Resumo Técnico: Detecção de Rupturas Estruturais em Reservas de Sinistros de Seguros de Propriedades Baseada em LSTM

1. Definição do Problema

A reserva precisa de sinistros é crítica para a solvência de seguradoras de danos (propriedade e responsabilidade civil). Métodos atuariais tradicionais, como Chain Ladder, Bornhuetter-Ferguson e Cape Cod, baseiam-se na premissa de que os padrões de desenvolvimento de perdas permanecem estáveis ao longo dos anos de ocorrência. No entanto, catástrofes climáticas aceleradas (ex: Furacões Ida e Ian) e a inflação social (ex: litígios de Atribuição de Benefícios - Assignment of Benefits) desestruturaram fundamentalmente essa estabilidade, criando "rupturas estruturais" onde dados históricos não conseguem prever o desenvolvimento futuro.

Os métodos tradicionais sofrem de atrasos significativos na detecção. Por exemplo, o método Chain Ladder normalmente requer de 3 a 5 períodos de desenvolvimento para reconhecer uma mudança de regime, resultando frequentemente em erros de reserva superiores a 30% durante anos de catástrofe. O problema central abordado é a incapacidade de regras de média estáticas e retrospectivas de se adaptarem rapidamente a mudanças súbitas na severidade, frequência e cronogramas de desenvolvimento de perdas impulsionadas pelos ambientes climático e jurídico.

2. Metodologia

2.1 Dados e Desenho Experimental

A pesquisa utiliza dados de triângulos de desenvolvimento regulatórios da Flórida e Louisiana (2007–2023), cobrindo aproximadamente 140 combinações de empresa-linha. O conjunto de dados é enriquecido com variáveis climáticas exógenas da NOAA, incluindo Energia Acumulada de Ciclones (ACE), temperatura da superfície do mar (SST) e índices de intensidade de furacões.

O estudo emprega uma divisão de validação temporal rigorosa para simular a implementação no mundo real:

• Treinamento (2007–2011): Dados históricos incluindo todos os períodos de desenvolvimento.
• Validação (2012–2016): Anos sem catástrofes para ajuste de hiperparâmetros.
• Teste (2017–2023): Anos com alta incidência de catástrofes (incluindo os furacões Michael, Ida e Ian) para avaliar a detecção de rupturas estruturais.

2.2 Arquitetura do Modelo

O modelo principal é uma LSTM Bidirecional com mecanismos de Atenção, projetada para manter memória de curto e longo prazo enquanto pondera informações seletivamente.

• Arquitetura: Duas camadas de LSTM bidirecional (128 e 64 unidades) seguidas por uma camada de atenção de Bahdanau, uma camada densa ReLU e uma saída de unidade única para a estimativa final de perda.
• Mecanismos de Portão (Gating): O modelo utiliza portões de esquecimento (forget gates) para descartar padrões históricos obsoletos e portões de entrada (input gates) para incorporar rapidamente novas informações distributivas.
• Interpretabilidade: A camada de atenção fornece pesos sobre os períodos de desenvolvimento, identificando quais trimestres mais influenciaram a estimativa de reserva, atendendo às necessidades regulatórias de justificativa.
• Função de Perda: É empregada uma função de perda ponderada pela recência personalizada ($L = \sum w_t (y_t - \hat{y}_t)^2$) para penalizar erros em períodos recentes com maior rigor, auxiliando na detecção de mudanças de regime recentes.

2.3 Estrutura Teórica

Para abordar a limitação de possuir apenas quatro grandes eventos catastróficos no período de teste, os autores desenvolvem um arcabouço probabilístico formal:

• Definição de Ruptura Estrutural: Definida como uma mudança nos parâmetros do processo gerador de dados ($\theta_A \to \theta_B$) no tempo $\tau$.
• Viés do Chain Ladder: O artigo prova (Lema 3.8) que os estimadores Chain Ladder permanecem enviesados por pelo menos $k$ períodos (onde $k$ é a janela de média, tipicamente 5) após uma ruptura, pois dependem de médias ponderadas pelo volume de dados pré e pós-ruptura.
• Convergência da LSTM: O Teorema 3.13 estabelece que, sob uma condição de "pré-treinamento de cobertura de regime" (onde o modelo é exposto a características climáticas correlacionadas com o novo regime), uma LSTM pode detectar uma ruptura estrutural e convergir para a estimativa real de perda pelo menos $k-1$ períodos mais rápido que o Chain Ladder.
• Necessidade de Variáveis Climáticas: O Corolário 3.15 demonstra que integrar variáveis climáticas (onde $I(L_T; C | x_{1:t}) > 0$) reduz teoricamente o Erro Médio Absoluto (MAE) em comparação com modelos baseados apenas em triângulos, ao reduzir a variância condicional.

