Deep Learning para reservas actuariales¶

El aprendizaje profundo, o deep learning, utiliza redes neuronales de múltiples capas para representar relaciones complejas. En reserving puede ser útil con datos granulares, alta dimensionalidad e historias longitudinales, pero también aumenta el riesgo de sobreajuste, opacidad y dependencia tecnológica.

El objetivo no es reemplazar automáticamente los métodos clásicos. Una red neuronal debe demostrar valor incremental frente a Chain Ladder, GLM, GAM y árboles, respetando la fecha de corte y los controles actuariales.

Objetivos de aprendizaje¶

Al finalizar este capítulo, el lector podrá:

identificar problemas de reserving apropiados para deep learning;
distinguir redes densas, embeddings, modelos secuenciales y transformers;
seleccionar objetivos y funciones de pérdida coherentes;
diseñar validación temporal sin fuga de información;
evaluar calibración, incertidumbre y estabilidad;
establecer benchmarks, explicabilidad y gobierno de producción.

1. Cuándo considerar deep learning¶

Puede ser razonable cuando:

existen cientos de miles o millones de observaciones;
hay variables categóricas de alta cardinalidad;
la secuencia de eventos contiene información;
existen interacciones difíciles de especificar;
el modelo se reestima y monitorea con infraestructura adecuada;
la mejora frente a modelos simples es material y persistente.

Puede ser inadecuado cuando:

el portafolio es pequeño;
la historia es corta o cambió estructuralmente;
la trazabilidad de datos es débil;
el objetivo está mal definido;
la explicación regulatoria es prioritaria;
no existe capacidad de validación y monitoreo.

2. Formulaciones del problema¶

Predicción a nivel de reclamación¶

Cada observación representa una reclamación o factura. El objetivo puede ser:

monto futuro pagado;
monto final reconocido;
probabilidad de glosa;
tiempo hasta cierre;
probabilidad de reapertura;
distribución de severidad pendiente.

Predicción por celda¶

Cada observación es una celda origen-desarrollo-calendario. La red estima pagos incrementales, conteos o parámetros de una distribución. Esto facilita reconciliación con el triángulo.

Predicción secuencial¶

Una reclamación o cohorte tiene una historia ordenada:

\[ x_{i,1},x_{i,2},\ldots,x_{i,t} \]

El modelo utiliza pagos, estados y eventos anteriores para predecir el siguiente periodo o el resultado final.

Modelos multiestado¶

Pueden estimarse probabilidades de transición:

\[ \Pr(S_{t+1}=j\mid S_t=i,X_t) \]

Esta formulación es relevante para radicación, auditoría, glosa, respuesta, pago, cierre y reapertura.

3. Variables admisibles¶

Todas las variables deben existir al corte.

Dimensión	Ejemplos
Afiliado	edad, región, grupo de riesgo
Prestación	servicio, código, complejidad, ámbito
Prestador	tipo, red, historial anterior al corte
Contrato	modalidad, tarifa, paquete, capitación
Tiempo	ocurrencia, reporte, desarrollo, calendario
Operación	auditoría, canal, días desde radicación
Historia	pagos y ajustes observados, estado vigente

No son admisibles el monto final, pagos futuros, estado final de cierre ni glosas resueltas después de la valoración.

4. Redes densas¶

Una red densa transforma un vector de variables mediante capas sucesivas:

\[ h^{(\ell)}=\sigma\left(W^{(\ell)}h^{(\ell-1)}+b^{(\ell)}\right) \]

La salida puede estimar un monto, probabilidad, cuantil o parámetro de distribución.

Ventajas:

modela relaciones no lineales;
admite muchas variables;
combina datos numéricos y categóricos codificados.

Limitaciones:

puede sobreajustar;
exige escalamiento y regularización;
suele ser menos interpretable que GLM, GAM o árboles.

5. Embeddings categóricos¶

Un embedding representa una categoría mediante un vector aprendido:

\[ e_c\in\mathbb{R}^k \]

Puede utilizarse para prestador, diagnóstico, municipio, servicio o producto. Deben controlarse:

categorías raras;
categorías nuevas;
cambios de codificación;
dimensionalidad excesiva;
riesgo de que el embedding memorice el target.

