Machine and deep learning applications for improving the measurement of key indicators for financial institutionsstock market volatility and general insurance reserving risk

Resumen

Esta tesis trata de lograr mejoras en los modelos de estimación de los riesgos financieros y actuariales a través del uso de técnicas punteras en el campo del aprendizaje automático y profundo (machine y deep learning), de manera que los modelos de riesgo generen resultados que den un mejor soporte al proceso de toma de decisiones de las instituciones financieras. Para ello, se fijan dos objetivos. En primer lugar, traer al campo financiero y actuarial los mecanismos más punteros del campo del aprendizaje automático y profundo. Los algoritmos más novedosos de este campo son de amplia aplicación en robótica, conducción autónoma o reconocimiento facial, entre otros. En segundo lugar, se busca aprovechar la gran capacidad predictiva de los algoritmos anteriormente adaptados para construir modelos de riesgo más precisos y que, por tanto, sean capaces de generar resultados que puedan dar un mejor soporte a la toma de decisiones de las instituciones financieras. Dentro del universo de modelos de riesgos financieros, esta tesis se centra en los modelos de riesgo de renta variable y reservas de siniestros. Esta tesis introduce dos modelos de riesgo de renta variable y otros dos de reservas. Por lo que se refiere a la renta variable, el primero de los modelos apila algoritmos tales como redes neuronales, bosques aleatorios o regresiones aditivas múltiples con árboles con el objetivo de mejorar la estimación de la volatilidad y, por tanto, generar modelos de riesgo más precisos. El segundo de los modelos de riesgo adapta al mundo financiero y actuarial los Transformer, un tipo de red neuronal que, debido a su alta precisión, ha apartado al resto de algoritmos en el campo del procesamiento del lenguaje natural. Adicionalmente, se propone una extensión de esta arquitectura, llamada Multi-Transformer y cuyo objetivo es mejorar el rendimiento del algoritmo inicial mediante el ensamblaje y aleatorización de los mecanismos de atención. En lo relativo a los dos modelos de reservas introducidos por esta tesis el primero de ellos trata de mejorar la estimación de reservas y generar modelos de riesgo más precisos apilando algoritmos de aprendizaje automático con modelos de reservas basados en estadística bayesiana y Chain Ladder. El segundo modelo de reservas trata de mejorar los resultados de un modelo de uso habitual, como es el modelo de Mack, a través de la aplicación de redes neuronales recurrentes y conexiones residuales.