2.4 Métricas de Avaliação

O estudo avalia o desempenho usando:

• Razão de Precisão de Reserva (RAR): Alvo de 1.0.
• Teste de Desenvolvimento de Um Ano (OYD): Benchmark da indústria de $\pm 15\%$.
• MAPE e RMSE: Calculados separadamente para períodos pré-ruptura, durante a ruptura e pós-ruptura.
• Velocidade de Detecção: O número de trimestres decorridos desde a ruptura estrutural até que a previsão do modelo se ajuste em mais de 10%.
• Testes Estatísticos: Testes de Diebold-Mariano para precisão preditiva e testes de Wilcoxon signed-rank para diferenças de erro mediano.

3. Principais Contribuições

3.1 Contribuições Teóricas

• Garantias Formais de Convergência: O artigo fornece a primeira prova formal de que a reserva baseada em LSTM pode convergir para as perdas finais reais mais rápido que o Chain Ladder após uma ruptura estrutural, quantificando a vantagem em pelo menos $k-1$ períodos de desenvolvimento.
• Justificativa de Variáveis Climáticas: Oferece uma base teórica (Corolário 3.15) para o porquê de variáveis climáticas exógenas não serem meramente potencializadoras de precisão, mas pré-requisitos para a detecção rápida em regimes de baixos dados.

3.2 Contribuições Metodológicas

• Estudos de Ablação: A pesquisa isola o impacto de componentes específicos (variáveis climáticas, mecanismos de atenção, camadas bidirecionais) através de cinco modelos de ablação.
• Regularidade e Interpretabilidade: A integração de mecanismos de atenção e a análise da dinâmica de portões (Hipótese H4) adaptam a interpretabilidade de aprendizado profundo aos padrões de justificativa atuariais.
• Inovação na Função de Perda: A aplicação de funções de perda ponderadas pela recência para regressão financeira no contexto de deriva de conceito (concept drift).

3.3 Impacto Prático na Indústria

• Redução do Risco de Solvência: Ao detectar rupturas estruturais mais rapidamente, a abordagem visa reduzir os riscos de deficiência de reservas e a probabilidade de cascata de insolvência de seguradoras.
• Alerta Precoce Regulatório: As métricas de velocidade de detecção são propostas como uma potencial camada de alerta precoce para reguladores estaduais de seguros.

4. Resultados Esperados e Hipóteses

O artigo delineia cinco hipóteses específicas a serem testadas:

• H1 (Velocidade de Detecção): LSTMs detectarão rupturas pelo menos 2 períodos mais rápido que métodos tradicionais em 70%+ dos cenários.
• H2 (Precisão): LSTMs alcançarão pelo menos 15% menos MAPE pós-ruptura em comparação ao Chain Ladder.
• H3 (Variáveis Climáticas): LSTMs aumentadas por clima superarão modelos de apenas triângulos em pelo menos 10% de MAPE em anos de catástrofe.
• H4 (Dinâmica de Portão): As ativações dos portões de esquecimento mostrarão valores qualitativamente maiores durante períodos de ruptura (tratado como um objetivo exploratório devido ao tamanho limitado da amostra).
• H5 (Regularização): Dropout e regularização L2 reduzirão o sobreajuste (overfitting) em eventos catastróficos em pelo menos 25%.

5. Significância e Limitações

O artigo posiciona esta pesquisa como uma comparação rigorosa de LSTM versus métodos tradicionais especificamente para a detecção de rupturas estruturais, fundamentada tanto em dados empíricos quanto em teoria formal. Alega-se que a pesquisa preenche a lacuna entre a ciência atuarial e o aprendizado de máquina ao fornecer ferramentas de interpretabilidade (pesos de atenção) que se alinham aos padrões regulatórios.

As limitações reconhecidas pelos autores incluem:

• Escopo Geográfico: Os resultados derivam da Flórida e Louisiana, o que pode limitar a generalização para outras regiões ou perigos.
• Tamanho da Amostra: O período de teste contém apenas quatro eventos catastróficos principais; portanto, a dinâmica de portões (H4) é relatada como tamanhos de efeito, em vez de testes de hipóteses estatisticamente significativos.
• Causalidade: O estudo trata as variáveis climáticas como sinais preditivos e não estabelece camódos causais entre anomalias de SST e severidade de perdas.
• Barreiras de Adoção: Os autores observam que a adoção regulatória pode ser lenta devido à complexidade de avaliar modelos LSTM e à infraestrutura computacional necessária para o retreinamento trimestral.

A pesquisa conclui que, embora os modelos LSTM ofereçam um mecanismo teoricamente e empiricamente superior para se adaptar a rupturas estruturais impulsionadas pelo clima, sua ampla adoção depende da superação de obstáculos regulatórios e restrições computacionais.