Over the last years, the application of machine learning methods in the field of financial and actuarial mathematics has become more and more important as they allow analyses in various contexts. In this thesis they are used to investigate stochastically generated paths that are used for risk calculations in life insurance. Due to the large number and complexity of such paths, they cannot be examined individually for their impact on the overall calculation. Different algorithms based on decision trees and random forests are presented and compared, whose goal is to discover patterns in the entirety of the paths. As a reference, an already developed algorithm was used, which is also documented and applied in the thesis. Various data sets of a German life insurance company are analyzed with the algorithms to demonstrate possible applications in practice. Although the focus of the thesis lies on actuarial context the methods can easily be used in other areas where stochastic projections play a role.     «

Over the last years, the application of machine learning methods in the field of financial and actuarial mathematics has become more and more important as they allow analyses in various contexts. In this thesis they are used to investigate stochastically generated paths that are used for risk calculations in life insurance. Due to the large number and complexity of such paths, they cannot be examined individually for their impact on the overall calculation. Different algorithms based on decisio...     »

In den letzten Jahren wird die Anwendung von Machine Learning Methoden im Bereich der Finanz- und Versicherungsmathematik immer bedeutsamer, da sie Analysen in verschiedenstem Kontext ermöglichen. In dieser Arbeit werden sie verwendet, um stochastisch erzeugte Pfade zu untersuchen, die zu Risikoberechnungen in der Lebensversicherung verwendet werden. Aufgrund der großen Anzahl und der Komplexität solcher Pfade können sie nicht individuell darauf untersucht werden, welche Auswirkungen sie auf die Berechnungen haben. Im Rahmen der Arbeit werden verschiedene Algorithmen basierend auf Decision Trees und Random Forests vorgestellt und verglichen, deren Ziel es ist Muster in der Gesamtheit der Pfade zu entdecken. Als Referenz wurde dafür ein bereits entwickelter Algorithmus verwendet, der ebenfalls in der Arbeit dokumentiert und angewendet wird. Verschiedene Datensätze eines deutschen Lebensversicherungsunternehmens werden mit den Algorithmen analysiert, um Anwendungsmöglichkeiten in der Praxis zu demonstrieren. Obwohl der versicherungsmathematische Kontext in dieser Arbeit im Vordergrund steht, können die Verfahren problemlos auch in anderen Bereichen verwendet werden, in denen stochastische Projektionen eine Rolle spielen.     «

In den letzten Jahren wird die Anwendung von Machine Learning Methoden im Bereich der Finanz- und Versicherungsmathematik immer bedeutsamer, da sie Analysen in verschiedenstem Kontext ermöglichen. In dieser Arbeit werden sie verwendet, um stochastisch erzeugte Pfade zu untersuchen, die zu Risikoberechnungen in der Lebensversicherung verwendet werden. Aufgrund der großen Anzahl und der Komplexität solcher Pfade können sie nicht individuell darauf untersucht werden, welche Auswirkungen sie auf d...     »