💰 quantitative finance

Insurance Pricing Optimization via Off-Policy Evaluation

Dit artikel stelt een raamwerk voor voor het optimaliseren van verzekeringsprijzen door off-policy evaluatie te integreren met een nieuw gekernelde inverse propensity score-schatter en aantoont dat op neurale netwerken gebaseerde beleidsparametrisering in een synthetisch reisverzekering-omgeving superieur is aan bestaande technieken.

Oorspronkelijke auteurs: Sascha Günther, Dimitri Semenovich, Mario V. Wüthrich

Gepubliceerd 2026-05-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sascha Günther, Dimitri Semenovich, Mario V. Wüthrich

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een verzekeringsmaatschappij voor die probeert het perfecte prijskaartje voor een reisverzekering te bepalen. Traditioneel handelen ze als een voorzichtige boekhouder: ze berekenen de gemiddelde kosten van claims, voegen een veiligheidsbuffer toe en plakken er een prijs op. Ze gaan ervan uit dat iedereen het tegen die prijs zal kopen, of ze geven er niet echt om als dat niet zo is.

Dit artikel stelt een slimmere, dynamischere aanpak voor. In plaats van alleen maar te gokken, behandelen de auteurs het prijsbepalen als een videospel waarbij het doel is om de beste strategie te leren door oude levels (historische data) opnieuw te spelen, zonder het spel opnieuw live te hoeven spelen.

Hier is de uiteenzetting van hun ideeën met behulp van eenvoudige analogieën:

1. Het Probleem: De "Gok-en-Controle" Valstrik

Op de oude manier proberen bedrijven vaak te voorspellen hoeveel mensen verzekering zullen kopen tegen een specifieke prijs, en kiezen vervolgens de prijs die het meeste geld oplevert. Dit is als een kok die soep proeft, gokt hoeveel zout hij moet toevoegen, en deze vervolgens serveert. Als de kok verkeerd gokt, is de soep bedorven en kunnen ze niet terug en het repareren zonder een hele nieuwe pan te koken.

De auteurs wijzen erop dat deze methode riskant is. Als het "recept" (het wiskundige model) iets afwijkt, kan het bedrijf prijzen instellen die geld kosten of klanten mislopen.

2. De Oplossing: De "Tijdsreizende Beoordelaar" (Off-Policy Evaluation)

De auteurs stellen een methode voor genaamd Off-Policy Evaluation. Stel je een videogameconsole voor waarop je duizenden uren gameplay hebt opgenomen onder een specifieke set regels (de oude prijsstrategie). Nu wil je een nieuwe strategie testen.

In plaats van het spel live te spelen (wat duur en riskant is), gebruik je een speciale "beoordelaar"-tool. Deze tool kijkt naar je oude opnames en simuleert: "Als ik destijds deze nieuwe strategie had gebruikt, wat zou er dan zijn gebeurd?"

Dit stelt de verzekeringsmaatschappij in staat om duizenden nieuwe prijsideeën te testen op oude data, zonder ooit daadwerkelijk een klant in de echte wereld een vreemde prijs te laten betalen. Het is een veilige, kosteloze zandbak.

3. De Innovatie: De "Smoothie" versus de "Smoothie-bar" (Kernelized IPS)

De grootste hindernis in deze "tijdsreizende" methode is dat de oude data rommelig is. Misschien bood de oude strategie alleen prijzen van $10, $20 en $30 aan. Maar de nieuwe strategie wil $15 proberen.

De Oude Manier (Inverse Propensity Score): Deze methode is als een strenge bibliothecaris. Hij kijkt alleen naar exacte matches. Als je vraagt: "Wat gebeurt er bij $15?" en de bibliotheek heeft alleen gegevens voor $10 en $20, zegt de bibliothecaris: "Ik heb geen gegevens over $15." Hij gooit alle andere data weg, wat leidt tot een wankel, ruisend gokje.
De Nieuwe Manier (Kernelized IPS): De auteurs hebben een "smoothie-blender" voor data uitgevonden. In plaats van de data van $10 en $20 te negeren, mengen ze deze samen. Ze gaan ervan uit dat het verband tussen prijs en verkoop glad is (zoals een curve). Als je de resultaten kent bij $10 en $20, kun je ze wiskundig "mengen" om een zeer nauwkeurige schatting te maken voor $15.

