Machine Learning para reservas actuariales¶

El aprendizaje automático, o machine learning (ML), amplía las herramientas de reserving cuando existen datos granulares, relaciones no lineales y suficiente historia para validar el desempeño fuera de muestra. Su valor no consiste en sustituir el juicio actuarial, sino en estimar componentes de la obligación futura con información que un triángulo agregado no conserva.

Un modelo predictivo puede ser técnicamente preciso y aun así resultar inadecuado para una reserva oficial. Debe respetar la fecha de corte, evitar fuga de información, producir resultados reconciliables y demostrar estabilidad frente a cambios operativos, contractuales y regulatorios.

Objetivos de aprendizaje¶

Al finalizar este capítulo, el lector podrá:

distinguir predicción, inferencia y estimación actuarial;
formular objetivos de ML compatibles con una fecha de valoración;
construir variables sin utilizar información futura;
seleccionar familias de modelos y funciones de pérdida;
diseñar validación temporal y backtesting;
evaluar precisión individual, suficiencia agregada y estabilidad;
incorporar explicabilidad e incertidumbre;
integrar modelos de ML con benchmarks actuariales y controles de producción.

1. Papel de ML en reserving¶

Los métodos tradicionales resumen el desarrollo histórico en factores, curvas o parámetros. ML permite usar simultáneamente variables como:

edad de desarrollo;
monto pagado e incurrido a la fecha;
diagnóstico, procedimiento y tipo de servicio;
prestador, red y modalidad contractual;
características del afiliado y exposición;
estado de auditoría, glosa o devolución;
periodo calendario, inflación médica y estacionalidad.

Esta flexibilidad es útil cuando el portafolio es grande y heterogéneo. También aumenta el riesgo de sobreajuste, relaciones espurias y resultados difíciles de explicar.

2. Predicción frente a inferencia¶

La inferencia estadística se interesa por parámetros, supuestos y relaciones estructurales. La predicción prioriza el desempeño en observaciones futuras. En reserving se necesitan ambas perspectivas:

Pregunta	Enfoque dominante
¿Qué variables explican el retraso?	Inferencia y diagnóstico
¿Cuánto se pagará después del corte?	Predicción
¿Qué reserva debe registrarse?	Decisión actuarial y financiera
¿Qué incertidumbre rodea la estimación?	Modelación predictiva y escenarios

Una buena predicción no determina por sí sola la reserva registrada. La selección final debe considerar materialidad, incertidumbre, consistencia contable y conocimiento del negocio.

3. Unidades de modelación¶

Nivel de reclamación¶

Cada fila representa una reclamación, factura o episodio. Los objetivos pueden ser:

pago futuro;
monto final permitido;
probabilidad de cierre;
tiempo hasta pago;
probabilidad y monto de glosa;
severidad condicional a un estado.

La reserva agregada puede construirse como:

\[ \widehat R = \sum_{k \in \mathcal{O}} \widehat Y_k^{\mathrm{futuro}} + \widehat R_{\mathrm{no\ reportado}} \]

donde \(\mathcal{O}\) representa obligaciones conocidas al corte. Debe evitarse confundir la predicción de cuentas conocidas con el IBNR puro de eventos todavía no reportados.

Nivel de celda¶

Cada observación corresponde a una celda origen-desarrollo-calendario. El modelo estima pagos incrementales, incurridos o conteos. Esta estructura facilita la comparación con Chain Ladder, GLM y GAM.

Nivel de segmento¶

El objetivo puede ser PMPM, frecuencia, severidad o costo agregado por producto, región, contrato o cohorte. Es útil cuando los datos individuales no están disponibles o cuando la decisión se toma a nivel de portafolio.

4. Fecha de corte y fuga de información¶

Una variable es admisible solamente si estaba disponible en la fecha de valoración que se pretende reconstruir. La fuga de información (data leakage) ocurre cuando el entrenamiento utiliza información conocida después del corte.

Ejemplos de fuga:

estado final de una reclamación aún abierta;
pago total observado al cierre definitivo;
glosa resuelta después de la valoración;
variables calculadas con diagonales futuras;
codificaciones corregidas retrospectivamente sin reconstruir su versión histórica;
imputaciones realizadas con todo el periodo de prueba.

El dataset debe reconstruirse como una fotografía histórica:

Fecha de valoración
        │
        ├── Información observable al corte → variables
        └── Desarrollo posterior            → objetivo

5. Definición del objetivo¶

El objetivo debe corresponder a una cantidad económica y temporal precisa.

Objetivo	Definición posible	Riesgo principal
Pago futuro	Pagos posteriores al corte	Cuentas no conocidas
Ultimate	Pago total al cierre	Censura y cola
IBNR	Ultimate menos observado	Mezcla de componentes
Tiempo hasta cierre	Duración restante	Censura
Probabilidad de pago	Evento dentro de un horizonte	Desbalance de clases
Cuantil de costo	Percentil condicional	Calibración

Cuando existe censura, excluir observaciones incompletas introduce sesgo. Deben considerarse técnicas de supervivencia, ventanas de maduración o ponderación adecuada.

