Early warning model with machine learning for Turkish Insurance Sector

Abstract

Erken Uyarı modellerine ilgili paydaşların riskleri görmezden gelerek daha kötü sonuçlara sebep olmamaları adına gerek duyulmaktadır. Sigorta sektörü özelinde bu risk, yükümlülükleri karşılama ve bunun sürdürülebilirliği ile ilgilidir. Bu çalışmada, sigorta şirketlerinin finansal tablolarından elde edilen oranlar ile bir erken uyarı modeli oluşturulmuştur. Bu modelin amacı şirketlerdeki risk alanlarını tespit etmek ve mali bünyenin güçlendirilmesini ve zamanında önlem alınmasını desteklemektir. Verilerin yıllık dönemlerden oluşması nedeniyle sadece hayat dışı sigorta şirketleri analize dahil edilmektedir. Türkiye Sigorta Birliği tarafından ilan edilen yıllık bilanço ve gelir tabloları ile T.C. Hazine ve Maliye Bakanlığı'nın yayınladığı sigortacılık ve bireysel emeklilik faaliyetleri hakkındaki yıllık raporlar, şirketler bazında incelenmiş ve modelde kullanılacak oranlar hesaplanmıştır. Veri seti 2011-2018 yılları arasında faaliyet gösteren tüm hayat dışı sigorta şirketlerinin mali tablolarından elde edilen 70 finansal orandan oluşmaktadır. Sınıflandırmalar; alacak, likidite, piyasa, reasürans, üretim, teknik karşılıklar, itibar, operasyon, karlılık ve sermaye riskleri olarak belirlenmiştir. Oluşturulan modelde, 2011-2017 yılları verisi kullanılarak 2018 yılında gerçekleşen değerler makine öğrenimi yöntemleri ile tahmin edilmektedir. Analiz yöntemleri olarak Rastgele Orman, Sinir Ağları, Gradyan Güçlendirme Makinesi ve Aşırı Gradyan Güçlendirme ve özellik seçimi yöntemi olarak Boruta kullanılmıştır. Bağımlı değişken olarak sermaye yeterlilik oranı seçilmiştir. Diğer 69 oran bağımsız değişkenlerdir ve bu set Boruta yöntemiyle 22 bağımsız değişkene düşürülmüştür. 69 ve 22 bağımsız değişkenli iki veri setine de analiz yapılarak sonuçlar karşılaştırılmıştır. Ayrıca, bahsi geçen 38 hayat dışı sigorta şirketine ait 2018 yılı verileri farklı makine öğrenimi yöntemleriyle tahmin edildikten ve ilgili aşama sınıfına yerleştirildikten sonra, 2018 gerçekleşmeleriyle uyumluluğu değerlendirilmiştir. En iyi tahmin doğruluğu /%87 ile Rastgele Orman ve Gradyan Güçlendirme Makinesi yöntemlerine aittir. 22 bağımsız değişkeni ile tahmin gücü azalmaktadır ancak yine de sonuçlar birbirine yakındır. Ardından sermaye yeterliliği sınıflandırması üzerinden makine öğrenmesi modellerinin performansları karşılaştırılmıştır. Bu karşılaştırmada en iyi tahmin gücüne sahip yöntem /%95 doğruluk ile Sinir Ağlarıdır.

Early warning models are needed to ensure that relevant stakeholders would not cause worse outcomes by ignoring the risks. Specific to the insurance sector, this risk is about meeting the obligations and its sustainability. In this study, an early warning model is formed using the ratios obtained from the financial statements of insurance companies. The goal of the model is to identify the risk areas and to support the strengthening of the financial structure and taking timely measures in companies. Since the data consisted of annual periods, only non-life insurance companies are included in the analysis. The annual balance sheet and statements of income declared by the Insurance Association of Turkey (IAT) and the annual reports about insurance and private pension activities published by The Republic of Turkey Ministry of Treasury and Finance (TRMTF) are examined based on companies, and ratios to be used in the model are calculated. The data set is composed of 70 financial ratios obtained from the financial statements of all non-life insurance companies operating between 2011-2018. Classifications are determined as credit, liquidity, market, reinsurance, underwriting, technical provisions, reputational, operational, profitability, and capital risks. In the developed model, the values realized in 2018 are estimated with machine learning methods by using the data of 2011-2017. Random Forest, Neural Networks, Gradient Boosting Machine and Extreme Gradient Boosting are used as analysis methods, and Boruta is used as a feature selection method. Capital requirement ratio is chosen as the dependent variable. The other 69 ratios are the independent variables and this set is reduced to 22 independent variables by the Boruta method. Analyzes are conducted on two datasets with 69 and 22 independent variables and the results are compared. Furthermore, after predicting the 2018 values for above mentioned 38 non-life insurance companies and doing stage classifications with those values, whether the actual stages match with the predicted stages is evaluated. The best estimate accuracy belongs to Random Forest and Gradient Boosting Machine methods with 87/%. The predictive power decreases with 22 independent variables, but the results are still close to each other. Then, performances of machine learning models are compared over capital adequacy classification. In this comparison, the best predictive method is Neural Networks with 95/% accuracy.