Neuronale Netze und Zeitreihenansätze zur Vorhersage des auslösenden Faktors in der privaten Krankenversicherung
- Die Möglichkeit einer Prämienanpassung in der deutschen PKV ist vom Wert des sogenannten auslösenden Faktors abhängig, der mittels einer linearen Extrapolation der Schadenquotienten der vergangenen drei Jahre berechnet wird. Seine frühzeitige, verlässliche Vorhersage ist aus Sicht des Risikomanagements von großer Bedeutung. Wir untersuchen deshalb vielfältige Vorhersageansätze, die von klassischen Zeitreihenansätzen und Regression über neuronale Netze bis hin zu hybriden Modellen reichen. Während bei den klassischen Methoden Regression mit ARIMA-Fehlern am besten abschneidet, zeigt ein neuronales Netz, das mit Zeitreihenvorhersage kombiniert oder auf desaisonalisierten und trendbereinigten Daten trainiert wurde, das insgesamt beste Verhalten.
- The possibility to adapt a premium in German private health insurance depends on the so-called triggering factor. Its value is determined via a linear extrapolation of the loss ratios of the three preceding years. To predict this value early and in a reliable way is of great importance for risk management purposes. We therefore examine the performance of various prediction methods that range from classical time series methods and regression to neural networks and hybrid methods. While regression with ARIMA errors performs best among the classical methods, the overall best method is the combination of time series predictions with a neural network that is trained on deseasonalized and detrended data.
Verfasser*innenangaben: | Fatlinda Avdullai, Ralf KornORCiD, Hans-Martin Hoben |
---|---|
URN: | urn:nbn:de:hbz:386-kluedo-78498 |
DOI: | https://doi.org/10.1007/s12297-021-00493-1 |
ISSN: | 1865-9748 |
Titel des übergeordneten Werkes (Deutsch): | Zeitschrift für die gesamte Versicherungswissenschaft |
Verlag: | Springer Nature - Springer |
Dokumentart: | Wissenschaftlicher Artikel |
Sprache der Veröffentlichung: | Deutsch |
Datum der Veröffentlichung (online): | 19.03.2024 |
Jahr der Erstveröffentlichung: | 2021 |
Veröffentlichende Institution: | Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau |
Datum der Publikation (Server): | 19.03.2024 |
Ausgabe / Heft: | 110 |
Seitenzahl: | 28 |
Erste Seite: | 21 |
Letzte Seite: | 48 |
Quelle: | https://link.springer.com/article/10.1007/s12297-021-00493-1 |
Fachbereiche / Organisatorische Einheiten: | Kaiserslautern - Fachbereich Mathematik |
DDC-Sachgruppen: | 5 Naturwissenschaften und Mathematik / 510 Mathematik |
Sammlungen: | Open-Access-Publikationsfonds |
Lizenz (Deutsch): | Zweitveröffentlichung |