La estimación de reservas para siniestros incurridos pero aun no pagados (o no reportados) es una de las tareas centrales del actuario de seguros de daños. Durante décadas, el instrumento predilecto ha sido el chain-ladder, un método determinista, transparente y sorprendentemente robusto. Sin embargo, la creciente disponibilidad de datos granulares y la exigencia regulatoria de cuantificar la incertidumbre han impulsado una nueva generación de técnicas, desde los modelos estocásticos clasicos hasta el machine learning aplicado a los triangulos de siniestros.
El método chain-ladder y sus limites
El chain-ladder organiza los siniestros en un triangulo de desarrollo, donde cada fila representa un ano de origen (accident year) y cada columna un periodo de desarrollo. A partir de los montos acumulados se estiman factores de desarrollo (age-to-age) como cocientes de sumas por columna, y se proyecta el triangulo inferior para obtener la reserva.
Su atractivo es la simplicidad: no requiere hipotesis distribucionales explicitas y produce una estimacion puntual facil de auditar. Pero sus limitaciones son bien conocidas. Supone que los patrones de desarrollo son estables en el tiempo, es muy sensible a los factores de las ultimas diagonales y a valores atipicos, no aprovecha informacion externa (exposicion, inflacion, cambios de mezcla) y, sobre todo, no entrega por si mismo una medida de la incertidumbre de la reserva estimada. En un entorno de solvencia basado en riesgo, una cifra puntual sin banda de error resulta insuficiente.
Los metodos estocasticos: Mack y bootstrap
El primer gran paso fue reconocer la variabilidad. El modelo de Mack (1993) aporta un marco de distribucion libre (distribution-free) que reproduce las estimaciones del chain-ladder pero ademas deriva una formula analitica para el error cuadratico medio de prediccion (mean squared error of prediction), separando el process error del estimation error. Esto permite reportar no solo la reserva central, sino su desviacion estandar.
El bootstrap, por su parte, adopta un enfoque de remuestreo. Sobre los residuales de Pearson de un modelo tipo over-dispersed Poisson (ODP), consistente con el chain-ladder, se generan miles de pseudo-triangulos que, reproyectados, producen una distribucion predictiva completa de la reserva. De ahi se obtienen percentiles, el value at risk y otras metricas de cola. Estos metodos son hoy estandar de la practica y estan ampliamente documentados en la literatura del Institute and Faculty of Actuaries (IFoA) y de la Casualty Actuarial Society (CAS).
La nueva ola: machine learning para reservas
La analitica predictiva propone ir mas alla del triangulo agregado. En lugar de trabajar con celdas sumadas, los enfoques de machine learning pueden operar a nivel de poliza o de siniestro individual, incorporando covariables como region, ramo, severidad inicial, o tiempo hasta el reporte.
- Modelos basados en arboles (gradient boosting, random forests) que capturan interacciones no lineales entre variables de desarrollo y caracteristicas del riesgo.
- Redes neuronales para triangulos de siniestros, que aprenden patrones de desarrollo flexibles. Una linea de investigacion influyente es la de Wuthrich y colaboradores, que reformula el chain-ladder como una red neuronal y propone extensiones para incorporar informacion adicional, asi como arquitecturas recurrentes para modelar la dinamica temporal de los pagos.
- Modelos de reserva individual, que estiman el desarrollo futuro de cada siniestro abierto, util cuando la cartera es heterogenea o cuando existen cambios estructurales en la mezcla de negocio.
La promesa es doble: mayor precision predictiva y capacidad de adaptarse a entornos cambiantes. El costo es una perdida de transparencia y un mayor riesgo de sobreajuste, lo que obliga a disciplinas de validacion cruzada y de backtesting rigurosas.
Cuantificar la incertidumbre
Cualquiera que sea el metodo, el foco regulatorio actual es la distribucion predictiva, no solo la media. Formalmente, interesa el error de prediccion de la reserva $R$, que suele descomponerse como:
$$ \text{MSEP}(\hat{R}) = \underbrace{\text{Var}(R)}_{\text{process error}} + \underbrace{\text{Var}(\hat{R})}_{\text{estimation error}} $$
Los metodos de machine learning abordan la incertidumbre mediante bootstrap sobre los residuales, enfoques bayesianos, o tecnicas de ensemble que promedian multiples modelos. Un reto abierto es que muchas de estas tecnicas cuantifican bien el riesgo de proceso pero subestiman el riesgo de modelo (model risk), es decir, la incertidumbre de haber elegido una estructura equivocada.
Relacion con Solvencia II
El vinculo con la regulacion es directo. Bajo Solvencia II, las provisiones tecnicas se valuan como la mejor estimacion (best estimate) mas un margen de riesgo, y el capital de solvencia (SCR) del riesgo de reserva se calibra a un value at risk al 99.5 por ciento a un horizonte de un ano. Todo ello exige, precisamente, una distribucion de la reserva, no una cifra unica. Los metodos estocasticos y predictivos son, por tanto, la maquinaria natural para alimentar estos calculos, ya sea via la formula estandar o mediante modelos internos.
En el contexto mexicano, la logica de la valuacion de reservas bajo un enfoque de mejor estimacion mas margen de riesgo, propia del marco regulatorio local, comparte esta misma filosofia de captar la incertidumbre de manera explicita.
El papel del actuario
La analitica predictiva no reemplaza el juicio actuarial: lo potencia. Un modelo de deep learning puede detectar patrones que el chain-ladder ignora, pero es el actuario quien valida su razonabilidad, contrasta resultados contra metodos clasicos y comunica la incertidumbre a la administracion y al regulador. La recomendacion practica es estratificar: usar el chain-ladder y Mack como linea base y control, y reservar los metodos de machine learning para carteras grandes y granulares donde su valor marginal justifica la complejidad. La combinacion de rigor clasico y flexibilidad predictiva es, hoy, el estandar al que aspira la practica moderna de reservas.