Improve Predictive ability of the Bonus Malus System (BMS) with Neural Network

Abstract

The bonus malus system (BMS) is a premium adjustment method that is widely used because of its simplicity. The BMS process is interpreted as two step, a priori ratemaking process, and a posteriori ratemaking process. The priori rate and posteriori rate of BMS is determined by the priori risk characteristics and the BM level that each policyholder has. BMS is easy and transparent ratemaking system, so it is efficient in terms of safety and consumer protection. However, because of its posteriori risk classification process, BMS is known to inefficient in terms of predictive ability. The neural premium has posteriori risk classification process modelled with RNNs. It has excellent forecasting ability; however, it lacks explanation ability. This paper proposes new premium adjustment mechanism that is called the neural BMS (NBMS). It approximates outputs of RNNs using BMS. The NBMS is simple and transparency as BMS, meanwhile has improved predictive ability.;Bonus Malus System(BMS)는 그 간편성으로 인해 현 보험 업계에서 널리 쓰이고 있는 보험료 책정 시스템이다. BMS는 두 가지 과정으로 분류되는데, 사전 확률 책정 과정과 사후확률 책정 과정이다. BMS의 사전확률과 사후확률은 각각 사전 정보와 고객이 가진 BM level에 의해 결정된다. BMS는 쉽고 공평한 시스템이기 때문에 안전성과 고객 보호 측면에서 효율적이다. 그러나 사후확률 책정 과정에서 예측력이 저하되는 문제가 발생한다. Neural premium은 RNN을 사용해서 사후확률을 책정한다. 이로 인해 예측력이 뛰어나다는 장점을 가지나, BMS와는 달리 보험료 책정 과정에 대한 설명력이 부족하다. 본 논문에서는 위의 두 가지 방법을 결합한 새로운 보험료 책정 시스템인 Neural BMS를 제안한다. 해당 시스템은 RNN의 결과를 BMS에 적용함으로써 기존 BMS의 단순함과 공정함은 유지하면서 예측력이 향상된 특성을 가진다.