One-Shot Individual Claims Reserving

Este artigo visa aprofundar a discussão sobre o provisionamento de sinistros individuais, propondo uma nova metodologia baseada no método Chain-Ladder clássico para superar as limitações das abordagens existentes e estabelecer um novo padrão na prática atuarial.

O essencial

Imagine que você é o gerente de uma grande seguradora. Todo dia, milhares de pessoas têm acidentes, doenças ou problemas que precisam ser cobertos pela sua empresa. O grande desafio do seu trabalho é responder a uma pergunta difícil: "Quanto dinheiro precisamos guardar no cofre hoje para pagar todas as contas que ainda vão chegar no futuro?"

Antigamente, os seguradores faziam isso de uma forma bem "agrupada". Eles olhavam para caixas grandes cheias de dados e diziam: "Olha, no ano passado, para cada 100 acidentes, pagamos R$10.000. Então, vamos guardar R$ 10.000." Eles usavam uma técnica chamada Método da Escada (Chain-Ladder), que é como subir uma escada degrau por degrau, olhando apenas para o degrau anterior para adivinhar o próximo.

O problema é que essa "escada" é cega. Ela trata todos os acidentes iguais, como se um pequeno arranhão no carro fosse a mesma coisa que um acidente grave de caminhão. Ela perde os detalhes.

A Grande Ideia: Olhar para Cada Pessoa Individualmente

Os autores deste artigo (Ronald Richman e Mario Wüthrich) dizem: "E se parássemos de olhar para a caixa e começássemos a olhar para cada pessoa, cada acidente, individualmente?"

Eles propõem uma nova maneira de fazer as contas, chamada Reserva Individual de Sinistros. Em vez de tratar todos os sinistros como um bloco único, eles olham para a história de cada cliente.

A Metáfora da "Fotografia de Alta Resolução"

Imagine que o método antigo (a Escada) é como uma fotografia antiga e pixelada de uma paisagem. Você vê as cores gerais, mas não consegue distinguir as árvores individuais ou as pessoas. É útil para ter uma ideia geral, mas não serve para navegar por um caminho estreito.

O novo método proposto é como trocar essa foto por uma câmera de ultra-alta definição (4K ou 8K). Agora, você consegue ver cada detalhe:

• O cliente X teve um acidente leve e já está quase fechado?
• O cliente Y teve um problema complexo e a conta ainda está subindo?
• O cliente Z ainda nem avisou que teve um problema (isso é o "IBNR" - Incurred But Not Reported, ou "sinistro ocorrido mas não reportado").

Como Funciona a "Mágica" (Simplificada)

O artigo explica que, em vez de fazer previsões complicadas e lentas (como simular o futuro mil vezes), eles usam uma ideia inteligente chamada "Fator de Projeção para o Fim" (PtU).

Pense assim:

1. O Método Antigo: É como tentar adivinhar o tamanho final de um bolo enquanto ele ainda está no forno, olhando apenas para a massa que já cresceu na última hora. Você tem que adivinhar, crescer um pouco, adivinhar de novo, crescer mais... É um processo lento e cheio de erros.
2. O Novo Método (One-Shot): É como olhar para a massa que já está no forno e, usando uma "receita inteligente" (baseada em dados de outros bolos parecidos), dizer: "Com base no que você é agora, você vai virar um bolo de 2kg no final." Eles fazem essa previsão de uma só vez, olhando para todos os detalhes daquele bolo específico.

O Que Eles Descobriram?

Aqui está a parte mais surpreendente e divertida do artigo:

1. Não precisa de "Inteligência Artificial" complexa: Todo mundo acha que para analisar milhões de dados individuais, você precisa de supercomputadores e redes neurais complexas (como as que usam carros autônomos). Os autores testaram isso e descobriram que, na verdade, uma simples regressão linear (uma linha reta matemática básica) funciona incrivelmente bem! É como se, para prever o futuro de um seguro, uma calculadora simples fosse mais eficiente e confiável do que um supercomputador.
2. O "Status" do Sinistro é a Chave: Eles descobriram que saber se o caso está "aberto" ou "fechado" é mais importante do que saber o valor exato pago até agora. É como saber se um paciente está na UTI ou na recuperação: isso muda tudo na previsão de quanto tempo ele vai ficar no hospital.
3. A "Conta" dos Não Reportados (IBNR): O método também aprendeu a prever os sinistros que a seguradora ainda nem sabe que existem. Eles usam os dados dos sinistros conhecidos para estimar quantos "fantasmas" (sinistros não reportados) ainda vão aparecer.