6. Modelos secuenciales¶

LSTM y GRU¶

Procesan eventos en orden y conservan un estado interno. Pueden modelar pagos mensuales, cambios de estado y tiempos entre movimientos.

Convoluciones temporales¶

Capturan patrones locales en una ventana:

\[ (P_{t-3},P_{t-2},P_{t-1},P_t)\longrightarrow P_{t+1} \]

Pueden entrenarse en paralelo y resultar más estables que redes recurrentes en algunos problemas.

Transformers¶

La atención permite relacionar eventos distantes. Su uso requiere volumen suficiente, control de máscaras temporales y comparación rigurosa con alternativas más simples.

7. Funciones de pérdida¶

Objetivo	Pérdida o distribución
Monto esperado	MAE, MSE, Huber
Conteo	Poisson o binomial negativa
Severidad positiva	Gamma o lognormal
Frecuencia-severidad	Tweedie
Cuantil	Pinball loss
Estado	Cross-entropy
Tiempo hasta evento	Pérdida de supervivencia
Distribución	Log-verosimilitud negativa

La función debe evaluarse junto con sesgo agregado y suficiencia por cohorte. Una mejora en pérdida individual puede coexistir con una reserva total sesgada.

8. Restricciones y regularización¶

Controles habituales:

penalización L1 o L2;
dropout;
parada temprana;
normalización;
reducción de capacidad;
límites en embeddings;
aumento de datos cuando sea defendible;
calibración posterior.

Para evitar predicciones negativas puede utilizarse una distribución positiva, una transformación o una activación como softplus. Cualquier ajuste posterior debe documentarse.

9. Incertidumbre predictiva¶

Una red estándar produce una estimación puntual. Para cuantificar incertidumbre pueden considerarse:

ensembles de redes;
bootstrap;
Monte Carlo dropout;
cuantiles;
modelos probabilísticos;
conformal prediction;
simulación de escenarios.

Debe distinguirse:

Componente	Descripción
Proceso	Variabilidad futura de reclamaciones
Parámetros	Incertidumbre del entrenamiento
Modelo	Arquitectura y especificación
Datos	Calidad, cobertura y drift
Entorno	Inflación, regulación y shocks

La variabilidad entre semillas no representa por sí sola todos estos riesgos.

10. Benchmarks mínimos¶

Antes de adoptar deep learning deben estimarse alternativas como:

Chain Ladder;
Mack y Bootstrap;
Bornhuetter-Ferguson;
GLM y GAM;
Random Forest o gradient boosting;
métodos PMPM o frecuencia-severidad.

Si la mejora no es material, estable y explicable, la red no está justificada para producción.

11. Validación temporal¶

La separación debe respetar la secuencia de valoración:

Entrenamiento	Validación	Prueba
2019–2022	2023	2024
2020–2023	2024	2025

El procedimiento debe:

reconstruir datos disponibles al corte;
ajustar preprocesamiento solo con entrenamiento;
elegir arquitectura con validación;
reservar la prueba para evaluación final;
repetir en varios cierres;
analizar cohortes y segmentos.

12. Métricas¶

Combinar precisión individual y suficiencia agregada:

MAE y RMSE;
sesgo total;
error por periodo de origen;
estabilidad entre valoraciones;
pinball loss para cuantiles;
cobertura de intervalos;
calibración probabilística;
reserva estimada frente al desarrollo real.

La métrica principal y los límites de aceptación deben definirse antes del ajuste final.

13. Interpretabilidad¶

No es necesario explicar cada peso de la red, pero sí demostrar comportamiento razonable.

Herramientas útiles:

SHAP;
importancia por permutación;
partial dependence;
accumulated local effects;
análisis de sensibilidad;
escenarios y stress testing;
comparación con GLM, GAM o árboles.

También deben revisarse predicciones extremas, categorías raras y movimientos materiales entre cierres.

14. Aplicaciones en seguros de salud¶

Deep learning puede apoyar:

pagos futuros por reclamación;
severidad por diagnóstico o prestación;
probabilidad y resolución de glosas;
reclamaciones de alto costo;
desarrollo por proveedor;
pagos tardíos;
reservas por contrato;
utilización longitudinal.

