Insurance Pricing Optimization via Off-Policy Evaluation

技術的サマリー：オフポリシー評価による保険料率設定の最適化

問題定式化
従来の保険料率設定は、数理的公平性と破綻防止を確保するリスクベースの原則（例えば、一般化線形モデル（GLM）や一般化加法モデル（GAM））に依存していますが、契約者の価格感応度や需要のダイナミクスをしばしば軽視しています。動的価格設定や強化学習（RL）は他の業界で注目を集めていますが、その数理科学への応用は限定的であり、多くの場合「予測後に最適化（PTO）」のフレームワークに依存しています。これらの PTO 手法は、まず歴史データから需要関数を推定し、その推定値に基づいて料率を最適化します。しかし、需要モデルの誤指定や、歴史的な価格設定方針が選択バイアスを誘発する場合、これらの手法はバイアスを受けやすく、結果として体系的に非最適な意思決定や、過大評価された収益推定につながります。

本論文は、保険料率設定をオフポリシー評価の枠組みにおける確率的制御問題として定式化します。目的は、潜在的に異なる非最適なログ記録方針 $\tilde{\pi}$ の下で収集された歴史データを用いて、期待報酬（例えば、利益）$V(\pi)$ を最大化する価格設定方針 $\pi$ を見出すことです。このフレームワークでは、特徴量 $X$ を持つ契約者に対して行われる行動 $A$ としての価格設定決定が、報酬 $R$ を生成すると扱われます。主要な課題は、個々の契約者に関するデータが通常、単一の行動の下でのみ利用可能であるため、新たな実験なしに反事実的方針の価値を推定する手法が必要となる点です。

手法
本論文は、4 つの要素からなる方法論的フレームワークを提案します。

1. カーネル化逆傾向スコア（IPS）推定量:
   著者は、古典的な IPS 法を拡張する新しい推定量を導入します。古典的な IPS は、ログ記録方針の行動と対象方針の行動との完全な一致に依存しており（一致しないデータを破棄し、高い分散に悩まされる）、提案されるカーネル化 IPS 推定量は、行動空間における局所的な構造を利用します。

   • メカニズム: 行動変数における局所回帰構造（例えば、期待報酬が価格に対して滑らかに変化する）を仮定します。歴史的な空間 $\mathcal{A}$ からの行動を、新しい対象空間 $\bar{\mathcal{A}}$（解像度や範囲が異なる場合がある）へマッピングするカーネル行列 $K(x)$ を構築します。
   • 構築: カーネルは、観測された報酬と局所回帰モデル（例えば、行動に関する線形または二次モデル）との不一致を最小化する重み付き最小二乗問題から導出されます。
   • 性質: 穏やかな局所回帰の仮定の下、この推定量は不偏であることが証明されます。さらに、データを破棄するのではなく隣接する行動間で情報を集約することで、古典的な IPS に比べて分散の低減を達成します。論文は、条件付き報酬共分散行列の逆行列を用いた分散最適カーネルを特徴付けるとともに、実務上同程度の性能を発揮する計算効率的な「ナイーブ」カーネル（対角重みを使用）を提案します。

2. 方針最適化アプローチ:
   価値推定値に基づき、論文は最適な価格設定方針 $\pi^*$ を計算する 2 つの手法を検証します。

   • データ共有ラッソ（DSL）: 方針最適化を正則化回帰問題として定式化する解釈可能なアプローチです。明示的な個別報酬への依存を除去し、ラッソ正則化を用いてグローバルな線形モデルからの行動固有の偏差を解くことで、カーネル化 IPS 推定量を近似します。
   • ニューラルネットワーク（NN）パラメータ化: 柔軟な非パラメトリックアプローチであり、順伝播型ニューラルネットワークが契約者の特徴量を行動確率（ソフトマックス出力を介して）にマッピングします。ネットワークは、カーネル化 IPS 推定量を直接最大化するように、確率的勾配上昇法で訓練されます。

3. 合成環境:
   手法は、制御された合成旅行保険環境で評価されます。データ生成は、顧客が線形および高次相互作用（目的地の潜在変数を含む）を伴う価格感応的な需要モデルに基づいて購入を決定する現実的なシナリオを模倣します。期待報酬の真値が既知であるため、厳密なベンチマーク評価が可能です。

主要な結果
合成データに対する実証実験は、以下の知見をもたらしました。

• 分散低減: カーネル化 IPS 推定量は、古典的な IPS 推定量と比較して、すべてのサンプルサイズにおいて平均二乗誤差（RMSE）を大幅に低減します。古典的な IPS 推定量と同じ精度を、約半分のサンプルサイズで達成します。
• ナイーブ対最適カーネル: 計算効率的な「ナイーブ」カーネル（対角重み）は、共分散推定を必要とする分散最適カーネルと、テスト環境においてほぼ同一の性能を発揮しました。これは、複雑なモーメント推定なしに実用的なスケーラビリティを可能にすることを示唆しています。
• 外挿能力: 古典的な IPS と異なり、カーネル化推定量は、歴史データを超えて拡張された行動空間（例えば、データが $\pm 20\%$ の範囲しかカバーしていない場合の $\pm 30\%$ の価格調整）における方針の評価が可能です。需要モデルにおける非線形な切り捨て効果により極端な値での精度は低下しますが、この手法は成功裡に補間し、中程度に外挿することに成功しました。
• 方針最適化のパフォーマンス:
  • ニューラルネットワーク: NN 方針は、特にデータ生成プロセスに線形モデルが見逃す複雑な高次相互作用が含まれる場合、理論的最適値に対する性能ギャップを最も小さく一貫して達成します。
  • データ共有ラッソ: DSL は、行動固有の偏差を伴う解釈可能な線形構造を提供し、古典的な PTO 手法と競争力のある性能を示しますが、価値推定におけるモデル誤指定に対する頑健性はより優れています。
  • PTO におけるバイアス: 本研究は、最適化と価値推定の両方に同じ需要モデルを使用する場合、古典的な「予測後に最適化」アプローチが選択バイアスに悩まされ、方針パフォーマンスの過大評価につながることを確認しました。オフポリシーのカーネル化 IPS 推定量はこのバイアスを回避します。

意義と主張
本論文は、実験と展開を分離する、データ駆動型の保険料率設定のための原理的かつ低リスクな道筋を提供すると主張しています。主な貢献は以下の通りです。

1. オフライン最適化: 単一のランダム化データ収集フェーズを用いて無数の反事実的価格設定戦略の評価を可能にし、保険業界におけるオンライン A/B テストの高いコストと運用上の制約を回避します。
2. 分散低減と外挿: カーネル化 IPS 推定量は、推定量の分散を低減し、新しいまたはより微細な粒度の行動空間における方針を評価するための統計的に厳密な手法を提供し、標準的なオフポリシー手法の主要な限界に対処します。
3. 頑健性: 価値推定（不偏なオフポリシー推定量による）と方針最適化ステップを分離することで、「予測後に最適化」ループに内在するバイアスを軽減します。
4. 実用的適用性: 計算効率的な近似（ナイーブカーネル、ラッソ）が良好に機能するという実証は、解釈可能性と計算効率が最優先される実世界の数理科学応用において、このフレームワークが実行可能であることを示唆しています。

著者は、柔軟なニューラルネットワークが複雑な需要ダイナミクスを捉える上で優れた性能を発揮する一方で、提案されたフレームワークは、特に需要感応度が重要な要因となる状況において、従来のリスクベースの価格設定に対する堅牢で不偏な代替案を提供すると結論付けています。