Point estimates of the Standard Chain Ladder method (CLM) and of the more complex Munich Chain Ladder method (MCL) are compared to real data on 38 different datasets in order to evaluate if MCL produces better predictions on average with a dataset from an arbitrary insurance portfolio. MCL is also examined to determine if the future paid and incurred claims converge as time progresses. A bootstrap model based on MCL (BMCL) is examined in order to evaluate its possibility to estimate the probability density function (PDF) of future claims and observable claim development results (OCDR). The results show that the paid and incurred predictions by MCL converge. The results also show that when considering all datasets MCL produce on average better estimations than CLM with paid data but no improvement can be seen with incurred data. Further the results show that by considering a subset of datasets which fulfil certain criteria, or by only considering accident years after 1999 the percentage of datasets in which MCL produce superior estimations increases. When examining BMCL one finds that it can produce estimated PDFs of ultimate reserves and OCDRs, however the mean of estimate of ultimate reserves does not converge to the MCL estimates nor do the mean of the OCDRs converge to zero. In order to get the right convergence the estimated OCDR PDFs are centered and the mean of the BMCL estimated ultimate reserve is set to the MCL estimate by multiplication. / Punktskattningar gjorda med Standard Chain Ladder (CLM) och den mer komplexa Munich Chain Ladder-metoden (MCL) jämförs med verklig data för 38 olika dataset för att evaluera om MCL ger bättre prediktioner i genomsnitt än CLM för en godtycklig försäkringsportfölj. MCLs prediktioner undersöks också för att se om de betalda och de kända skadekostnaderna konvergerar. En bootstrapmodell baserad på MCL (BMCL) undersöks för att utvärdera om möjligheterna att estimera täthetsfunktionen (probability density function, PDF) av framtida skadekostnader och av ”observable claim development results (OCDR)”. Resultaten visar att MCLs estimerade betalda och kända skadekostnader konvergerar. Resultaten visar även att när man evaluerar alla dataseten så ger MCL i genomsnitt bättre prediktioner än CLM med betald data, men ingen förbättring kan ses med CLM med känd skadekostnadsdata. Vidare visar resultaten även att genom att bara titta på dataset som uppfyller vissa krav, eller genom att bara använda olycksår efter 1999, så ökar andelen dataset där MCL ger bättre prediktioner än CLM.Vid evaluering av BMCL ser man att den kan producera estimerade PDF:er för ultimo-reserver och OCDR:er, men att medelvärdet av ultimo-reserv prediktionerna från BMCL inte konvergerar mot MCL-prediktionerna och att medelvärdet av OCDR:erna inte konvergerar mot noll. För att få rätt konvergens så centreras OCDR PDF:erna och ultimo-reservernas medelvärden sätts till motsvarande MCL-prediktionens värde genom multiplikation.

In this thesis we provide a construction of a micro-level reserving model for an economic disability insurance portfolio. The model is based on the mathematical framework developed by Norberg (1993). The data considered is provided by Trygg-Hansa. The micro model tracks the development of each individual claim throughout its lifetime. The model setup is straightforward and in line with the insurance contract for economic disability, with levels of disability categorized by 50%, 75% and 100%. Model parameters are estimated with the reported claim development data, up to the valuation time Τ. Using the estimated model parameters the development of RBNS and IBNR claims are simulated. The results of the simulations are presented on several levels and compared with Mack Chain-Ladder estimates. The distributions of end states and times to settlement from the simulations follow patterns that are representative of the reported data. The estimated ultimate of the micro model is considerably lower than the Mack Chain-ladder estimate. The difference can partly be explained by lower claim occurrence intensity for recent accident years, which is a consequence of the decreasing number of reported claims in data. Furthermore, the standard error of the micro model is lower than the standard error produced by Mack Chain-Ladder. However, no conclusion regarding accuracy of the two reserving models can be drawn. Finally, it is concluded that the opportunities of micro modelling are promising however complemented by some concerns regarding data and parameter estimations. / I detta examensarbete ges ett förslag på uppbyggnaden av en mikro-modell för reservsättning. Modellen är baserad på det matematiska ramverket utvecklat av Norberg (1993). Data som används är tillhandahållen av Trygg-Hansa och berör försäkringar kopplade till ekonomisk invaliditet. Mikro-modellen följer utvecklingen av varje enskild skada, från skadetillfälle till stängning. Modellen har en enkel struktur som följer försäkringsvillkoren för den aktuella portföljen, med tillstånd för invaliditetsgrader om 50%, 75% respektive 100%. Modellparametrarna är estimerade utifrån den historiska utvecklingen på skador, fram till och med utvärderingstillfället Τ. Med hjälp av de estimerade parametrarna simuleras den framtida utvecklingen av RBNS- och IBNR-skador. Resultat av simuleringarna presenteras på era nivåer och jämförs med Mack Chain-Ladder estimatet. Den simulerade fördelningen av sluttillstånd och tid mellan rapportering och stängning, följer mönster som stöds av rapporterade data. Den estimerade slutkostnaden från mikro-modellen är betydlig lägre än motsvarande från Mack Chain-Ladder. Skillnaden kan delvis förklaras av en låg skadeintensitet för de senaste skadeåren, vilket är en konsekvens av färre rapporterade skador i data. Vidare så är standardfelet lägre för simuleringarna från mikro-modellen jämfört med standardfelet för Mack Chain-Ladder. Däremot kan inga slutsatser angående reservsättningsmetodernas precision dras. Slutligen, framförs möjligheterna för mikro-modellering som intressanta, kompletterat med några svårigheter gällande datautbud och parameterestimering.

