Sigorta hasar tutarının kestiriminde tweedie bileşik poisson modeli: Aşırı yayılım modellemesi
Tweedie compound poisson model in predicting insurance claim cost: Overdispersion modelling
- Tez No: 1011183
- Danışmanlar: PROF. DR. FURKAN BAŞER
- Tez Türü: Yüksek Lisans
- Konular: Sigortacılık, Aktüerya Bilimleri, Insurance, Actuarial Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Aktüerya Bilimleri Ana Bilim Dalı
- Bilim Dalı: Aktüerya Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sigorta fiyatlandırmasında doğru ve adil primlerin belirlenmesi hem risk yönetimi hem de sigorta şirketlerinin finansal sürdürülebilirliği açısından temel bir gerekliliktir. Bu bağlamda, poliçe sahiplerine ilişkin gelecekte gerçekleşmesi muhtemel hasar tutarlarının güvenilir biçimde tahmin edilmesi, sigortacılık uygulamalarında kritik bir araştırma konusu olarak öne çıkmaktadır. Bu çalışmada, taşıt sigortası kapsamında gerçekleşen hasar tutarlarının risk faktörlerine bağlı olarak modellenmesi ve kestirimi problemi ele alınmaktadır. Sigorta hasar tutarı verilerinin yarı sürekli yapıda olması; belirgin sıfır yığılma içermesi ve pozitif hasar tutarlarının aşırı sağa çarpık bir dağılım sergilemesi, geleneksel doğrusal modelleme yaklaşımlarının yetersiz kalmasına neden olmaktadır. Bu doğrultuda çalışmada, yarı sürekli veri yapısını tek bir çerçevede modelleyebilen Tweedie bileşik Poisson regresyonu ile modern makine öğrenmesi yöntemleri birlikte kullanılmıştır. Tezde kullanılan veri setleri, araç yaşı, araç değeri, maruziyet süresi, poliçe bilgileri, sürücü özellikleri ve geçmiş hasar kayıtları gibi çok sayıda değişken içermektedir. Çalışma kapsamında Tweedie modelinin kuramsal yapısı ayrıntılı biçimde incelenmiş, makine öğrenmesi yöntemlerinin ise doğrusal olmayan ilişkileri yakalama ve yüksek boyutlu veri yapılarıyla uyum sağlama avantajları incelenmiştir. Uygulama aşamasında Genelleştirilmiş Doğrusal Regresyon, LASSO Regresyon, Ridge Regresyon, Karar Ağaçları, Rasgele Orman, Destek Vektör Makineleri, Yapay Sinir Ağları, XGBoost, LightGBM ve CatBoost algoritmaları kullanılarak model tahminleri gerçekleştirilmiştir. Elde edilen bulgular, uygun performans ölçütleri yardımıyla karşılaştırmalı olarak değerlendirilmiştir. Yarı sürekli sigorta hasar verilerinin modellenmesinde makine öğrenmesi yaklaşımlarından gradyan artırma algoritmalarının, Tweedie regresyonuna veriye uyum açısından iyi bir alternatif olduğu sonucuna ulaşılmıştır.
Özet (Çeviri)
Determining accurate and fair premiums in insurance pricing is regarded as a fundamental requirement for effective risk management and the financial sustainability of insurance companies. In this context, the reliable estimation of future claim amounts associated with policyholders is considered a critical research topic in insurance practice. This study addresses the problem of modelling and predicting claim costs arising from motor vehicle insurance based on risk factors. The semi-continuous nature of insurance claim severity data, characterized by pronounced zero inflation and a highly right-skewed distribution of positive claim amounts, renders traditional linear modeling approaches inadequate. Accordingly, Tweedie compound Poisson regression, which allows semi-continuous data structures to be modelled within a single framework, is combined with modern machine learning methods. The datasets used in this thesis include a wide range of variables such as vehicle age, vehicle value, exposure time, policy information, driver characteristics, and historical claim records. Within the scope of the study, the theoretical structure of the Tweedie model is examined in detail, and the ability of machine learning methods to capture nonlinear relationships and accommodate high-dimensional data structures is investigated. During the empirical analysis, model estimations are performed using Generalised Linear Regression, LASSO Regression, Ridge Regression, Decision Trees, Random Forests, Support Vector Machines, Artificial Neural Networks, XGBoost, LightGBM, and CatBoost. The results are comparatively evaluated using appropriate performance metrics. It is concluded that gradient boosting–based machine learning algorithms provide a strong alternative to Tweedie regression in terms of model fit when modelling semi-continuous insurance claim cost data.
Benzer Tezler
- Bağımlı hasar modellerinde kopula regresyon yaklaşımı
Copula regression approach for dependent loss models
EMİNE SELİN SARIDAŞ
Doktora
Türkçe
2020
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. EYLEM DENİZ HOWE
- Hayat dışı sigortalarda hasar rezervi belirsizliği ve mack modelin bootstrap ile uygulanışı
Reserve uncertainty and bootstraping mack model in non-life insurance
SİNEM ÖZDOĞAN
Yüksek Lisans
Türkçe
2013
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
YRD. DOÇ. LEVEND DURANSOY
- Heterojenliğin sağlık sigortalarında toplam hasar modellerine etkisi
Impact of heterogeneity on aggregate loss models in health insurance
ASLIHAN ŞENTÜRK ACAR
Doktora
Türkçe
2016
Aktüerya BilimleriHacettepe ÜniversitesiAktüerya Bilimleri Ana Bilim Dalı
YRD. DOÇ. DR. UĞUR KARABEY
- Aktüeryal modellemede melez bulanık regresyon analizi
Hybrid fuzzy regression analysis in actuarial modeling
FURKAN BAŞER
- Aktüeryal veri analizinde istatistiksel yaklaşımlar ve bir uygulama
Statistical approaches and application in actuarial data analysis
ŞERİFE BURÇİN YAMAN
Yüksek Lisans
Türkçe
2015
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
YRD. DOÇ. DR. EROL TERZİ