Por Que Isso é Importante para Você?

Se você é um segurado, isso significa que a seguradora pode ser mais justa e precisa:

• Menos Erros: Eles não vão guardar dinheiro demais (o que encarece seu seguro) nem de menos (o que pode quebrar a empresa).
• Adaptação Rápida: Se houver uma inflação súbita ou uma mudança no clima, o sistema individual consegue se ajustar rápido, porque olha para cada caso, não para a média.
• Transparência: É mais fácil entender por que uma reserva foi feita, porque ela é baseada na história real de cada cliente, não em uma "adivinhação" estatística genérica.

Resumo em Uma Frase

Os autores pegaram um método antigo e "cego" de prever o futuro dos seguros e o transformaram em uma ferramenta de "alta definição" que olha para cada cliente individualmente, provando que, às vezes, a solução mais simples (uma linha reta) é a mais poderosa e eficiente para prever o futuro.

Resumo técnico

Resumo Técnico: One-Shot Individual Claims Reserving

1. O Problema

A reserva de sinistros individuais (micro-level reserving) ainda não é uma prática estabelecida na atuária, apesar do potencial para maior precisão e flexibilidade. As abordagens existentes tendem a ser excessivamente complexas (exigindo simulações pesadas) ou insuficientemente flexíveis e robustas para uso prático.

O método clássico de Chain-Ladder (CL) opera em dados agregados (triângulos de desenvolvimento), o que resulta na perda de informações granulares sobre sinistros individuais. Além disso, a projeção tradicional do CL é iterativa (um passo de cada vez), o que torna difícil a incorporação de covariáveis dinâmicas e estocásticas em modelos de aprendizado de máquina (ML) para previsões diretas. O objetivo deste trabalho é superar essas limitações, propondo uma metodologia que permita a previsão direta ("one-shot") do valor final (ultimate) de cada sinistro individual, utilizando informações detalhadas do histórico do sinistro.

2. Metodologia

A proposta central do artigo é reformular o método Chain-Ladder para operar diretamente no nível de sinistros individuais, utilizando uma abordagem de fator de projeção para o final (Projection-to-Ultimate - PtU).

2.1. Revisão do Chain-Ladder e Fatores PtU

Os autores partem da representação clássica do CL, mas substituem a extrapolação iterativa de um período para o futuro por uma estimativa direta do fator PtU.

• Fator PtU ($\hat{F}_j$): Em vez de calcular fatores de desenvolvimento passo a passo ($\hat{f}_j$), calcula-se diretamente o fator que multiplica o pagamento acumulado atual para obter o valor final.
• Vantagem: Isso permite uma previsão "one-shot" (única etapa) do valor final, evitando a propagação de erros de múltiplas iterações e facilitando a integração com modelos de regressão.

2.2. Separação RBNS e IBNR

Um passo crucial é a distinção entre:

• RBNS (Reported But Not Settled): Sinistros já reportados, mas não liquidados. Para estes, há histórico individual disponível (pagamentos, status, covariáveis).
• IBNR (Incurred But Not Reported): Sinistros ocorridos mas ainda não reportados.
  O método propõe estimar as reservas RBNS individualmente e tratar o IBNR separadamente, garantindo que os fatores de projeção sejam estimados apenas em coortes de sinistros consistentes (evitando viés de sinistros reportados tardiamente).

2.3. Algoritmo de Previsão Recursiva One-Shot (Algoritmo 3)

O núcleo da metodologia é um algoritmo recursivo que estima o valor final de cada sinistro RBNS:

1. Inicialização: Para sinistros totalmente liquidados, o valor final é o observado.
2. Iteração (de trás para frente): Para cada atraso de desenvolvimento $j$, ajusta-se um modelo de regressão para prever o valor final ($\hat{C}_{i,J|\nu}$) com base nas informações disponíveis até o período $j-1$.
3. Amostra de Aprendizado Consistente: O modelo é treinado apenas em sinistros que foram reportados até o período $j-1$ ($T_{i|\nu} \le j-1$), garantindo que a amostra de treino e a de previsão sejam consistentes.
4. Modelos: A abordagem é agnóstica quanto ao modelo. Os autores testam desde regressão linear simples até Redes Neurais (FNN) e Transformers.

