Actuarial Machine Learning
Im Seminar Actuarial Machine Learning werden einige Machine-Learning-Techniken eingeführt mit dem Ziel, ihre Anwendungen zur Lösung von aktuariellen bzw. versicherungsmathematischen Fragestellungen zu diskutieren.
Aktuare sind Mathematiker, die bei Versicherungen arbeiten. Diesen Beruf gibt es schon seit mehreren Jahrhunderten. Die von den Aktuarinnen angewandten Methoden haben sich jedoch immer wieder erneuert und aktualisiert. Neuerdings werden die Methoden des maschinellen Lernens zur Lösung von vielen klassischen aktuariellen Aufgaben eingesetzt.
Die Veranstaltung wird dreigeteilt.
Im ersten Teil lernen wir wesentliche Eigenschaften und Methoden der Lebensversicherungs-Mathematik kennen. Beispiele hierfür sind das Äquivalenzprinzip oder die Berechnung der Rückstellungen. Zudem werden wir uns mit den Bewertungsthemen mit den optionspreistheoretischen Methoden auseinandersetzen. Der zweite Teil ist den Methoden des maschinellen Lernens gewidmet. Die aktuellen Methoden wie Boosted Decision Trees oder Deep Neural Networks werden von ihrer mathematischen Seite beleuchtet. Im dritten Teil schauen wir uns einige konkrete Anwendungen von Machine-Learning-Methoden in der Versicherung an. Dabei werden wir uns zwei aktuelle Veröffentlichungen der Deutschen Aktuarvereinigung vornehmen und auf die dort untersuchten Datensätze neue Methoden anwenden.
Es gibt keine festen Voraussetzungen zur Teilnahme am Seminar.
Anmeldung erfolgt per E-Mail, diese ist unter https://www.mi.uni-koeln.de/wp-znikolic/kontakt/ zu finden.
Bitte melden Sie sich mit einer aussagekräftigen Bewerbung an, welche u. a. folgende Angaben enthalten soll:
- Ihre bisher besuchten (relevanten) Veranstaltungen,
- alle relevanten Praktika, Werkstudierendentätigkeiten, Seminararbeiten usw., welche mit dem Thema des Seminars zusammenhängen können,
- weshalb Sie sich für dieses Thema interessieren,
- ob Sie das Seminar im Rahmen des Versicherungsmoduls mit 3 Leistungspunkten oder als Seminar mit 6 Leistungspunkten belegen möchten.
Gerne können Sie Ihre Bewerbung um weitere Punkte ergänzen. Die Bewerbung soll vor allem glaubhaft vermitteln, dass Sie sich für das behandelte Thema interessieren und mehr darüber lernen möchten.
Literatur:
- http://www.actuarialdatascience.org
- https://web.stanford.edu/ hastie/ElemStatLearn/
- Kahlenberg, J.: Lebensversicherungsmathematik: Basiswissen zur Technik der deutschen Lebensversicherung, Springer Gabler Wiesbaden (2018), https://doi.org/10.1007/978-3-658-14658-0 .
Übersicht der Vorträge:
| Name | Datum | Vortragsthema |
|---|---|---|
| (Der Vortrag von Julia Bicker aus Sommersemester 2020, vorgetragen durch) Zoran Nikolić | 27.11.20 | Grundlagen der Finanzmathematik |
| Hei Loi Lin | 27.11.20 | Erwartete Barwerte |
| Katharina Gienger | 04.12.20 | Kosten und Prämien |
| Zeynep Inan | 04.12.20 | Deckungskapital |
| Robin Heinz | 11.12.20 | Elementare Optionspreistheorie |
| Patricia Bort | 11.12.20 | SCR-Berechnung für einen Lebensversicherer Einführung in Machine |
| Tugba Yilmaz | 18.12.20 | Machine Learning Basics |
| Aylin Demirel | 18.12.20 | Linear Regression and Regularization |
| Tim Vieth, Wenhao Peng, Mattes Westdörp, Nico Frisch | 08.01.21 | Deep Feedforward & Recurrent Neural Networks |
| Tim Vieth, Wenhao Peng, Mattes Westdörp, Nico Frisch | 15.01.21 | Sterblichkeitsmodellierung mithilfe von Rekurrenten Neuronalen Netzen |
| Alfred Gaubrich, Sebastian Brand, Tino Cvitan, Benedikt Höfling | 22.01.21 | Baumbasierte Regressionsmodelle |
| Alfred Gaubrich, Sebastian Brand, Tino Cvitan, Benedikt Höfling | 29.01.21 | Entscheidungsbaumbasierte Regressionsmodelle zur Risikokapitalmodellierung |