2022. január 1-jétől válik hatályossá az IFRS 17, a biztosítási szerződések új számviteli szabványa. Az újszerű számviteli alapok erős aktuáriusi bázisra építkeznek, és a rendszerek komplexitása miatt az informatikai implementáció is kulcsfontosságú. A pénzügyi hatások következtében pedig a biztosító további területeire is átterjedhetnek a bevezetés következményei. A tanulmány a szabvány egy fontos szeletével foglalkozik, a veszteséges szerződések (onerous contracts) kezdeti azonosításával, és az ilyen csoportok miatt adódó egyes pénzügyi hatások elemzésével. Bevezetésre kerül néhány mutató, melyekkel szemléltethető egy adott portfólió veszteségességi profilja. Az eredmények egy szimulált mintaállományon kerülnek bemutatásra. Fontos összefüggések kerülnek kimutatásra a modell alapján a veszteségességi profil és a költségallokációs módszer, valamint a szerződésenkénti díj nagysága közt. A tanulmány rávilágít, hogy a kapcsolódó folyamatok finomhangolásával javíthatók bizonyos IFRS 17-beli mutatók. A modell érzékenységvizsgálata rámutat a veszteségességet leginkább befolyásoló változókra. Végezetül az informatikai implementációs lehetőségek is összegzésre kerülnek.

Pricing an insurance product covering motor third-party liability is a major challenge for actuaries. Comprehensive statistical modelling and modern computational power are necessary to solve this problem. The generalised linear and additive modelling approaches have been widely used by insurance companies for a long time. Modelling with modern machine learning methods has recently started, but applying them properly with relevant features is a great issue for pricing experts. This study analyses the claim-causing probability by fitting generalised linear modelling, generalised additive modelling, random forest, and neural network models. Several evaluation measures are used to compare these techniques. The best model is a mixture of the base methods. The authors’ hypothesis about the existence of significant interactions between feature variables is proved by the models. A simplified classification and visualisation is performed on the final model, which can support tariff applications later.

Voting rules can be assessed from quite different perspectives: the axiomatic, the pragmatic, in terms of computational or conceptual simplicity, susceptibility to manipulation, and many others aspects. In this paper, we take the machine learning perspective and ask how 'well' a few prominent voting rules can be learned by a neural network. To address this question, we train the neural network to choosing Condorcet, Borda, and plurality winners, respectively. Remarkably, our statistical results show that, when trained on a limited (but still reasonably large) sample, the neural network mimics most closely the Borda rule, no matter on which rule it was previously trained. The main overall conclusion is that the necessary training sample size for a neural network varies significantly with the voting rule, and we rank a number of popular voting rules in terms of the sample size required.

A tanulmány bizonyos életbiztosítások megszűnéseit vizsgálja különböző gazdasági és nem gazdasági eseményekkel összefüggésben empirikus biztosítói adatokat elemezve, arra keresve a választ, hogy a megváltozott hozam és inflációs környezet, valamint a Covid-19 miatti lezárások milyen hatással voltak a szerződések törléseire, illetve egy adott megtakarítási konstrukció esetén mennyire érzékenyek az ügyfelek a hozamok változására. Az idősoros adatok alapján levont következtetések mellett további statisztikai elemzések (pl. Granger-okság tesztelése, k-közép klaszterezéssel szerződések klasszifikálása) járulnak hozzá a teljesebb képhez. A vizsgált egyszeri díjas megtakarítási konstrukció esetén kimutatható a kamatszint bizonyos megváltozásainak hatása a törlésre (különösen a magasabb díjosztályok esetén). A vizsgált folyamatos díjas biztosításokra hasonló viselkedés nem jellemző, illetve az infláció és a Covid-19 miatti lezárások kapcsán sem volt eddig kimutatható szignifikáns kapcsolat a törlésekkel.

This study examines the lapse rates of certain life insurances in relation to various economic and non-economic events, analysing empirical insurance data, in search of answers to the questions of what impact the changed yield and inflation environments and lockdowns due to Covid-19 had on the cancellation of contracts, and how sensitive policyholders are to changes in yields in the case of certain investment-type insurances. In addition to the conclusions drawn on the basis of time series data, further statistical analyses (such as Granger causality testing, contract classification with k-means clustering) contribute to a more complete picture. The effect of certain changes in the interest rate level on lapses can be detected in the case of the single premium investment-type insurance under review (especially for the higher premium classes). No similar behaviour is typical of the current premium insurances under review, and so far it has also not been possible to detect any significant relationship with lapses in connection with inflation or the lockdowns due to Covid-19.