Three methods for claims reserving are compared on two data sets. The first two methods are the commonly used chain ladder method that uses aggregated payments and the relatively new method, double chain ladder, that apart from the payments data also uses the number of reported claims. The third method is more advanced, data on micro-level is needed such as the reporting delay and the number of payment periods for every single claim. The two data sets that are used consist of claims with typically shorter and longer settlement time, respectively. The questions considered are if you can gain anything from using a method that is more advanced than the chain ladder method and if the gain differs from the two data sets. The methods are compared by simulating the reserves distributions as well as comparing the point estimates of the reserve with the real out-of-sample reserve. The results show that there is no gain in using the micro-level method considered. The double chain lad- der method on the other hand performs better than the chain ladder method. The difference between the two data sets is that the reserve in the data set with longer settlement times is harder to estimate, but no difference can be seen when it comes to method choice. / Tre reservsättningsmetoder jämförs på två dataset. De första två metoderna är den välkända chain ladder-metoden som använder sig av aggregerade utbetalningar samt den relativt nya metoden double chain ladder som förutom utbetalningarna använder sig av antalet anmälda skador. Den tredje metoden baseras på mikro-nivå och kräver information om varje enskild skada, såsom anmälningstid och antalet utbetalningsperioder. De två dataseten som används är ett som innehåller skador med typiskt kortare avvecklingstider och ett som innehåller skador med typiskt längre avvecklingstider. Frågorna som behandlas är om man vinner något på att använda en mer avancerad metod än chain ladder och om det skiljer sig åt mellan dataseten. Metoderna jämförs genom simulering av reserven, men också genom att jämföra punktskattningar med den verkliga reserven. Resultaten visar att man I detta fall inte vinner något på att använda mikro-metoden. Double chain ladder å andra sidan presterar bättre än chain ladder. Skillnaden mellan de två dataseten är att det är svårare att estimera reserven när avvecklingstiden är längre, men ingen skillnad ses när det gäller val av metod

Loss reserving in P&C insurance, is the common practice of estimating the insurer’sliability from future claims it will have to pay out on. In the recent years, it has beenpopulartoexploretheoptionsofforecastingthislosswiththehelpofmachinelearningmethods. This is mainly attributed to the increase in computational power, openingup opportunities for handling more complex computations with large datasets. ThemainfocusofthispaperistoimplementandevaluatearecurrentneuralnetworkcalledthedeeptrianglebyKuoformodellingpaymentsofindividualreportedbutnotsettledclaims. The results are compared with the traditional Chain Ladder method and abaseline model on a simulated dataset provided by Wüthrich’s simulation machine.The models were implemented in Python using Tensorflow’s functional API. Theresults show that the recurrent neural network does not outperform the Chain Laddermethod on the given data. The recurrent neural network is weak towards the sparseand chaotic nature of individual claim payments and is unable to detect a stablesequential pattern. Results also show that the neural network is prone to overfitting,whichcantheoreticallybecompensatedwithlargerdatasetbutcomesatacostintermsof feasibility. / Reservsättninginomskadeförsäkringhandlaromattberäknaframtidakostnaderavenförsäkringsgivare. Under de senaste åren har det blivit allt populärare att undersökatillämpningen av olika statistiska inlärningsmetoder inom reservsättning. Den häruppsatsensyftartillattimplementeraochutvärderaettåterkommandeneuraltnätverksom kallas för ”deeptriangle by Kuo” för att modellera utbetalningar av individuellarapporterade men icke­färdigbetalda försäkringsfordringar. Resultaten kommer attjämföras med den traditionella Chain Ladder metoden samt en grundmodell på ettsimulerat dataset som tillhandahålls av ”Wüthrichs simulation machine”. Modellernaimplementeras i Python med hjälp av Tensorflows Functional API. Resultatet är attdetåterkommandeneuralanätverketinteöverträffarChainLaddermetodenmeddengivna datan. Det återkommande neurala nätverket har svårigheter för att känna igenmönster i datamängder som individuella skadebetalningar eftersom datamängden tillsin natur är spridd och kaotisk. Resultaten visar också att det neurala nätverket ärbenäget att överanpassa, vilket teoretiskt kan kompenseras med en större datamängdmen som i sin tur bidrar till en risk för ogenomförbarhet.