Risk Management

arXiv Quantitative Finance - Risk Management

Risk Adequacy and Anti-Discrimination in Insurance Pricing: Classification, Aggregation, and Transfers

Открыть оригинал ↗ Перевод заголовка: Риск-адекватность и противодискриминационные аспекты в ценообразовании в страховании: классификация, агрегация и перераспределение

Статья предлагает математическую структуру для построения тарифов в страховании, сочетающую риск-ориентированное ценообразование, покрытие портфеля и запрет на дискриминацию. Авторы разрабатывают многокритериальную модель, в которой тарифы формируются через классификацию рисков, агрегацию базовых цен на риски внутри классов и балансированные перераспределения, а затем оцениваются по нескольким критериям: точности отражения рисков, достаточности капитала для покрытия убытков и отсутствия дискриминации в отношении защищённых групп. В работе доказаны ключевые математические результаты, описывающие взаимосвязи между этими критериями, включая пороги достижимости идеальной адекватности риска, нижние границы неадекватности и условия, при которых объединение классов ухудшает или улучшает показатели. Также анализируются затраты на риск-неадекватность при балансировке перераспределений и условия, при которых улучшение покрытия портфеля сопровождается дополнительными рисками.

Когда пригодится

Материал полезен при разработке тарифов в страховании, где необходимо сбалансировать точность оценки рисков, защиту от дискриминации и финансовую устойчивость портфеля, особенно в условиях строгих регуляторных требований к защищённым группам.

Вопросы для размышления

  1. Как изменяется риск-неадекватность при объединении классов, если защищённые группы распределены неравномерно между ними?
  2. В каких условиях балансированные перераспределения могут привести к снижению неадекватности риска без ухудшения дискриминационных последствий?
  3. Какова сложность вычисления Pareto-фронтов в случае большого числа классов и динамического изменения рисков в течение времени?

Optimal collective investment under regulatory uncertainty

Открыть оригинал ↗ Перевод заголовка: Оптимальное коллективное инвестирование при регуляторной неопределённости

Статья исследует оптимальную стратегию коллективного инвестирования в условиях неопределённости будущих регуляторных требований. Авторы вводят ограничение на риск в виде пороговых значений богатства, при которых требуется обеспечить минимальную вероятность соблюдения, что позволяет защищать инвесторов от нескольких возможных уровней регуляторных требований. В отличие от классических ограничений, основанных на одном пороге, предложенная модель обеспечивает защиту от нескольких порогов, что делает её более устойчивой к неопределённости. Численные результаты показывают, что при высокой вероятности соблюдения даже небольшого порога или при ограниченном начальном капитале, регуляторные ограничения могут кардинально изменять оптимальный портфель и приводить к значительным потерям благосостояния. Эти потери особенно чувствительны к структуре рисковых предпочтений инвесторов и могут быть неравномерно распределены — более рисковые инвесторы несут больший вес потерь, а менее капиталоёмкие — пропорционально больше доли ущерба.

Когда пригодится

Материал полезен при проектировании стратегий инвестирования в условиях неопределённости регуляторной среды, особенно когда требуется оценить влияние неопределённости будущих требований на распределение рисков и благосостояния среди участников.

Вопросы для размышления

  1. В каких условиях защита от двух порогов становится неэффективной, и как это может быть связано с динамикой рисков и вероятностных оценок?
  2. Какова сложность вычисления оптимального портфеля при увеличении числа возможных регуляторных порогов, и как это влияет на практическую применимость модели в реальных условиях?
  3. При каких структурах рисковых предпочтений инвесторов наблюдается наибольшее неравномерное распределение потерь, и как это может быть использовано для оценки устойчивости коллективного инвестирования?

AI

Habr AI

[Перевод] Дерматолог проверил GPT-6 Astra и Claude на 200 образованиях кожи: CNN 2015 года точнее

Открыть оригинал ↗ Перевод заголовка: Дерматолог проверил GPT-6 Astra и Claude на 200 образованиях кожи: CNN 2015 года точнее

Дерматолог-врач провёл независимую проверку двух передовых ИИ-моделей — GPT-6 Astra и Claude Fable 5.1 — на диагностике кожных заболеваний, используя 200 образований с подтверждёнными биопсией диагнозами. Обе LLM ошибались в критически важных случаях, включая меланому, и часто называли доброкачественные образования как опасные. В то же время старая свёрточная нейросеть Inception v3, дообученная на 68 тысячах дерматоскопических снимков, показала более высокую точность — 62% правильных диагнозов против 42% у LLM.

  1. CNN, несмотря на устаревшую архитектуру, достигла высокой точности благодаря специализированному обучению на дерматологических данных и объединению результатов с двух типов снимков.
  2. LLM демонстрируют сильную предвзятость: GPT-6 Astra часто ошибалась, называя меланому базальноклеточной карциномой, а Claude Fable 5.1 — актиническим кератозом, что указывает на проблемы с обобщением.
  3. Важнейший компромисс — CNN не видела тестовых данных во время обучения, что делает её результаты более честными, в отличие от LLM, которые могли получить доступ к MILK10k в процессе обучения.
  4. Ошибки LLM в отпуске пациентов с меланомой (от 3 до 4 случаев) подчёркивают риск их внедрения в клиническую практику без дополнительной проверки.
  5. Точность CNN на безобидных образованиях (37 родинок, 26 себорейных кератозов) значительно превосходит у LLM, что говорит о её лучшей способности к дифференциации.

