Predicting Financial and Insurance data Using Artificial Intelligence Methodologies

Abstract

Recently, the finance and insurance fields have been utilizing big data and introducing new analytical methods. In particular, advanced statistical models and artificial intelligence (AI) analysis methods are driving significant changes in analytics and forecasting. This thesis aims to evaluate the performance of statistical and AI models for finance and insurance data.Under the current insurance practice, the premium is charged based on a simple calculation rule using a limited number of rating factors. While varying depending on the specific type of insurance, the rate making procedure is not generally based on statistical models. Particularly in the case of fire insurance, the risk premium is calculated from a simple classification based on building type and structure. Furthermore, such risk classification is solely based on the frequency, and the modelling of the severity part is ignored. In this thesis, we model the insurance risk in terms of frequency and severity separately. We use the regression model and neural network approach to quantify the risk. Then, we show how to calculate the insurance premium based on these models. In financial markets, the stock price is one of the most important indices. However, given the high uncertainty and volatility of stock value, forecasting and analyzing it is highly challenging. In recent decades, increasing research attention has been directed toward predicting the price of stocks using deep learning methods. For instance, recurrent neural network (RNN) is known to be competitive for datasets with time-series data. Long short-term memory (LSTM) further improves RNN by providing an alternative approach to the gradient loss problem. LSTM has its own advantage in predictive accuracy by retaining memory for a longer time. In this paper, we combine both supervised and unsupervised dimension reduction methods with LSTM to enhance the forecasting performance and refer to this as a dimension reduction based LSTM (DR-LSTM) approach. For a supervised dimension reduction method, we use methods such as sliced inverse regression (SIR), sparse SIR, and kernel SIR. Furthermore, principal component analysis (PCA), sparse PCA, and kernel PCA are used as unsupervised dimension reduction methods. Using datasets of real stock market indices (S&P 500, STOXX Europe 600, and KOSPI), we present a comparative study on predictive accuracy between six DR-LSTM methods and time series modeling.;최근 금융 및 보험 분야에서는 빅데이터를 활용하고 새로운 분석 방법을 도입하고 있다. 분석 및 예측 분야에 통계 모형의 지속적인 발전이 있었고, 최근에는 인공지능 분석 방법이 상당한 변화를 가져왔다. 이 논문은 금융 및 보험 부문에서 통계 및 AI 모델의 성능을 평가하였다. 현행 보험 관행에서는 제한된 수의 평가 요소를 사용한 단순한 평가 방식에 따라 보험료가 부과된다. 보험의 종류에 따라 다르지만, 일반적으로 보험료 산출 절차는 통계적 모델을 기반으로 하지 않는다. 특히 화재보험의 경우 건물 유형과 구조에 따른 단순 분류를 통해위험보험료가산정된다.또한이러한위험분류는빈도만을기준으로하며,심도 부분에 대한 모델링은 하지 않고 있다. 본 논문에서는 보험 위험을 빈도와 심도 측면에서 각각 분리하여 모델링한다. 회귀모형과 신경망 접근법을 사용하여 위험을 정량화하고 보험료를 산출, 평가하였다. 금융시장에서 주가 예측은 주요한 문제 중 하나이지만 높은 변동성과 노이즈 등으로 인해 기존의 금융 모형으로 주가를 예측하는 것은 어려운 문제이다. 최근 딥러닝 방법을 사용해 주식 가격을 예측하는 연구에 대한 관심이 높아졌다. 예를 들어 순환신경망(RNNs)은 시계열데이터가 포함된 경우 경쟁력이 있는 것으로 알려져있다. 장단기메모리(LSTM)는 기울기 손실 문제에 대한 대안적 접근 방식을 제공함으로써 RNNs을 더욱 개선한다. LSTM은 더 오랜 시간 동안 메모리를 유지함으로써 예측 정확도에 있어 고유한 장점을 가지고 있다. 본 논문에서는 예측 성능을 향상시키기 위해 지도 및 비지도 차원 축소 방법을 LSTM에 결합하여 이를 차원 축소 기반 LSTM (DR-LSTM) 접근법이라고 부른다. 지도 차원 축소 방법의 경우 슬라이스 역회귀(SIR), sparse SIR, kernel SIR 등의 방법을 사용하였다. 또한 비지도 차원 축소 방법으로는 주성분 분석(PCA), sparse PCA, kernel PCA를 사용하였다. 실제 주식시장 지수(S&P 500, STOXX Europe 600, KOSPI)의 데이터 세트를 사용하여 6가지 DR-LSTM 방법과 시계열 모델링 간의 예측 정확도에 대한 비교 연구를 제시하였다.