Cálculo de primas de seguros generales mediante el uso de algoritmos de regresión lineal y series temporales

Resumen

En este Trabajo de Fin de Grado (TFG) se pretende calcular primas de seguros generales aplicando técnicas de Machine Learning. El sector asegurador es un sector clave de la economía en cualquier país. Los seguros juegan un papel fundamental en la sociedad, al proteger a los asegurados, que bien pueden ser particulares o empresas, contra posibles riesgos. Y es que la contratación de una póliza de seguros aporta al asegurado beneficios tales como una mayor seguridad y tranquilidad. Además, también permiten reducir las pérdidas y riesgos asociados a diferentes factores, según lo que se desee cubrir con dicho contrato (salud, automóvil, hogar, etc.). Cuando se contrata una póliza de seguro, el asegurado se compromete a pagar, a cambio de la cobertura, un precio que se denomina la prima del seguro. El pago de esta prima debe de ser total antes de que el contratante pueda beneficiarse de las coberturas que ofrece la póliza. Además, se puede fraccionar en pagos anuales, semestrales, trimestrales, etc., según acuerden las partes firmantes. Calcular esta prima de seguro es una operación compleja, ya que implica el cálculo de probabilidades. Efectivamente, el importe de esta viene determinado por el riesgo asociado al siniestro que se pretende cubrir. De esta forma, la precisión de esta probabilidad determinará un mayor o menor ajuste en el precio de la prima. Varios estudios han demostrado que algunos algoritmos de predicción basados en Machine Learning pueden ser muy útiles a la hora de predecir con una mayor precisión la ocurrencia de un acontecimiento dado, los valores que puede tomar cierta variable, etc. Este trabajo se centra en la aplicación de algoritmos de Regresión Lineal, basados en series temporales, con el objetivo de conseguir la mejor predicción posible acerca de la prima de seguro que deberá de pagar un asegurado, es decir, aquella con el menor margen de error. Dicho importe se comparará con importes reales (que proveen distintos calculadores de primas de seguros) para poder realizar la comparativa entre ambos y sacar las conclusiones pertinentes. De esta forma, tras el desarrollo del proyecto se ha podido observar que el modelo de Regresión Lineal presenta una precisión bastante alta, no obstante, existe una mayor diferencia entre los precios predichos y aquellos de primas reales a partir de altos importes.

ABSTRACT

The following Final Degree Project (FDP) consists of calculating insurance premiums using Machine Learning algorithms. The insurance sector is key to every country’s economy. Insurance policies play a fundamental role in society, allowing protection for the policyholder, who may be a person or a business, against uncertainties. Thus, the insured can benefit from more safety and tranquillity, as well as a reduction in the possible loss and risks associated with a certain event or activity (health, automobile, home, etc.). When taking out insurance, the policyholder guarantees a periodical payment (that can be yearly, semestral, trimestral, monthly, etc.) in exchange for a coverage. This payment is known as the insurance premium. Calculating this price is complex, as it involves statistics and probability. As the nature of the product is giving protection against uncertain events, the price of the premium is based on the risk associated with those events (i.e., the probability of them happening). Thus, the precision of this probability will affect the price of the premium. Some studies have proven that prediction algorithms based on Machine Learning techniques can be a powerful tool for more accurate predictions. Therefore, this project will focus on the use of Linear Regression based on Time Series, to obtain the more accurate premium associated with a policy. Hence, the different outcomes obtained will be compared with one another, as well as with the results from an online insurance premium calculator. After developing the model, it has been concluded that the precision offered is appropriate. Nonetheless, the accuracy of the algorithm compared to real insurance premium values decreases with rising prices.