Обобщенные линейные модели (GLM) в тарификации страховых продуктов

Теория обобщенных линейных моделей была разработана Джоном Нелдером и Робертом Уэддерберном в 1972 году. В отличие от классической регрессии, где предполагается нормальное распределение ошибки, GLM допускает использование любого распределения из экспоненциального семейства. Это семейство включает в себя распределение Пуассона, биномиальное, гамма-распределение, обратное гауссово и распределение Твиди. Такое математическое богатство позволяет актуариям идеально подбирать распределение под физическую природу моделируемого процесса. Например, для моделирования частоты страховых случаев (счетная дискретная переменная) используется распределение Пуассона. Для моделирования тяжести каждого отдельного убытка (непрерывная, строго положительная асимметричная величина) традиционно применяется гамма-распределение.

Вторым гениальным нововведением GLM является использование функции связи (Link Function). В классической регрессии математическое ожидание целевой переменной равно линейной комбинации предикторов. В GLM линейной комбинации предикторов равна не сама целевая переменная, а ее функция связи. В актуарной практике абсолютным стандартом является использование логарифмической функции связи (Log-Link). Это алгебраическое преобразование имеет два колоссальных преимущества. Во-первых, оно математически гарантирует, что предсказанная премия всегда будет строго положительной. Во-вторых, логарифмическая связь превращает аддитивную модель линейного предиктора в мультипликативную модель. Это означает, что влияние факторов (возраст, стаж, мощность двигателя) перемножается между собой. Мультипликативная структура тарифов интуитивно понятна клиентам и агентам: базовая премия просто умножается на набор поправочных коэффициентов.

При построении GLM-модели для страхового портфеля критически важно учитывать экспозицию (Exposure) — объем риска, который принес каждый полис (например, полис действовал весь год или только 3 месяца). В пуассоновской регрессии для частоты убытков экспозиция вводится в модель математически через так называемый Оффсет (Offset) — предиктор с жестко зафиксированным коэффициентом, равным единице. Алгоритм подбора максимального правдоподобия (Maximum Likelihood Estimation) итеративно пересчитывает веса факторов с помощью метода Фишера (Fisher Scoring), находя глобальный оптимум даже для миллионов полисов. Оценка качества GLM-моделей производится с помощью метрики Девианса (Deviance) — аналога суммы квадратов ошибок, адаптированного для экспоненциального семейства, и информационного критерия Акаике (AIC).

Вершиной развития GLM в тарификации стало использование распределения Твиди (Tweedie Distribution). Исторически актуариям приходилось строить две независимые модели: одну для частоты (Пуассон), другую для тяжести (Гамма), а затем перемножать их результаты для получения чистой премии (Pure Premium). Распределение Твиди является особым классом составных распределений Пуассона-Гаммы, которое позволяет моделировать чистую премию напрямую, за один проход алгоритма. Распределение Твиди обладает уникальным математическим свойством: оно имеет дискретную массу вероятности в нуле (для полисов без убытков) и непрерывный хвост для положительных значений (для суммы выплат). Использование GLM с распределением Твиди обеспечивает высочайшую предсказательную точность и является ядром современного Data Science в корпоративном андеррайтинге, позволяя компаниям безупречно балансировать между риском и конкурентной ценой на рынке.