Construção de Tábuas de Mortalidade com o uso de Redes Neurais LSTM Bidirectional para Predição das Probabilidades de Morte
DOI:
https://doi.org/10.5753/isys.2022.2230Keywords:
Tábua de Mortalidade, Previdência, Expectativa de Vida, Previsão, Modelo Lee-Carter, Redes Neurais, LSTMAbstract
As Tábuas de Mortalidade são tabelas estruturadas contendo dados epidemiológicos traduzidos em probabilidades de morte associada a cada idade de vida, utilizadas no mercado de previdência e seguros. Este artigo discorre sobre a aplicação do modelo de redes neurais para a construção de tábuas de mortalidade futuras, tendo como comparação o modelo Lee-Carter. O modelo proposto foi a Rede LSTM (Long-Short Term Memory), sendo implementada também uma variação bidirecional. Esta rede tem como característica o processamento sequencial de dados ao longo do tempo. Os dados para a predição são oriundos de dados históricos de tábuas de mortalidade elaboradas pelo IBGE (Instituto Brasileiro de Geografia e Estatística) e do The Human Mortality Database. Os resultados apontam para uma utilização razoável como ferramenta auxiliar de predição das probabilidades de morte.
Downloads
Referências
Bishop, C. M. (2006) "Pattern Recognition and Machine Learning". Berlin: Springer.
Bowers Jr., N.L., Gerber, H.U., Hickman, J.C., Jones, D., Nesbitt, C.J. (1986) "Actuarial Mathematics". The Society of Actuaries.
Brownlee, J. (2020) “Long Short-Term Memory Networks with Python”, Edition: v1.7, E-book.
Castro, L. G. (2014) “Nota Técnica sobre a Metodologia adotada pelo Ministério da Previdência Social na Extrapolação das Tábuas de Mortalidade IBGE para as idades acima de 80 anos”. Disponível em: [link]. Acessado em 20/09/2020.
Chollet, F. (2018) “Deep learning with Python”. Shelter Island, NY: Manning Publications Co. Print.
Cordeiro Filho, A. (2017) “Cálculo atuarial aplicado: teoria e aplicações: exercícios resolvidos e propostos”. 2. ed. -[3.Reimpr.]. São Paulo: Atlas.
Escovedo, T. e Koshiyama, A. (2020) “Introdução a Data Science - Algoritmos de Machine Learning e métodos de análise”, Casa do Código.
Goodfellow, I., Yoshua, B., Courville, A. (2016), “Deep Learning”. MIT Press.
Lee, R. D. e Carter, L. R. (1992) “Modelling and Forecasting U.S. Mortality”. Journal of the American Statistical Association. 87, 659-671.
Lindemann, B., Müller, T., Vietz, H., Jazdi, N. Weyrich, M. (2021) “A survey on long short-term memory networks for time series prediction”. Procedia CIRP, v. 99, pp. 650-655.
Lindholm, M., Palmborg, L. (2021) “Efficient Use of Data for LSTM Mortality Forecasting”. SSRN Electronic Journal, January 2021.
London, C. e Layton, E. (1899); New York, The Spectator company; [etc, etc.], Transactions of the second International Actuarial Congress, held in the hall of the Institute of Actuaries, Staple Inn, Holborn, London, May 16 to 20, 1898, by International Congress of Actuaries (2nd : 1898 : London). Disponível em: [link]. Acessado em: 20/09/2020.
Nascimento, J.D. e Escovedo, T. (2021) “Construction of Mortality Tables using LSTM Neural Networks”. In XVII Brazilian Symposium on Information Systems (SBSI).
Nigri, A, Levantesi, S., Marino, M., Scognamiglio, S., Perla, F. (2019) “A Deep Learning Integrated Lee–Carter Model”. Risks, v. 7, 33.
Pascariu, M.D., Canudas–Romo, V., Vaupel, J.W. (1992) “Modelling and forecasting mortality: The Double-Gap Life Expectancy Forecasting Model”. University of Southern Denmark. October.
Perla, F., Richman, R., Scognamiglio, S., Wuthrich, M. V. (2021) “Time-Series Forecasting of Mortality Rates using Deep Learning”. Scandinavian Actuarial Journal, v. 2021, 7.
Petneházi, G., Gáll, J. (2019) “Mortality rate forecasting: can recurrent neural networks beat the Lee-Carter model?”. Disponível em: [link]. Acesso em 20/02/2022.
Pirovano, S. (2020) “Projection of Mortality Tables: A Neural Network Approach”. Master of Science in Statistical and Actuarial Sciences Thesis. Università Cattolica del Sacro Cuore Milano. Disponível em: [link]. Acesso em 20/02/2020.
Rodrigues, J.A. (2008) “Gestão de Risco Atuarial”. 1. ed. São Paulo: Saraiva.
Souza, S. (2007) “Seguros: contabilidade, atuária e auditoria”. 2. ed.. São Paulo: Saraiva.
Zaccone, G., Karim, R., e Menshawy, A. (2018) “Deep Learning with TensorFlow”, Birmingham: Packt Publishing. Print.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2022 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
