Proyectar la mortalidad futura es una de las tareas mas delicadas de la actuaria moderna. De la calidad de esas proyecciones depende el precio de una renta vitalicia, la suficiencia de una reserva de pensiones y la solvencia de una cartera de seguros de vida. Durante casi tres decadas, el marco de referencia ha sido el modelo Lee-Carter, publicado en 1992. Hoy, sin embargo, un cuerpo creciente de investigacion muestra que las redes neuronales y el deep learning pueden capturar patrones que los modelos clasicos dejan escapar.
El modelo Lee-Carter y su logica
La idea de Ronald Lee y Lawrence Carter es elegante por su simplicidad. La tasa central de mortalidad a la edad $x$ en el ano $t$ se modela como:
$$\ln(m_{x,t}) = a_x + b_x \, k_t + \varepsilon_{x,t}$$
donde $a_x$ describe el perfil promedio de mortalidad por edad, $k_t$ es un indice temporal que resume la evolucion general de la mortalidad, y $b_x$ mide la sensibilidad de cada edad a los cambios de ese indice. Una vez estimados los parametros (habitualmente por descomposicion en valores singulares), el indice $k_t$ se proyecta con un modelo de series de tiempo, tipicamente un paseo aleatorio con deriva, para obtener las tasas futuras.
El exito del modelo se explica por su parsimonia, su transparencia y su capacidad de generar intervalos de confianza. Es facil de comunicar a reguladores y comites tecnicos, y sirve como base de variantes posteriores, como los modelos de Renshaw-Haberman con efecto cohorte o la familia de Cairns-Blake-Dowd para edades avanzadas.
Los limites del enfoque clasico
Las limitaciones de Lee-Carter son bien conocidas. Al asumir una estructura bilineal, impone que el efecto del tiempo sobre cada edad sea proporcional y estable, lo que rara vez se cumple. El modelo trata cada poblacion de forma aislada, de modo que analizar ambos sexos, varios paises o distintos subgrupos exige modelos separados, perdiendo informacion comun. Ademas, captura mal las interacciones no lineales entre edad, periodo y cohorte.
Estas restricciones importan porque los errores de proyeccion se traducen en riesgo de longevidad: la posibilidad de que los asegurados y pensionados vivan sistematicamente mas de lo previsto. Para un fondo de pensiones o una aseguradora de rentas vitalicias, subestimar la mejora de la mortalidad puede erosionar reservas durante decadas.
La entrada de las redes neuronales
Aqui es donde el trabajo de Ronald Richman y Mario Wuthrich ha sido determinante. En una serie de articulos, entre ellos su propuesta de una red neuronal para mortalidad de multiples poblaciones, muestran que una arquitectura de deep learning puede aprender de forma conjunta la mortalidad de muchas poblaciones a la vez, compartiendo estructura y mejorando la precision predictiva respecto a Lee-Carter ajustado poblacion por poblacion.
Las ventajas conceptuales son varias:
- No linealidad: las redes aproximan relaciones complejas entre edad, periodo, cohorte y caracteristicas de la poblacion sin imponer una forma funcional rigida.
- Aprendizaje conjunto: mediante embeddings, la red representa cada pais, sexo o subgrupo como un vector aprendido, capturando similitudes latentes entre poblaciones.
- Flexibilidad de datos: pueden incorporar covariables adicionales y estructuras temporales mediante redes recurrentes o convolucionales.
Richman y Wuthrich han documentado que estos modelos suelen reducir el error de pronostico fuera de muestra frente a los clasicos, sobre todo con datos de multiples poblaciones como los de la Human Mortality Database. Un hallazgo recurrente es que las redes pueden reproducir a Lee-Carter como caso particular y luego mejorarlo, lo que las convierte en una generalizacion natural mas que en una ruptura.
Por que importa para pensiones y seguros de vida
La relevancia practica es directa. Una proyeccion mas fina de la mortalidad se traduce en:
- Mejor calibracion de reservas para rentas vitalicias y planes de beneficio definido.
- Precios mas ajustados en seguros de vida y productos de longevidad.
- Evaluacion mas realista del riesgo de longevidad para capital y transferencia de riesgo, por ejemplo en longevity swaps.
Con poblaciones que envejecen y sistemas de pensiones bajo presion, reducir el sesgo sistematico en las proyecciones tiene un valor economico considerable.
El reto de la interpretabilidad
El principal costo de esta potencia es la interpretabilidad. Un modelo con miles de parametros es dificil de explicar a un consejo directivo o a un regulador acostumbrado a la transparencia de $a_x$, $b_x$ y $k_t$. Esto plantea preguntas de gobernanza: como validarlo, como auditar su comportamiento en escenarios extremos y como garantizar que no sobreajusta el ruido historico.
La investigacion responde por varias vias: diseñar arquitecturas que conserven una estructura interpretable incorporando la forma de Lee-Carter dentro de la red, o aplicar tecnicas de explainable AI para atribuir predicciones a variables concretas. Wuthrich ha insistido en la validacion rigurosa, el control del sobreajuste y la reproducibilidad como condiciones para el uso responsable de estos modelos.
Una transicion, no un reemplazo
La lectura mas sensata no es que las redes neuronales sustituyan a Lee-Carter, sino que amplian el conjunto de herramientas del actuario. El modelo clasico sigue siendo un excelente punto de partida, un benchmark y una via de comunicacion. Las redes aportan capacidad predictiva y aprendizaje conjunto entre poblaciones, a cambio de mayor exigencia en validacion y explicabilidad.
Para el actuario mexicano, familiarizarse con estos metodos no es un lujo academico. La combinacion de bases de datos mas ricas, mayor capacidad de computo y marcos regulatorios que exigen modelos robustos hace que el deep learning en mortalidad pase, poco a poco, a la practica profesional.
Referencias
- Lee, R. y Carter, L. (1992). Modeling and forecasting U.S. mortality. Journal of the American Statistical Association.
- Richman, R. y Wuthrich, M. V. A neural network extension of the Lee-Carter model to multiple populations. Annals of Actuarial Science.
- Richman, R. AI in actuarial science. Annals of Actuarial Science.
- Cairns, A., Blake, D. y Dowd, K. Modelos estocasticos de mortalidad.