Comparative Study of Sarima and Lstm Model to Forecast the Insurance Comprehensive Income (Loss) in Indonesia

Technische Samenvatting: Vergelijkende Studie van SARIMA- en LSTM-modellen voor de Prognose van het Totaal Compleet Inkomen van Indonesische Verzekeringsmaatschappijen

Probleemstelling
De studie behandelt de uitdaging van het voorspellen van het Totaal Compleet Inkomen (Verlies) van verzekeringsmaatschappijen in Indonesië, een metriek die netto winst/verlies en ander volledig inkomen omvat. Hoewel traditionele financiële analyse vertrouwt op historische winsten voor strategische planning, worden beleggers en schuldeisers geconfronteerd met inherente onzekerheden bij het projecteren van toekomstige kasstromen. Bestaande literatuur richt zich vaak op geïsoleerde metrieken zoals premies of claims, of vertrouwt uitsluitend op lineaire statistische modellen (bijv. ARIMA) zonder deze te vergelijken met alternatieven op basis van deep learning. Bovendien is er een kloof in het toepassen van deze prognosetechnieken specifiek op Indonesische verzekeringsgegevens, die een uitgesproken seizoensgebondenheid en hoge volatiliteit vertonen, gedreven door premies, claims, beleggingsrendementen en operationele kosten. De kern van het probleem is bepalen of statistische modellen (SARIMA) of deep learning-architecturen (LSTM) beter geschikt zijn om de complexe, niet-lineaire en seizoensgebonden dynamiek van deze specifieke financiële tijdreeks te vangen.

Methodologie
Het onderzoek maakt gebruik van een kwantitatieve tijdreeksvoorspellingsmethode met secundaire gegevens van Indonesische levensverzekeringsmaatschappijen over de periode januari 2017 tot mei 2025 (101 maandelijkse observaties). De dataset werd gesplitst in trainingssets (80%) en testsets (20%).

1. Data Preprocessing:

   • Stationariteit: De Augmented Dickey-Fuller (ADF) test bevestigde stationariteit (p-waarde = 0,0197). Seizoensgebonden differentiatie werd toegepast om jaarlijkse cycli aan te pakken.
   • Decompositie: Tijdreeksdecompositie werd uitgevoerd om geobserveerde, trend-, seizoens- en residucomponenten te isoleren, wat een significante jaarlijkse seizoensgebondenheid onthulde.

2. Model 1: SARIMA (Seasonal Autoregressive Integrated Moving Average):

   • Volgde het Box–Jenkins-raamwerk (identificatie, schatting, diagnostiek).
   • Parameters werden geïdentificeerd met behulp van ACF/PACF-plots en het auto-ARIMA algoritme, waarbij werd geoptimaliseerd voor AIC, BIC en HQIC.
   • Het geselecteerde model was SARIMA (1,0,0)(0,1,1)[12].
   • Diagnostiek omvatte de Ljung-Box test om te waarborgen dat de residuen witte ruis waren.

3. Model 2: LSTM (Long Short-Term Memory):

   • Een deep learning-architectuur bestaande uit één LSTM-laag verbonden met een dense output-laag.
   • Hyperparameter Tuning: Er werd een handmatige grid search uitgevoerd over 144 variaties, waarbij combinaties werden getest van:
     • Neuronen: 4, 8, 12, 16
     • Epochs: 10, 25, 40, 60
     • Learning Rates: 0,001, 0,0001, 0,00001
     • Optimizers: Adam, RMSProp, SGD
   • De beste configuratie die werd geïdentificeerd was 16 neuronen, 60 epochs, learning rate 0,001 en de Adam optimizer.
   • Data werd genormaliseerd en omgezet in sequentiële vensters (input-target) voor training.

4. Evaluatiemetrieken:

   • Beide modellen werden geëvalueerd op de testset met behulp van Root Mean Square Error (RMSE), Mean Absolute Error (MAE) en Mean Absolute Percentage Error (MAPE).

Belangrijkste Resultaten

• SARIMA Prestaties:

  • Het SARIMA-model slaagde erin de algemene seizoensgebonden trends en de algemene richting van de data te vangen.
  • Metrieken: RMSE = 3.858.420,47; MAPE = 85,00%.
  • Observatie: Het model produceerde gladdere voorspellingen en had moeite om scherpe, plotselinge fluctuaties (spikes) in de testdata te vangen, wat leidde tot een hoge relatieve fout.

• LSTM Prestaties:

  • Het LSTM-model volgde het algemene niveau van de reeks maar vertoonde significante underfitting. Het slaagde er niet in om grote pieken en extreme variaties te vangen, wat resulteerde in te veel afgevlakte voorspellingen.
  • Metrieken: RMSE = 3.067.615 × 10⁶ (wat wijst op een enorme absolute afwijking); MAPE = 165,29%.
  • Observatie: Het onvermogen van de LSTM om de specifieke volatiliteit en amplitude van de Indonesische verzekeringsgegevens te modelleren, resulteerde in een aanzienlijk lagere nauwkeurigheid vergeleken met SARIMA.

• Vergelijking:

  • SARIMA presteerde beter dan LSTM in deze specifieke context, met name bij het modelleren van de inherente jaarlijkse seizoenspatronen in de data.
  • Echter, de auteurs merken op dat de voorspellende nauwkeurigheid van beide modellen beperkt blijft, zoals aangegeven door de hoge MAPE-waarden voor beide.

Betekenis en Claims
Het artikel beweert dat hoewel SARIMA een sterkere capaciteit heeft om seizoensgebonden trends in het totaal compleet inkomen van Indonesische verzekeringen te reflecteren vergeleken met LSTM, geen van beide modellen een optimale nauwkeurigheid bereikte. De studie benadrukt dat:

1. Contextuele Kloof: Het draagt bij aan de schaarse academische dekking van de prognose van Indonesische verzekeringsfinanciële gegevens, specifiek met gebruik van Totaal Compleet Inkomen (Verlies) in plaats van alleen premies of claims.
2. Modelbeperkingen: De resultaten suggereren dat hoewel statistische methoden zoals SARIMA effectief zijn voor seizoensgebonden data, en deep learning zoals LSTM theoretisch in staat is om niet-lineaire dynamiek te verwerken, de huidige implementaties er niet in slaagden goed te generaliseren naar de specifieke volatiliteit van deze dataset.
3. Toekomstige Richting: De auteurs concluderen bescheiden dat toekomstig onderzoek verder moet gaan dan single-model benaderingen. Ze stellen voor om hybride modelleringsstrategieën te onderzoeken (bijv. het combineren van SARIMA met LSTM of GRU) om de seizoensgebonden sterktes van statistische modellen en de niet-lineaire leercapaciteiten van deep learning te benutten. Daarnaast suggereren ze het verfijnen van hyperparameterselectie en het opnemen van externe variabelen om de generaliseerbaarheid en nauwkeurigheid te verbeteren.

De studie claimt niet dat het voorspellingsprobleem definitief is opgelost, maar biedt eerder een vergelijkbare baseline die aangeeft dat hybride benaderingen noodzakelijk zijn voor betere resultaten in dit domein.