Neural Bonus Malus System with Shared Transition Rule

Abstract

보험업계에서는 보험 가입자가 보험상품에 대해 납득하고 신뢰를 갖도록 하는 동시에 보험료를 정확하게 산정해 보험사에서 손실이 발생하지 않도록 하는 것이 중요하다. Bonus Malus System은 보험 가입자의 사고 이력과 선험요율을 반영해 보험료를 산정하는 방식으로, 특히 자동차보험료 산정에 많이 활용된다. 자동차 보험에서 가장 빈번한 모델은 소위 “-1/+h” 전환 규칙에 의해 관리되며, 각 청구는 +h 단계의 벌을 받는 대신 청구가 없는 경우 한 단계 경감시킨다. 그러나 Tan, et al(2020)은 이 규칙에는 단순한 전환 규칙을 사용함으로써 발생하는 비효율성을 설명했으며, 다양한 전환 규칙을 제안하여 이 문제를 해결했다. 본 논문에서, 우리는 신경망을 통해 BMS의 전이 규칙의 비효율성을 보완할 것을 제안한다. 청구 이력의 시기적절한 속성을 고려해 그 특성을 반영할 수 있는 순환신경망인 RNN을 활용해 전환 규칙을 구축한다. 시뮬레이션 데이터를 사용하여 가장 단순한 모델에서 RNN을 통한 전환 규칙으로 구축된 모델을 비교하여 ‘Neural Bonus Malus System’의 효율성을 제안한다. ;In the insurance industry, it is important to ensure that policyholders are convinced and have trust in insurance products, and at the same time accurately calculate insurance premiums to prevent losses from occurring in insurance companies. Bonus Malus System is a widely used method of calculating insurance premiums by reflecting policyholder's accident history and priori rate, and is especially used to calculate auto insurance premiums. The most frequent model in auto insurance is governed by so called “-1+h” transition rule where each claims is penalized h steps while no claims result in -1 step alleviation. However, there is an inefficiency in this rule, Tan, et al. (2020) explained the inefficiency caused by using the simple transition rule, and to solve this problem by proposing various transition rules. In this thesis, we propose to complement the inefficiency of BMS’s transition rule with a neural network. Considering timely property of claim histories, the transition rule will be built using RNN, a circular neural network that can reflect its characteristics. Using simulation data, we propose the efficiency of the ‘Neural Bonus Malus System’ by comparing from the simplest model to the model built with the transition rule through RNN.