Comparación entre Mack y Bootstrap¶

Mack y Bootstrap parten de Chain Ladder y buscan cuantificar la incertidumbre de la reserva. Mack lo hace mediante fórmulas analíticas basadas en medias y varianzas condicionales. Bootstrap lo hace generando múltiples historias y desarrollos futuros simulados.

No son métodos rivales. En una práctica actuarial sólida funcionan como controles complementarios.

Objetivos¶

Al finalizar este capítulo, el lector podrá:

explicar las diferencias conceptuales entre Mack y Bootstrap;
comparar sus supuestos y resultados;
reconocer qué fuentes de incertidumbre representa cada método;
interpretar diferencias entre errores estándar y percentiles;
seleccionar un enfoque según el uso del análisis;
construir una reconciliación defendible para gestión, auditoría y gobierno.

Punto de partida común¶

Ambos métodos requieren que Chain Ladder sea una representación razonable del desarrollo esperado.

Comparten, entre otros, estos riesgos:

factores históricos no representativos;
efectos de calendario;
cambios de mezcla o beneficios;
segmentación insuficiente;
cola no observada;
datos incompletos o inconsistentes.

La simulación no corrige una mala especificación. Un Bootstrap con muchas iteraciones puede reproducir con gran precisión la incertidumbre de un modelo equivocado.

Diferencia conceptual¶

Mack¶

Mack responde:

¿Qué error de predicción implican las medias y varianzas condicionales del modelo Chain Ladder?

Su resultado central es el MSEP y su raíz cuadrada, el error estándar.

Bootstrap¶

Bootstrap responde:

¿Qué resultados produciría el modelo si la experiencia observada y el proceso futuro variaran de acuerdo con el mecanismo de remuestreo y simulación?

Su resultado central es una muestra de la distribución predictiva.

Comparación resumida¶

Característica	Mack	Bootstrap
Estimación central	Chain Ladder	Cercana a Chain Ladder
Cálculo de incertidumbre	Analítico	Simulación
Distribución completa	No, requiere aproximación adicional	Sí, bajo el esquema simulado
Error estándar	Directo	Empírico
Intervalo asimétrico	Requiere supuesto distributivo	Se obtiene de percentiles simulados
Riesgo de parámetros	Sí	Sí, mediante remuestreo y reajuste
Riesgo de proceso	Sí	Sí, si se simula explícitamente
Costo computacional	Bajo	Medio o alto
Reproducibilidad	Determinística	Requiere semilla y control Monte Carlo
Decisiones de implementación	Relativamente pocas	Varias
Riesgo de modelo	No completo	No completo

Supuestos estadísticos¶

Mack¶

Requiere:

media condicional proporcional;
estructura de varianza definida;
independencia entre periodos de origen;
estimación razonable de factores y varianzas.

Se denomina distribution-free porque no especifica una distribución completa. Sin embargo, un intervalo normal o lognormal sí añade una hipótesis distributiva.

Bootstrap¶

Requiere:

un modelo base correctamente especificado;
residuos suficientemente representativos e intercambiables;
una regla para corregir y remuestrear residuos;
una distribución para el riesgo de proceso, cuando corresponda;
decisiones sobre negativos, ceros, cola y dependencia.

El Bootstrap residual suele describirse como semiparamétrico: remuestrea residuos de manera empírica, pero con frecuencia usa una distribución paramétrica para simular el proceso futuro.

Fuentes de incertidumbre¶

Fuente	Mack	Bootstrap
Proceso	Fórmula analítica	Simulación de celdas futuras
Parámetros	Fórmula analítica	Reestimación en pseudo-triángulos
Forma asimétrica	No directamente	Sí, dentro del diseño de simulación
Dependencia	Limitada por supuestos	Solo si se modela explícitamente
Cola	Requiere extensión	Requiere simulación o escenarios
Cambio estructural	No	No
Error de datos	No	No

La tabla muestra por qué ambos deben acompañarse de escenarios y juicio actuarial.

Resultados que deben compararse¶

Una reconciliación útil incluye:

ultimate e IBNR esperados;
error estándar total;
coeficiente de variación;
resultados por periodo de origen;
intervalos comparables;
P75, P90, P95 y P99;
contribución de proceso y parámetros;
sensibilidad a cola;
reserva registrada y probabilidad de insuficiencia.

No debe compararse un intervalo normal de Mack con percentiles Bootstrap sin explicar que provienen de supuestos distintos.

Intervalos de predicción¶

Aproximación con Mack¶

Con reserva \(\widehat R\) y error estándar \(SE\):

\[ \widehat R\pm z_{1-\alpha/2}SE \]

La aproximación normal es simétrica. Una aproximación lognormal evita reservas negativas y produce asimetría, pero cambia la interpretación y requiere calibración.

Percentiles Bootstrap¶

Si \(R^{(1)},\ldots,R^{(B)}\) son reservas simuladas:

\[ L=Q_{\alpha/2}(R), \qquad U=Q_{1-\alpha/2}(R) \]

Los límites reflejan la forma empírica generada por el modelo. No necesitan ser simétricos alrededor de la media.

