il modello non producesse risultati privi di senso o instabili, anche quando alimentato con dati estremi. Questa stabilità è cruciale per i regolatori, che devono poter fare affidamento sul fatto che i numeri prodotti da una compagnia assicurativa siano solidi, indipendentemente dal clima economico o sanitario.

Per dimostrare che la loro teoria funziona nella pratica, il team ha rilasciato un pacchetto software gratuito e open-source che consente ad altri esperti di testare e utilizzare i loro metodi. Quando hanno eseguito questo software sugli stessi dati utilizzati nel loro studio, esso ha riprodotto con successo i risultati impressionanti, mostrando una riduzione dell'errore del cinquantasei per cento durante gli scenari pandemici. Questa trasparenza invita la comunità più ampia di attuari e regolatori a esaminare, verificare e costruire sul lavoro svolto. I ricercatori suggeriscono che il loro framework potrebbe eventualmente aiutare le compagnie assicurative a calcolare l'esatta quantità di capitale che devono detenere in riserva, potenzialmente riducendo la quantità di denaro vincolato in buffer di sicurezza senza compromettere la sicurezza. Ciò potrebbe portare a mercati più efficienti e prezzi più equi per i consumatori, il tutto mantenendo i rigorosi standard richiesti per proteggere i contraenti.

Lo studio conclude che il futuro della modellizzazione assicurativa risiede nel combinare la flessibilità della moderna intelligenza artificiale con la disciplina rigorosa della teoria matematica e dell'equità etica. Insegnando ai computer di aspettarsi l'inaspettato e di ignorare i pregiudizi irrilevanti, i ricercatori hanno creato uno strumento che è meglio adatto a un mondo volatile. Il loro lavoro suggerisce che non dobbiamo più scegliere tra un modello che è accurato nei tempi normali e uno che è robusto in una crisi, né tra un modello che è preciso e uno che è equo. Invece, attraverso una progettazione attenta e una profonda comprensione dei rischi sottostanti, è possibile costruire sistemi che eccellano in tutte queste aree, fornendo una base più resiliente e giusta per la protezione finanziaria della società.