Deze "mengtechniek" (een kernelized estimator genoemd) vermindert de ruis drastisch. Het is als het nemen van een korrelige, gepixelde foto en met software de randen gladstrijken zodat je het beeld duidelijk kunt zien. Het artikel bewijst dat deze nieuwe methode veel stabieler en nauwkeuriger is dan de oude "strenge bibliothecaris"-methode.

4. De Winnaar Vinden: De "Trainer" en de "Robot" (Policy Optimization)

Zodra ze nauwkeurig kunnen simuleren wat er zou zijn gebeurd, moeten ze de beste prijsregel vinden. Ze testten twee "trainers" om de winnaar te vinden:

Trainer A (Data-Shared Lasso): Dit is als een doorgewinterde menselijke trainer die een whiteboard en simpele regels gebruikt. Het is makkelijk te begrijpen en uit te leggen aan een baas ("We vragen meer voor lange reizen, minder voor korte"). Het werkt zeer goed, maar mist misschien enkele complexe, verborgen patronen.
Trainer B (Neuraal Netwerk): Dit is een supercomplexe robot die ongelooflijk subtiele patronen in de data kan opsporen die mensen misschien missen. In hun tests vond deze robot de absolute beste prijsstrategie, en haalde een beetje meer winst uit dan de menselijke trainer. Het is echter een "black box" – het is moeilijk uit te leggen waarom het een specifieke prijs koos.

5. De Resultaten

In hun computersimulatie (een nep-wereld van reisverzekeringen) vonden ze:

De "Smoothie-blender" (Kernelized IPS) was veel nauwkeuriger en minder onrustig dan de oude methoden.
De Robot-trainer (Neuraal Netwerk) vond de hoogste winsten, maar de Menselijke trainer (Lasso) kwam zeer dicht in de buurt en was veel makkelijker te begrijpen.
De oude "Gok-en-Controle"-methode (Voorspellen-en-Optimaliseren) bedroog zichzelf vaak door te denken dat het het beter deed dan het eigenlijk deed.

De Conclusie

Dit artikel geeft verzekeringsmaatschappijen een nieuwe toolkit. In plaats van te gokken op prijzen of te vertrouwen op stijve formules, kunnen ze historische data gebruiken om nieuwe prijsstrategieën veilig te simuleren en te testen. Ze kunnen datapunten "mengen" om de gaten op te vullen, en slimme algoritmen gebruiken om de perfecte prijs te vinden die winst in evenwicht brengt met klantvraag, alles zonder ook maar één echte klant te riskeren.

Technische Samenvatting: Optimalisatie van Verzekeringstarieven via Off-Policy Evaluatie

Probleemformulering
Traditionele verzekeringstarieven zijn gebaseerd op risicogerichte principes (zoals GLM's en GAM's) die actuariële rechtvaardigheid en solvabiliteit waarborgen, maar vaak de prijsgevoeligheid en vraagdynamiek van verzekerden negeren. Hoewel dynamische prijsstelling en versterkende leerling (RL) in andere sectoren aan populariteit winnen, blijft hun toepassing in de actuariale wetenschap beperkt en vertrouwen ze vaak op "voorspel-optimiseer" (PTO) kaders. Deze PTO-benaderingen schatten eerst een vraagfunctie in op basis van historische gegevens en optimaliseren vervolgens de tarieven op basis van die schatting. Dergelijke methoden zijn echter vatbaar voor bias als het vraagmodel verkeerd gespecificeerd is of als historische tariefformuleringen selectie-effecten veroorzaken, wat leidt tot systematisch suboptimale beslissingen en opgeblazen omzetramingen.

