Teilnahme am ML-Workshop im Versicherungswesen und Risikomanagement in Kooperation mit der TU München

Finbridge nahm teil am zweitägigen Workshop zu Themen des maschinellen Lernens und Monte-Carlo im Risikomanagement und Versicherungswesen am 15. und 16.09.2022, organisiert von der Technischen Universität München - Forschungsgruppe Finanz- und Versicherungsmathematik.

Wir konnten Einblicke in die gelungenen Umsetzungen von zahlreichen Anwendungen aus der Wirtschaft bekommen, wie bspw. von der ERGO Group AG, ALLIANZ Private Krankenversicherungs AG, B&W Deloitte. Außerdem gab es spannende neue Impulse aus der Forschung und zahlreiche lebhafte Diskussionen.

Folgende spannende Themen wurden behandelt:

  • Credit portfolio selection based on a stochastic gradient descent algorithm: Jan Frederik Mai / XAIA Investment

  • Challenges in classification problems with highly imbalanced classes: A case study on churn prediction: Simon Hatzesberger / Allianz Private Krankenversicherungs AG

  • Detection of Interacting Variables for Generalized Linear Models via Neural Networks: Yevhen Havrylenko / Technische Universität München

  • Deep/Machine Learning in Insurance Input Management Operations: Sebastian Kaiser / Ergo Group AG

  • Deep Calibration: Niklas Walter / Ludwig Maximilian Universität München

  • Generating financial time series with Quant GANs: Ralf Korn /Technische Universität Kaiserslautern

  • Bridging the gap between pricing and reserving with an occurrence and development model for non-life insurance claims: Katrien Antonio / KU Leuven

  • Gauss Process Regression and the Pricing and Hedging of Exotic Derivative Contracts: Wim Schoutens / KU Leuven

  • Rare-Event Simulation in Insurance: Theory and Practice: Hansjörg Albrecher / Université de Lausanne

  • Deep Hedging: Continuous Reinforcement Learning for Hedging of General Portfolios across Multiple Risk Aversions: Phillip Murray / Imperial College London

  • Modelling in a regulatory framework: Gerhard Stahl / HDI Versicherungen

  • Machine Learning in Risk Models – Characteristics and Supervisory Priorities: Matthias Fahrenwaldt / Bundesanstalt für Finanzdienstleistungsaufsicht

  • Confidence Intervals for naive Risk Capital Estimation in Life Insurance: Ralf Werner / Universität Augsburg

  • Economic Scenario Generators: Modelling asset prices with stochastic methods and machine learning: Sebastian Uhl and Doro Rose / Ernst & Young

  • Solvency II Proxy Modelling Using the Internal Model Data Published by DAV: Zoran Nikolic / Universität Köln/B&W Deloitte

 
 
 
 
StrategieIvan BalashovMachineLearning, Finance, Workshop