6. Ingeniería de variables¶

Las variables deben tener significado operativo y mantenerse reproducibles.

Variables de desarrollo¶

meses desde ocurrencia;
días desde radicación;
pagos acumulados;
número de movimientos;
relación pagado/incurrido;
tiempo desde último movimiento;
estado actual.

Variables clínicas y de exposición¶

grupo diagnóstico;
procedimiento o tipo de servicio;
edad y grupo de riesgo;
condición crónica;
exposición o afiliados equivalentes;
utilización histórica observable.

Variables contractuales y operativas¶

modalidad de pago;
prestador y red;
canal de facturación;
estado de auditoría;
glosa o devolución vigente;
lote, plataforma o proceso de recepción.

Las categorías de alta cardinalidad requieren tratamiento explícito para valores raros y categorías nuevas. El historial del prestador debe calcularse únicamente con información anterior al corte.

7. Partición temporal¶

Una partición aleatoria suele sobreestimar el desempeño porque mezcla periodos de valoración.

La separación recomendada respeta el tiempo:

Entrenamiento        Validación          Prueba
periodos antiguos    periodo posterior   periodo más reciente

El backtesting rolling-origin repite la estimación en varios cierres:

Iteración	Entrenamiento	Validación
1	hasta 2022	2023
2	hasta 2023	2024
3	hasta 2024	2025

Cada iteración debe reconstruir variables, transformaciones y universos como habrían existido en ese momento.

8. Familias de modelos¶

Modelos lineales regularizados¶

Ridge, Lasso y Elastic Net ofrecen benchmarks transparentes y controlan colinealidad. Son útiles antes de adoptar modelos más complejos.

Árboles y boosting¶

Random Forest, Gradient Boosting, XGBoost, LightGBM y CatBoost capturan no linealidades e interacciones. Se estudian con detalle en el capítulo 19.

Redes neuronales¶

Pueden modelar datos de alta dimensionalidad y secuencias, pero requieren mayor volumen, control y capacidad de cómputo. Se desarrollan en el capítulo 20.

Supervivencia y modelos multiestado¶

Son apropiados para tiempo hasta reporte, pago, cierre o transición entre estados. En muchos problemas de salud resultan más naturales que una regresión directa del monto final.

9. Funciones de pérdida¶

La función de pérdida debe ser coherente con el objetivo y su soporte.

Objetivo	Pérdida o distribución
Monto continuo	MAE, MSE, Huber
Severidad positiva	Gamma o lognormal
Frecuencia	Poisson o binomial negativa
Frecuencia-severidad	Tweedie
Cuantiles	Pinball loss
Clasificación	Log loss
Tiempo hasta evento	Pérdida de supervivencia

Minimizar MSE individual no garantiza una reserva agregada sin sesgo. Puede ser necesario ponderar por exposición, monto o segmento y calibrar posteriormente el total.

10. Métricas actuariales¶

Las métricas individuales deben complementarse con medidas agregadas.

\[ \mathrm{MAE} = \frac{1}{n}\sum_{i=1}^{n}|y_i-\widehat y_i| \]

\[ \mathrm{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\widehat y_i)^2} \]

\[ \mathrm{Sesgo\ agregado} = \frac{\sum_i \widehat y_i-\sum_i y_i}{\sum_i y_i} \]

También deben revisarse:

error por cohorte de origen;
error por fecha de valoración;
suficiencia acumulada;
estabilidad de la reserva entre cierres;
desempeño por producto, prestador y nivel de riesgo;
cobertura de intervalos;
impacto financiero de errores extremos.

11. Benchmarks y valor incremental¶

Todo modelo de ML debe compararse contra alternativas más simples:

Chain Ladder;
Bornhuetter-Ferguson;
métodos PMPM;
frecuencia-severidad;
GLM o GAM;
una predicción histórica simple.

La complejidad se justifica cuando la mejora es material, estable, reproducible y útil para la decisión. Ganar una métrica promedio mientras aumenta el sesgo de reserva no constituye una mejora.

12. Incertidumbre predictiva¶

Una predicción puntual no representa la distribución de la obligación. Entre las alternativas se encuentran:

bootstrap;
ensembles;
regresión cuantílica;
conformal prediction;
modelos probabilísticos;
simulación de frecuencia y severidad;
escenarios de inflación, cola y cambios operativos.

Debe distinguirse riesgo de proceso, parámetros, modelo, datos y entorno externo. Ninguna técnica automática captura por sí sola todos estos componentes.