Dit artikel positioneert verzekeringstarieven als een stochastisch controleprobleem binnen een off-policy evaluatie setting. Het doel is om een tariefformulering $\pi$ te vinden die de verwachte beloning (bijvoorbeeld winst) $V(\pi)$ maximaliseert, met behulp van historische gegevens verzameld onder mogelijk verschillende, suboptimale logboekbeleid $\tilde{\pi}$ . Het kader behandelt tariefbeslissingen als acties $A$ die worden ondernomen bij verzekerden met kenmerken $X$ , waardoor beloningen $R$ worden gegenereerd. Een belangrijke uitdaging is dat gegevens voor een enkele verzekerde doorgaans slechts beschikbaar zijn onder één actie, wat methoden vereist om de waarde van contrafactuele beleidslijnen te schatten zonder nieuwe experimenten.

Methodologie
Het artikel stelt een methodologisch kader voor dat uit vier delen bestaat:

Gekerneliseerde Inverse Propensity Score (IPS) Schatter:
De auteurs introduceren een nieuwe schatter die de klassieke IPS-methode uitbreidt. Waar klassieke IPS steunt op exacte overeenkomsten tussen de acties van het logboekbeleid en de acties van het doelbeleid (waarbij niet-overeenkomende gegevens worden verworpen en dit leidt tot hoge variantie), maakt de voorgestelde gekerneliseerde IPS-schatter gebruik van lokale structuur in de actieruimte.
- Mechanisme: Het veronderstelt een lokale regressiestructuur in de actievariabele (bijvoorbeeld dat verwachte beloningen glad variëren met de prijs). Het construeert een kernelmatrix $K(x)$ die acties uit de historische ruimte $\mathcal{A}$ afbeeldt op een nieuwe doelruimte $\bar{\mathcal{A}}$ (die kan verschillen in resolutie of bereik).
- Constructie: De kernel wordt afgeleid via een gewogen kleinste-kwadratenprobleem dat de discrepantie minimaliseert tussen waargenomen beloningen en een lokaal regressiemodel (bijvoorbeeld lineair of kwadratisch in acties).
- Eigenschappen: Onder een milde lokale regressieveronderstelling is de schatter bewezen onbevooroordeeld te zijn. Bovendien bereikt het variantiereductie ten opzichte van klassieke IPS door informatie te aggregeren over naburige acties in plaats van gegevens te verwerpen. Het artikel karakteriseert een variantie-optimale kernel (met behulp van de inverse van de covariantiematrix van de conditionele beloning) en stelt een rekenkundig efficiënte "naïeve" kernel voor (met diagonale gewichten) die in de praktijk vergelijkbaar presteert.
Benaderingen voor Beleidsoptimalisatie:
Op basis van de waardeschattingen onderzoekt het artikel twee methoden om het optimale tariefformulering $\pi^*$ te berekenen:
- Data-Gedeelde Lasso (DSL): Een interpreteerbare benadering die de beleidsoptimalisatie formuleert als een geregulariseerd regressieprobleem. Het benadert de gekerneliseerde IPS-schatter door expliciete afhankelijkheid van individuele beloningen te verwijderen, en lost actiespecifieke afwijkingen van een globaal lineair model op met behulp van Lasso-regularisatie.
- Neuraal Netwerk (NN) Parametrisatie: Een flexibele, niet-parametrische benadering waarbij een feedforward-neuraal netwerk kenmerken van verzekerden afbeeldt op actiekansen (via een softmax-uitgang). Het netwerk wordt getraind via stochastische gradiëntascentie om de gekerneliseerde IPS-schatting direct te maximaliseren.
Synthetische Omgeving:
De methoden worden geëvalueerd in een gecontroleerde synthetische reisverzekeringomgeving. De gegevensgeneratie nabootst een realistisch scenario waarbij klanten beslissen om te kopen op basis van een prijsgevoelig vraagmodel dat lineaire en hogere-orde interacties omvat (inclusief een latente variabele voor bestemming). De grondwahrheid voor verwachte beloningen is bekend, wat een rigoureuze benchmarking mogelijk maakt.

