Porovnanie stratégií trénovania modelu XGboost: Train-test split a k-fold cross validácia
Spoľahlivé modelovanie je kľúčovým prvkom riadenia rizík v poisťovniach, a to najmä v kontexte plnenia regulačných rámcov, ako je Solvency II. V aktuárskej praxi sa čoraz častejšie využívajú moderné metódy strojového učenia, ktoré dokážu zachytiť komplexné vzťahy medzi rizikovými faktormi a finančný...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | |
| Format: | Chapitre de livre |
| Langue: | slovaque |
| Sujets: | |
| Tags: |
Pas de tags, Soyez le premier à ajouter un tag!
|
| Résumé: | Spoľahlivé modelovanie je kľúčovým prvkom riadenia rizík v poisťovniach, a to najmä v kontexte plnenia regulačných rámcov, ako je Solvency II. V aktuárskej praxi sa čoraz častejšie využívajú moderné metódy strojového učenia, ktoré dokážu zachytiť komplexné vzťahy medzi rizikovými faktormi a finančnými ukazovateľmi. Tento príspevok porovnáva tri stratégie trénovania regresného modelu XGBoost pri predikcii poistných nákladov: jednoduché rozdelenie dát (80/20), K-fold cross-validáciu bez miešania dáta K-fold cross-validáciu s náhodným miešaním. Zhodnotenie, ako voľba validačnej stratégie ovplyvňuje stabilitu a generalizáciu modelu, a tým aj spoľahlivosť odhadov, ktoré môžu slúžiť ako podklad pre rozhodnutia o tvorbe kapitálu, oceňovaní rezerv či nastavovaní poistného. Výsledky potvrdzujú, že správne zvolená validačná stratégia je nevyhnutná pre minimalizáciu modelového rizika a pre zvýšenie robustnosti prognóz v aktuárskej oblasti. |
|---|