Las técnicas estadísticas que manejan los actuarios cuando se enfrentan a la modelización de un riesgo, se dividen tradicionalmente en dos escuelas, la de los frecuentistas y la de los bayesianos. Les diferencia la consideración o no de la incorporación de información obtenida a priori con el material probatorio que ha proporcionado con los datos recabados, es lo que se conoce como la Regla de Bayes. Los frecuentistas consideran simplemente que la regla de Bayes es un desvarío de una subjetividad desbocada.
Desde que el reverendo Thomas Bayes formuló la regla que lleva su nombre en la década de 1740 en Inglaterra, las desavenencias entre ambas escuelas han sido constantes y todavía hoy en día siguen vivas. Quien quiera conocer el relato históricos de los enfrentamientos y de las mejores soluciones aportadas por cada escuela, recomiendo libro La teoría que nunca murió de Sharon Bertsch McGrayne, editorial Crítica 2012.
La autora, destaca el papel de los actuarios en la modelización de los riesgos y recoge las iniciativas de los actuarios al desarrollo de la ciencia estadística, como fueron la aportación a la teoría de la credibilidad por parte de los actuarios norteamericanos en las primeras décadas del siglo XX, o las aportaciones de Bruno de Finetti (1906-1985) en el campo de las probabilidades subjetivas.
En el contexto actual, se sigue debatiendo acerca de la conveniencia de los mejores modelos estadísticos que debe manejar el actuario. La llamada analítica prescriptiva donde el actuario juzga que podría ocurrir y qué hacer para ello ocurra, pide paso al modelo predictivo cuyo alcance se refiere a qué puede suceder; en este estadio de la medida del riesgo es el que se encuentran las entidades de seguros que cuentan con los modelos más avanzados, otras, simplemente analizan el riesgo con el diagnóstico de lo que ocurrió.
Y es que elementos disruptivos que empiezan a incorporarse en el sector asegurador, como big data, internet de las cosas, gamificación, APP´S de salud, hombre-máquina necesitan respuestas diferentes a las tradicionales, por mucho que creamos que estamos manejando las mejores técnicas de medida del riesgo.
1) El proceso de recolección de datos: ¿cómo se recopila y almacenan los datos, y se crean grupos confiables de datos que se utilizará en el proceso de análisis.
2) El proceso de Analytics: hay que desarrollar las habilidades necesarias para construir modelos.
3) El proceso de comunicación: ¿cómo se comunicarán las decisiones clave?
4) El rol de IT: para el almacenamiento y procesamiento de datos, cada vez mayor, y que se actualizan en tiempo real.
5) La aplicación de los resultados del modelo: ¿cómo la organización implementa resultados de la modelización?
La elección del modelo actuarial adecuado para dar respuesta a este proceso, dice ASTIN, deben superar las limitaciones de los Modelos Lineales Generalizado (GLM) para encaminarse hacia modelos más complejos como son: CART, Random Forests, Gradient Boosting, Redes Neuronales, Boosting, Bagging, árboles de decisión.
Un nuevo término emergente surge en este campo, “Aprendizaje Profundo”, que encaja muy bien con el modelado de grandes volúmenes de datos y también de algoritmos informáticos que serán los expertos que reproducen en cierta medida el cerebro humano.
El debate antagónico entre las técnicas frecuentistas y bayesianas, debe superarse, pero para ello, es necesario que el actuario conozca las mejores técnicas estadísticas actuariales y aplicar la que se considere más adecuada al modelo que se quiere realizar.
Decía el Sombrerero Loco en Alicia en el País de las Maravillas que Solo unos pocos encuentran el camino, otros no lo reconocen cuando lo encuentran, otros ni si quiera quieren encontrarlo. El actuario deberá conocer los mejores caminos en la modelización del riesgo.
José Miguel Rodríguez-Pardo