Belangrijkste Resultaten
Empirische experimenten op de synthetische gegevens leveren de volgende bevindingen op:

Variantiereductie: De gekerneliseerde IPS-schatter reduceert de Root Mean Square Error (RMSE) aanzienlijk ten opzichte van de klassieke IPS-schatter over alle steekproefgroottes heen. Het bereikt dezelfde nauwkeurigheid als de klassieke IPS-schatter met ongeveer de helft van de steekproefgrootte.
Naïeve versus Optimale Kernel: De rekenkundig efficiënte "naïeve" kernel (diagonale gewichten) presteert in de geteste setting bijna identiek aan de variantie-optimale kernel (die covariantieschatting vereist), wat schaalbaarheid in de praktijk suggereert zonder complexe momentenschatting.
Extrapolatievermogen: In tegenstelling tot klassieke IPS kan de gekerneliseerde schatter beleidslijnen evalueren op actieruimten die verder reiken dan de historische gegevens (bijvoorbeeld prijsaanpassingen van $\pm 30\%$ wanneer de gegevens slechts $\pm 20\%$ dekken). Hoewel de nauwkeurigheid aan de uitersten afneemt door niet-lineaire truncatie-effecten in het vraagmodel, slaagt de methode erin om te interpoleren en matig te extrapoleren.
Prestaties van Beleidsoptimalisatie:
- Neurale Netwerken: NN-beleidslijnen bereiken consistent de kleinste prestatiekloof ten opzichte van het theoretische optimum, vooral wanneer het gegevensgeneratieproces complexe, hogere-orde interacties omvat die lineaire modellen missen.
- Data-Gedeelde Lasso: DSL biedt een interpreteerbare lineaire structuur met actiespecifieke afwijkingen, en presteert concurrerend met de klassieke PTO-benadering, maar met betere robuustheid tegen modelmisspecificatie in waardeschatting.
- Bias in PTO: De studie bevestigt dat de klassieke "voorspel-optimiseer"-benadering lijdt aan selectiebias wanneer hetzelfde vraagmodel wordt gebruikt voor zowel optimalisatie als waardeschatting, wat leidt tot overschatting van de beleidsprestaties. De off-policy gekerneliseerde IPS-schatter vermijdt deze bias.

Betekenis en Claims
Het artikel claimt een principieel, laag-risicopad te bieden voor datagedreven verzekeringstarieven die experimentatie scheiden van implementatie. De primaire bijdragen zijn:

Offline Optimalisatie: Het mogelijk maken van de evaluatie van een onbeperkt aantal contrafactuele tariefformuleringen met behulp van één gefaseerde dataverzameling, waardoor de hoge kosten en operationele beperkingen van online A/B-testen in verzekeringen worden vermeden.
Variantiereductie en Extrapolatie: De gekerneliseerde IPS-schatter biedt een statistisch rigoureuze methode om de variantie van de schatter te reduceren en beleidslijnen te evalueren op nieuwe of fijnmazigere actieruimten, waarmee een belangrijke beperking van standaard off-policy methoden wordt aangepakt.
Robuustheid: Door de waardeschatting (via onbevooroordeelde off-policy schatters) te ontkoppelen van de stap voor beleidsoptimalisatie, mitigeert het kader de bias die inherent is aan "voorspel-optimiseer"-lussen.
Praktische Toepasbaarheid: De demonstratie dat rekenkundig efficiënte benaderingen (naïeve kernels, Lasso) goed presteren, suggereert dat het kader levensvatbaar is voor real-world actuariale toepassingen waar interpreteerbaarheid en rekenkundige efficiëntie van het grootste belang zijn.

De auteurs concluderen dat hoewel flexibele neurale netwerken superieure prestaties bieden bij het vastleggen van complexe vraagdynamiek, het voorgestelde kader een robuust, onbevooroordeeld alternatief biedt voor traditionele risicogerichte tarieven, met name in situaties waar vraaggevoeligheid een kritieke factor is.