Magyar halandósági ráták előrejelzése visszacsatolt neurális hálózatokkal = Forecasting Hungarian mortality rates with Recurrent Neural Networks

Abstract

A Lee–Carter-modell régóta a legnépszerűbb halandóság-előrejelző modell, azonban az utóbbi években az aktuáriustudomány területén is egyre gyakrabban készülnek előrejelzések gépi tanulási módszerekkel. Tanulmányunkban visszacsatolt neurális hálózatokkal modellezzük a magyar férfiés női halandósági adatokat az 1950-es évektől 2020-ig, 0 és 99 éves életkorok között. A neurális hálózatokkal kapott előrejelzéseket összevetjük a klasszikus Lee–Carter-modell előrejelzéseivel, majd elemezzük, hogy az egyes életkorok és naptári évek mentén melyik modell teljesít jobban. Eredményeink azt mutatják, hogy jelentősen javíthatók a Lee–Carter-modell előrejelzései neurális hálózatok felhasználásával. A pontosabb előrejelzéseket alkalmazva újra lehet gondolni egyes aktuáriusi és nyugdíjszámításokat. = The Lee–Carter model is one of the most popular models for mortality forecasting, but machine learning solutions are increasingly popular in actuarial science. In recent years, authors have tried to forecast mortality rates with different types of neural networks. This paper introduces these neural network approaches on Hungarian mortality rates between age 0 and 99 from 1950 to 2020. We use the classical Lee–Carter model and LSTM neural networks for mortality modeling. Our paper analyses the residuals by age group and calendar year on the test set (from 2005 to 2020) and compares the results of the Lee–Carter and LSTM models. Our results show that LSTM networks give more accurate forecasts on Hungarian mortality data. With these forecasts, one can reconsider the expectations about the pension system or improve the accuracy of actuarial calculations.