Когда пригодится

Материал полезен для разработчиков и врачей, рассматривающих внедрение ИИ в дерматологическую диагностику, особенно при оценке рисков ошибок и выборе между современными LLM и устаревшими, но надёжными визуальными моделями.

Вопросы для размышления

  1. Какова вероятность того, что в условиях реальной клиники, где LLM могут видеть обучающие данные MILK10k, их производительность будет сопоставима с CNN, и как это повлияет на их надёжность?
  2. При каких условиях (например, при наличии ансамбля моделей или дополнительных данных) LLM могут превзойти CNN по диагностике кожи, и какова минимальная сложность задачи, при которой это возможно?
  3. Какова оценка риска, связанного с тем, что LLM могут отдавать «уверенные» ответы на безобидные образования, даже если они ошибаются, и как это может повлиять на доверие пациентов к ИИ-системам?

Мастерим суверенного терминального агента из Opencode с помощью Opencode

Открыть оригинал ↗ Перевод заголовка: Мастерим суверенного терминального агента из Opencode с помощью Opencode

Авторы эксперимента построили автономный терминальный агент на базе Open-source LLM и Emacs Lisp, не зависящий от внешних сервисов. Агент работает в локальной среде, используя локальные модели с 8–14 млрд параметров и контекстом до 32К, и реализован в виде порта на Emacs Lisp, который обеспечивает интеграцию с встроенным функционалом Emacs. Важным элементом является встроенная память на основе OWL/RDF-хранилища Apache Jena Fuseki, позволяющая структурировать артефакты задач и поддерживать распределённый обмен знаниями через SPARQL-запросы. Процесс разработки организован по парадигме конечного автомата, где каждый шаг — от генерации кода до тестирования — контролируется и логируется в хранилище.

  1. Какова оптимальная модель LLM (по параметрам и контексту) для генерации стабильного Emacs Lisp-кода при минимальных потерях скобок?
  2. В каких условиях (по сложности задачи, размеру контекста, структуре запроса) LLM начинает отклоняться от конечного результата, не используя начальный набросок кода?
  3. Какой компромисс между масштабом артефактов в хранилище и производительностью выполнения процесса разработки (особенно при работе с большими проектами) может быть наилучшим в распределённой архитектуре?

Когда пригодится

Материал полезен при разработке локальных, автономных ИИ-агентов для программирования, где требуется минимум внешних зависимостей, поддержка гибкой структурированной памяти и интеграция с редактором кода. Особенно актуален для разработчиков, использующих Emacs, и стремящихся к полной автономии от облачных сервисов.

Вопросы для размышления

  1. В каких условиях LLM начинает отклоняться от конечного результата, не используя начальный набросок кода?
  2. Какой компромисс между масштабом артефактов в хранилище и производительностью выполнения процесса разработки может быть наилучшим в распределённой архитектуре?
  3. Какова сложность (по времени и ресурсам) выполнения цепочки корректировок кода в конечном автомате при реальных проектах?

5 терминов из сферы ИИ, которые полезно знать каждому

Открыть оригинал ↗ Перевод заголовка: 5 терминов из сферы ИИ, которые полезно знать каждому

В статье рассматриваются пять ключевых терминов в области искусственного интеллекта, которые помогут любому человеку лучше понимать, как работают ИИ-модели, не просто запоминая определения. Автор объясняет, что ИИ не читает слова, а разбивает текст на токены, что критично для понимания затрат и поведения моделей. Также подробно раскрываются понятия галлюцинации, контекстного окна, температуры и RAG — ключевых элементов, влияющих на точность, надёжность и применимость ИИ-систем.

  1. Токены — основная единица обработки текста в ИИ; модели не читают слова, а фрагменты (токены), количество которых определяет стоимость запроса и объём контекста.
  2. Галлюцинация — ситуация, когда ИИ выдаёт вымышленные факты с полной уверенностью, потому что не ищет информацию, а предсказывает, что кажется вероятным.
  3. Контекстное окно — объём текста, который модель может одновременно хранить и использовать; при его заполнении старые данные удаляются, как в случае с ограниченной памятью.
  4. Температура — параметр, регулирующий степень креативности и предсказуемости ответов: низкая температура даёт точные, скучные ответы, высокая — неожиданные, но рискованные.
  5. RAG (Retrieval-Augmented Generation) — технология, при которой ИИ ищет информацию в собственных документах и передаёт её модели, чтобы ответить на вопрос, не «запоминая» содержимое.

Когда пригодится

Материал особенно полезен при работе с ИИ-инструментами в бизнесе, юриспруденции, медицине или образовании, где необходима достоверность, а не просто креативность. Понимание этих терминов помогает оценивать риски, стоимость и границы применимости ИИ-решений.

Вопросы для размышления

  1. В каких условиях галлюцинация становится особенно опасной, и как можно выявить её в реальных сценариях без прямого тестирования?
  2. Какова сложность и масштаб RAG-систем при работе с документами объёмом более 100 страниц — и как это влияет на производительность и задержки при запросах?
  3. При каких условиях температура может привести к нестабильности выводов в критически важных задачах, например в программировании или юридических консультациях?