Este trabajo se centra en la aplicación de modelos lineales generalizados (GLM) en el ámbito del seguro de automóviles, utilizando para ello una base de datos sintética compuesta por 100.000 pólizas por una aseguradora. El objetivo principal es analizar en profundidad la influencia de diversos factores de riesgo en las dos variables clave del seguro de autos: el número de siniestros y el coste asociado a los mismos, con el fin de estimarlas de manera más precisa y fundamentada. Para llevar a cabo este objetivo presentaremos un método de selección de variables desarrollado recientemente cómo es la selección hacia adelante (forward) y la eliminación hacia atrás (backward), que permiten optimizar la especificación de los modelos y mejorar la interpretación de los resultados. Además, se valida la capacidad predictiva de los modelos mediante la división de la base de datos en conjuntos de entrenamiento y prueba, lo que garantiza una evaluación más robusta y realista de su rendimiento.

This study explores the application of Generalized Linear Models (GLMs) within the context of automobile insurance, using a synthetic dataset comprising 100,000 policies generated by an insurance company. The primary objective is to assess the impact of various risk factors on two key variables in motor insurance: the number of claims and their associated costs. By doing so, the study aims to improve the precision and robustness of these estimates. To achieve this, we implement two widely used variable selection techniques, forward selection and backward elimination, which enhance model specification and interpretability. Furthermore, the dataset is split into training and testing sets to evaluate the predictive power of the models, ensuring a more realistic and robust performance assessment.

Máster Universitario en Ciencias Actuariales y Financieras (M124)