Ejemplo conceptual¶

Supóngase una reserva Chain Ladder de 150.

Mack produce:

error estándar: 18;
CV: 12 %;
intervalo normal aproximado del 95 %: 114.7 a 185.3.

Bootstrap produce:

media: 151;
mediana: 148;
desviación estándar: 19;
P75: 161;
P95: 190;
P99: 215.

Las desviaciones estándar son cercanas, pero Bootstrap muestra una cola derecha más larga. La diferencia no implica automáticamente que uno sea correcto y el otro incorrecto; debe investigarse la forma distributiva y el diseño de simulación.

Reconciliación de diferencias¶

Cuando los resultados divergen, revisar en este orden:

triángulo y fecha de valuación;
factores seleccionados;
tail factor;
definición de reserva total;
segmentación;
tratamiento de ceros y negativos;
corrección y centrado de residuos;
parámetro de dispersión;
distribución de proceso;
número de simulaciones;
agregación entre periodos y segmentos;
método distributivo usado con Mack.

Una diferencia grande en la estimación media suele ser más preocupante que una diferencia moderada en percentiles.

Criterios de selección¶

Mack es especialmente útil cuando¶

se necesita un cálculo rápido y transparente;
el triángulo es estable;
el error estándar es el resultado principal;
se requiere un benchmark reproducible;
la capacidad computacional es limitada;
el objetivo es monitoreo periódico.

Bootstrap es especialmente útil cuando¶

se necesitan percentiles o medidas de cola;
la distribución puede ser asimétrica;
se evalúa suficiencia de una reserva registrada;
se requiere una distribución para capital o estrés;
se desea separar y visualizar fuentes de variación;
existe capacidad para validar la simulación.

Usar ambos cuando¶

la reserva es material;
existe revisión independiente;
los resultados alimentan gobierno o solvencia;
se necesita distinguir error analítico de forma distributiva;
se desea una prueba de razonabilidad cruzada.

Aplicación en seguros de salud¶

Situación	Lectura recomendada
Portafolio grande y estable	Mack como referencia rápida; Bootstrap como contraste
Grandes reclamaciones	Bootstrap puede representar mejor asimetría si se segmenta correctamente
Cambio de sistema de radicación	Ninguno sin ajuste y escenario estructural
Glosas o conciliaciones masivas	Revisar dependencia y efectos calendario antes de aplicar ambos
Base incurrida con reservas caso consistentes	Comparar Mack y Bootstrap sobre incurrido
Base pagada con rezago operativo	Analizar sensibilidad de edades tempranas y cola
Reforma regulatoria o cambio de beneficios	Complementar con métodos a priori y escenarios

En Colombia deben considerarse cambios en RIPS, facturación electrónica, glosas, acuerdos de pago y modelos de contratación. Si afectan varias filas simultáneamente, la independencia histórica deja de ser razonable.

Flujo recomendado¶

Validación y reconciliación de datos
                ↓
Diagnósticos de Chain Ladder
                ↓
Estimación central
                ↓
Mack
                ↓
Bootstrap
                ↓
Reconciliación de diferencias
                ↓
Escenarios estructurales
                ↓
Juicio actuarial y selección final

Comunicación a gestión¶

Un reporte ejecutivo puede mostrar:

Métrica	Resultado
Estimación central	150
Error estándar Mack	18
CV Mack	12 %
Media Bootstrap	151
P75 Bootstrap	161
P95 Bootstrap	190
Reserva registrada	170
Probabilidad simulada de excedencia	18 %

El mensaje debe separar claramente:

mejor estimación;
margen o nivel de suficiencia;
incertidumbre capturada por el modelo;
riesgos no modelados;
decisiones de gestión.

Errores frecuentes¶

tratar Mack como una distribución completa;
omitir el riesgo de proceso en Bootstrap;
comparar percentiles con definiciones distintas;
asumir que más simulaciones eliminan sesgo;
usar residuos no revisados;
ignorar dependencia entre segmentos;
sumar percentiles individuales para obtener el total;
interpretar P95 como peor caso;
omitir error Monte Carlo;
reportar precisión estadística sin riesgo estructural.

Controles de gobierno¶

La documentación debe identificar:

propósito del análisis;
triángulos y segmentación;
supuestos compartidos;
parámetros específicos de Mack;
diseño del Bootstrap;
cola y dependencia;
resultados comparables;
reconciliación de diferencias;
validación histórica;
limitaciones;
selección actuarial;
revisión independiente.

Lista de verificación¶

Conclusión¶

Mack proporciona una medida analítica, rápida y transparente del error de predicción de Chain Ladder. Bootstrap produce una distribución predictiva flexible que permite analizar asimetría y cola.

Cuando ambos presentan resultados coherentes, aumenta la confianza en la cuantificación de incertidumbre bajo el modelo. Cuando divergen, la diferencia es una señal diagnóstica que debe investigarse, no promediarse automáticamente.

Capítulos relacionados¶

Anterior: Bootstrap Chain Ladder.
Siguiente: Bornhuetter-Ferguson.