Нейросеть LANTERN точнее оценивает вероятности при долгосрочном уходе
Для страховых компаний и пенсионных фондов точная оценка вероятностей перехода между состояниями здоровья — от здоровья до смерти — критически важна для ценообразования и резервирования. Однако классические актуарные модели часто не справляются с нелинейными возрастными изменениями и нерегулярными данными.
В новой работе, опубликованной на arXiv, представлена модель LANTERN (Longitudinal Attribute-Conditioned Neural Network). Это нейросеть, которая учитывает индивидуальную историю здоровья, время между наблюдениями и демографические/социально-экономические характеристики.
Модель оценивает вероятности перехода между четырьмя состояниями: здоров, легкая инвалидность, тяжелая инвалидность и смерть. Вероятности агрегируются по возрастным группам для построения матриц переходов, совместимых с актуарными прогнозами.
Исследователи сравнили LANTERN с логистической регрессией, градиентным бустингом, рекуррентной нейросетью и наивным прогнозом (последнее известное состояние). Данные взяты из американского исследования Health and Retirement Study.
Результаты показали, что LANTERN улучшила дискриминацию тяжелой инвалидности относительно логистической регрессии и градиентного бустинга, сохранила хорошую калибровку и дала наименьшую ошибку матрицы переходов на тестовой выборке.
Таким образом, структурированный машинно-обучаемый подход может дополнить традиционные актуарные методы, повышая точность проекций для долгосрочного ухода.
