| TITOLO | A Contrast-Tree-Based Approach to Two-Population Models |
| RIVISTA | Risk - Life Insurance and Pensions: Latest Advances and Prospects |
| AREA | Actuarial Sciences |
| DATA | Settembre 2024 |
| AUTORE | Matteo Lizzi |
ABSTRACT
This paper investigates the use of a machine learning methodology, called Contrast Trees, to produce life tables for small populations. Specifically, in the context of two-population models, a modification to the Estimation Contrast Boosting technique is introduced to derive projected life tables for small populations, based on national projected life tables. The methodology was tested using data from the Human Mortality Database, with the Italian population used as the reference population, and the Austrian, Slovenian, and Lithuanian populations as the small populations. The results show greater prediction accuracy compared to rescaling of mortality tables, which is the methodology traditionally used in Italian actuarial practice.
Lo studio è pubblicato in Risk - Life Insurance and Pensions: Latest Advances and Prospects
DOWNLOAD ARTICOLO COMPLETO
Lo studio è pubblicato in Risk - Life Insurance and Pensions: Latest Advances and Prospects
DOWNLOAD ARTICOLO COMPLETO
Matteo Lizzi
Matteo Lizzi è membro del Core Faculty di MIB Trieste School of Management, nell'area Scienze Attuariali. È ricercatore affiliato al Centro di Ricerche Assicurative "Ermanno Pitacco".
Lizzi è membro qualificato dell'O.N.A. – l'Ordine Nazionale degli Attuari. Con otto anni di esperienza nel settore assicurativo, principalmente come attuario vita, ha conseguito un dottorato in Scienze Attuariali presso l'Università Sapienza di Roma, con la tesi "Improving Mortality Diagnostics and Estimation through Contrast Trees".
I suoi interessi di ricerca si focalizzano sull'applicazione di tecniche di Machine Learning alle scienze attuariali.