13. Explicabilidad¶

La explicabilidad debe responder preguntas concretas:

¿por qué cambió la reserva respecto al cierre anterior?;
¿qué variables impulsan una predicción material?;
¿el modelo responde razonablemente a cambios de exposición o desarrollo?;
¿existen segmentos con comportamiento inestable?;

Herramientas frecuentes:

importancia por permutación;
SHAP;
partial dependence;
accumulated local effects;
análisis de sensibilidad;
comparación contra un modelo interpretable.

La importancia predictiva no demuestra causalidad.

14. Aplicación a seguros de salud¶

ML puede apoyar:

estimación de cuentas conocidas pendientes;
predicción de pagos tardíos;
detección de reclamaciones de alto costo;
desarrollo por prestador o contrato;
frecuencia y severidad por población;
probabilidad de glosa o devolución;
conciliación entre pagado e incurrido.

Los modelos deben capturar o someterse a escenarios para inflación médica, estacionalidad, cambios de red, epidemias, actualizaciones tarifarias y variaciones en la mezcla de afiliados.

15. Consideraciones para Colombia¶

En el contexto colombiano deben preservarse, cuando apliquen:

fecha de prestación;
fecha de radicación;
factura electrónica de venta;
registros RIPS;
estados de auditoría y glosa;
pagos y notas de ajuste;
modalidad contractual;
fuente y periodo de exposición.

La salida debe reconciliarse con cuentas conocidas, provisiones contables, saldos por prestador y reglas internas de reconocimiento. El modelo no sustituye la trazabilidad entre prestación, factura, auditoría y pago.

16. Ejemplo conceptual en Python¶

El siguiente ejemplo muestra una estructura reproducible. Los nombres de variables deben adaptarse al dataset real.

from sklearn.compose import ColumnTransformer
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder

numeric_features = [
    "development_month",
    "paid_to_date",
    "case_reserve",
    "claim_age_days",
]

categorical_features = [
    "service_group",
    "provider_type",
    "contract_type",
]

preprocess = ColumnTransformer(
    transformers=[
        ("categorical", OneHotEncoder(handle_unknown="ignore"), categorical_features),
    ],
    remainder="passthrough",
)

model = Pipeline(
    steps=[
        ("preprocess", preprocess),
        (
            "regressor",
            RandomForestRegressor(
                n_estimators=500,
                min_samples_leaf=20,
                random_state=20260714,
                n_jobs=-1,
            ),
        ),
    ]
)

model.fit(train[numeric_features + categorical_features], train["future_paid"])
prediction = model.predict(test[numeric_features + categorical_features])

mae = mean_absolute_error(test["future_paid"], prediction)
bias = (prediction.sum() - test["future_paid"].sum()) / test["future_paid"].sum()

La partición train y test debe construirse por fecha de valoración, no mediante muestreo aleatorio.

17. Producción y monitoreo¶

Un flujo de producción mínimo incluye:

Fuentes versionadas
        ↓
Validación de datos
        ↓
Construcción de variables al corte
        ↓
Modelo y calibración
        ↓
Agregación y reconciliación
        ↓
Reporte, aprobación y monitoreo

Monitorear como mínimo:

cambios de esquema y categorías;
distribución de variables;
error observado cuando madura el desarrollo;
sesgo por segmento;
estabilidad entre cierres;
desviación frente al benchmark;
frecuencia de reglas posteriores al modelo.

18. Gobierno del modelo¶

La documentación debe incluir:

objetivo actuarial y población;
fecha de corte y definición del target;
fuentes, transformaciones y variables excluidas;
arquitectura e hiperparámetros;
benchmarks y criterios de selección;
validación temporal y backtesting;
incertidumbre y escenarios;
explicabilidad y pruebas de razonabilidad;
limitaciones y usos no permitidos;
responsables, aprobaciones y monitoreo.

Este marco es consistente con la atención que ASOP 23 presta a la calidad de datos, ASOP 41 a la comunicación y ASOP 56 al gobierno de modelos.

19. Checklist de adopción¶

Antes de utilizar ML en una reserva oficial, confirmar:

Conclusiones¶

Machine Learning puede aportar granularidad y capacidad predictiva al reserving de salud, especialmente en portafolios grandes y heterogéneos. Su adopción debe comenzar con una formulación actuarial clara, datos reconstruidos al corte y benchmarks simples.

El modelo más complejo no es necesariamente el mejor. La alternativa adecuada es aquella que combina precisión, estabilidad, explicabilidad, incertidumbre y capacidad de operación dentro de un proceso gobernado.

Referencias¶

ASOP No. 5, Incurred Health and Disability Claims.
ASOP No. 23, Data Quality.
ASOP No. 41, Actuarial Communications.
ASOP No. 56, Modeling.
Hastie, T., Tibshirani, R. y Friedman, J. The Elements of Statistical Learning.
Wüthrich, M. V. y Merz, M. Statistical Foundations of Actuarial Learning and its Applications.

Capítulos relacionados¶

Anterior: Reserving bayesiano.
Siguiente: Modelos basados en árboles para reservas actuariales.