Riesgos específicos incluyen cambios de red, inflación médica, estacionalidad, epidemias, codificación clínica y modificaciones tarifarias.

15. Contexto colombiano¶

Las aplicaciones deben preservar trazabilidad entre:

prestación;
autorización cuando aplique;
radicación;
factura electrónica de venta;
RIPS;
auditoría y glosa;
notas de ajuste;
contabilización y pago.

Los modelos secuenciales pueden representar estados y tiempos de resolución, pero la reserva final debe reconciliarse con saldos contables, cuentas conocidas, auditoría médica y controles internos.

16. Ejemplo conceptual en Python¶

import tensorflow as tf
from tensorflow import keras

tf.keras.utils.set_random_seed(20260714)

model = keras.Sequential(
    [
        keras.layers.Input(shape=(n_features,)),
        keras.layers.Dense(128, activation="relu"),
        keras.layers.Dropout(0.10),
        keras.layers.Dense(64, activation="relu"),
        keras.layers.Dense(1, activation="softplus"),
    ]
)

model.compile(
    optimizer=keras.optimizers.Adam(learning_rate=0.001),
    loss="mae",
)

callbacks = [
    keras.callbacks.EarlyStopping(
        monitor="val_loss",
        patience=10,
        restore_best_weights=True,
    )
]

history = model.fit(
    X_train,
    y_train,
    validation_data=(X_validation, y_validation),
    epochs=200,
    batch_size=512,
    callbacks=callbacks,
    verbose=0,
)

La semilla mejora reproducibilidad, pero operaciones paralelas y hardware diferente todavía pueden producir variaciones. Deben fijarse versiones y conservarse artefactos del entrenamiento.

17. Modelos híbridos¶

Una red puede complementar, no reemplazar, la estructura actuarial:

predecir ajustes sobre un benchmark;
estimar factores condicionados por variables;
modelar cuentas conocidas y conservar un método agregado para no reportadas;
combinar predicciones mediante credibilidad;
calibrar el total a una estimación actuarial aprobada.

La combinación debe definirse antes de observar el resultado final y validarse históricamente.

18. Producción y monitoreo¶

Conservar:

snapshot de datos y fecha de corte;
código de preprocesamiento;
arquitectura y pesos;
función de pérdida;
semillas y dependencias;
resultados de validación;
benchmarks;
calibración e incertidumbre;
explicación de predicciones materiales;
aprobaciones y límites de uso.

Monitorear drift de variables, categorías desconocidas, error maduro, sesgo agregado, estabilidad y dependencia del postprocesamiento.

19. Riesgos y mitigaciones¶

Riesgo	Mitigación
Leakage temporal	Reconstrucción estricta al corte
Sobreajuste	Regularización y backtesting
Opacidad	Explicabilidad y benchmarks
Drift	Monitoreo y revisión periódica
Sesgo por segmento	Métricas segmentadas
Extrapolación	Límites y escenarios
Falsa precisión	Intervalos y comunicación clara
Dependencia tecnológica	Versionamiento y contingencia

20. Checklist de adopción¶

Conclusiones¶

Deep learning puede ampliar el conjunto de herramientas de reserving cuando existen datos granulares y patrones complejos. Su mayor capacidad también amplifica el costo de una mala definición del objetivo, leakage o drift.

La adopción debe ser gradual: comenzar con benchmarks, validar en varios cierres, demostrar valor incremental y conservar un proceso explicable y auditable. La red es un componente de la estimación, no la decisión actuarial completa.

Referencias¶

ASOP No. 23, Data Quality.
ASOP No. 38, Using Models Outside the Actuary’s Area of Expertise.
ASOP No. 41, Actuarial Communications.
ASOP No. 56, Modeling.
Goodfellow, I., Bengio, Y. y Courville, A. Deep Learning.
Gabrielli, A., Richman, R. y Wüthrich, M. V. “Neural Network Embedding of the Over-Dispersed Poisson Reserving Model”.
Wüthrich, M. V. y Merz, M. Statistical Foundations of Actuarial Learning and its Applications.

Capítulos relacionados¶

Anterior: Modelos basados en árboles para reservas actuariales.
Siguiente: Particularidades del reserving en seguros de salud.