2.4. Tratamento de Viés e Equilíbrio (Balance Property)

Para evitar viés na estrutura recursiva, os autores enfatizam a importância da propriedade de equilíbrio (soma das previsões = soma dos valores observados no treino).

• Em regressões lineares (MLE), essa propriedade é inerente.
• Em modelos complexos (como SGD em Redes Neurais), é necessário aplicar uma etapa de pós-calibração (escala multiplicativa) para forçar o equilíbrio e evitar a propagação de viés.

3. Contribuições Principais

1. Reformulação do CL para Nível Individual: Demonstrar que o método Chain-Ladder pode ser reinterpretado como um problema de regressão direta de fatores PtU, permitindo a aplicação de ML em dados granulares.
2. Simplicidade e Robustez da Regressão Linear: Uma descoberta surpreendente é que, em seus exemplos, modelos de regressão linear simples (com link identidade) superaram ou igualaram redes neurais complexas em termos de precisão preditiva (RMSE), oferecendo ao mesmo tempo maior eficiência computacional e interpretabilidade.
3. Bootstrap de Histórico de Sinistros: Devido à eficiência dos modelos lineares, os autores implementaram um bootstrap não paramétrico no nível individual para quantificar a incerteza de estimação do modelo, algo difícil de fazer com simulações pesadas.
4. Decomposição Clara RBNS/IBNR: Apresentam uma decomposição elegante das reservas totais, onde as reservas RBNS são calculadas individualmente e o IBNR é estimado através de um modelo CL cruzado sobre as previsões dos sinistros RBNS.
5. Análise de Covariáveis: Mostram que informações como "status do sinistro" (aberto/fechado) e, crucialmente, estimativas de sinistros incorridos (claims incurred) feitas por ajustadores, têm poder preditivo superior aos pagamentos acumulados históricos em certos contextos.

4. Resultados Empíricos

Os autores testaram a metodologia em dois conjuntos de dados pequenos (5 anos de acidentes x 5 anos de desenvolvimento):

• Seguro de Acidentes (Accident Insurance):
  • A regressão linear com status do sinistro reduziu o erro quadrático médio individual (Ind.RMSE) significativamente em comparação ao CL tradicional.
  • Redes Neurais (FNN) e Transformers não trouxeram melhorias significativas em relação à regressão linear, possivelmente devido ao tamanho limitado do conjunto de dados e à baixa relação sinal-ruído nos dados individuais.
• Seguro de Responsabilidade Civil (Liability Insurance):
  • A inclusão de sinistros incorridos (claims incurred) como variável explicativa melhorou drasticamente a precisão das previsões em comparação ao uso apenas de pagamentos acumulados.
  • O modelo combinado (Pagamentos + Incorridos + Status) reduziu o erro de previsão total, embora ainda houvesse subestimação em anos específicos devido a sinistros de alto valor (outliers reais, não erros de dados).
  • A análise de bootstrap confirmou que a maior parte da incerteza vem do risco irreduzível (variabilidade do processo), e não da incerteza do modelo.

5. Significância e Conclusão

O artigo avança significativamente na direção de um novo padrão para reservas de micro-nível:

• Viabilidade Prática: Demonstra que a reserva individual não precisa ser computacionalmente proibitiva. Modelos lineares rápidos são suficientes para obter ganhos de precisão substanciais.
• Flexibilidade: O método permite incorporar qualquer informação disponível no momento da previsão (covariáveis estáticas, dinâmicas, textos médicos, etc.), adaptando-se a mudanças no ambiente (ex.: inflação, mix de negócios) muito melhor do que triângulos agregados.
• Transparência: Ao contrário de "caixas pretas" complexas, a abordagem baseada em regressão linear com calibração de viés oferece interpretabilidade e controle de viés, essenciais para a regulamentação atuarial.
• Futuro: Os autores sugerem que, em conjuntos de dados maiores e com séries temporais mais longas, arquiteturas mais complexas (como Transformers) podem se tornar vantajosas, mas a base deve ser a estrutura de previsão "one-shot" e a separação rigorosa de coortes RBNS/IBNR.

Em suma, o trabalho valida que a transição de métodos agregados para individuais é viável, robusta e superior quando baseada em uma estrutura de previsão direta e modelos de regressão bem calibrados.