I Sverige år 2005 tillkom en ny reglering avseende svensk försäkringsavtalsrätt: försäkringsavtalslagen (2005:104). Grundsyftet med den nya lagen var att ge försäkringstagarna ett starkt skydd vid alla typer av försäkringar. Syftet var även att bidra till bättre förutsättningar för goda marknadsförhållanden inom försäkringsbranschen. I dag har dock Sverige bland annat en koncentrerad sakförsäkringsmarknad, där konkurrensmöjligheterna för de mindre aktörerna på marknaden inte står i proportion till konkurrensmöjligheterna för de fem största aktörerna på marknaden.  Sakförsäkringstagarnas möjligheter att byta försäkringsbolag är också relativt små, bland annat på grund av att försäkringsbolagen utnyttjar reglerna i försäkringsavtalslagen. Uppsatsen undersöker vad det är som utgör hinder för kundrörligheten och konkurrensen på den svenska sakförsäkringsmarknaden. I analysen läggs det fram olika lösningar bland annat med hjälp av att en komparativ metod har använts för att jämföra svensk rätt med andra nordiska länders rätt, närmare bestämt Danmarks och Norges. I dessa länder har det nämligen redan vidtagits åtgärder för att öka kundrörligheten och konkurrensen på deras respektive sakförsäkringsmarknader. Statistik över de tre olika marknaderna har även presenterats för att visa hur utvecklingen av sakförsäkringsbolagens andelar har sett ut de senaste tio åren på respektive marknad. Även svensk konkurrensrätt har analyserats för att undersöka huruvida de rabatt- och bonussystem som sakförsäkringsbolagen använder sig av skulle kunna anses utgöra hinder för kundrörligheten och konkurrensen. Slutsatsen är dock att det är försäkringsavtalslagens bestämmelse om maximalt tillåten bindningstid i kombination med uppsägningsreglerna i försäkringsavtalslagen som utgör det främsta hindret på sakförsäkringsmarknaden. Genom en ändring i försäkringsavtalslagens bestämmelse om uppsägning i förtid skulle kundrörligheten och konkurrensen på den svenska sakförsäkringsmarknaden kunna öka. Ändringen skulle innebära en avgiftsfri flytträtt för sakförsäkringstagaren. Sakförsäkringstagaren blir därmed friare i sitt val av sakförsäkringsbolag, vilket i sin tur ökar försäkringsbolagens vilja att konkurrera på andra sätt än genom att utnyttja reglerna i försäkringsavtalslagen.

Loss reserving in P&C insurance, is the common practice of estimating the insurer’s liability from future claims it will have to pay out on. In the recent years, it has been popular to explore the options of forecasting this loss with the help of machine learning methods. This is mainly attributed to the increase in computational power, opening up opportunities for handling more complex computations with large datasets. The main focus of this paper is to implement and evaluate a recurrent neural network called the deeptriangle by Kuo for modelling payments of individual reported but not settled claims. The results are compared with the traditional Chain Ladder method and a baseline model on a simulated dataset provided by Wüthrich’s simulation machine.  The models were implemented in Python using Tensorflow’s functional API. The results show that the recurrent neural network does not outperform the Chain Ladder method on the given data. The recurrent neural network is weak towards the sparse and chaotic nature of individual claim payments and is unable to detect a stable sequential pattern. Results also show that the neural network is prone to overfitting, which can theoretically be compensated with larger dataset but comes at a cost in terms of feasibility. / Reservsättning inom skadeförsäkring handlar om att beräkna framtida kostnader av en försäkringsgivare. Under de senaste åren har det blivit allt populärare att undersöka tillämpningen av olika statistiska inlärningsmetoder inom reservsättning. Den här uppsatsen syftar till att implementera och utvärdera ett återkommande neuraltnätverk som kallas för ”deeptriangle by Kuo” för att modellera utbetalningar av individuella rapporterade men icke­ färdigbetalda försäkringsfordringar. Resultaten kommer att jämföras med den traditionella Chain Ladder metoden samt en grundmodell på ett simulerat dataset som tillhandahålls av ”Wüthrichs simulation machine”. Modellerna implementeras i Python med hjälp av Tensorflows Functional API. Resultatet är att det återkommande neurala nätverket inte överträffar Chain Ladder metoden med den givna datan. Det återkommande neurala nätverket har svårigheter för att känna igen mönster i datamängder som individuella skadebetalningar eftersom datamängden till sin natur är spridd och kaotisk. Resultaten visar också att det neurala nätverket är benäget att överanpassa, vilket teoretiskt kan kompenseras med en större datamängd men som i sin tur bidrar till en risk för ogenomförbarhet.

Most non-life insurers and many creditors use regressions, more specifically Generalized Linear Models (GLM), to price their liabilities. One limitation with GLMs is that interactions between predictors are handled manually, which makes finding interactions a tedious and time-consuming task. This increases the cost of rate making and, more importantly, actuaries can miss important interactions resulting in sub-optimal customer prices. Several papers have shown that Gradient Tree Boosting can outperform GLMs in insurance pricing since it handles interactions automatically. Insurers and creditors are however reluctant to use so-called ”Black-Box” solutions for both regulatory and technical reasons. Tree-based methods have been used to identify pricing errors in regressions, albeit only as ad-hoc solutions. The authors instead propose a systematic approach to automatically identify and evaluate interactions between predictors before adding them to a traditional GLM. The model can be used in three different ways: Firstly, it can create a table of statistically significant candidate interactions to add to a GLM. Secondly, it can automatically and iteratively add new interactions to an old GLM until no more statistically significant interactions can be found. Lastly, it can automatically create a new GLM without an existing pricing model. All approaches are tested on two motor insurance data sets from a Nordic P&C insurer and the results show that all methods outperform the original GLMs. Although the two iterative modes perform better than the first, insurers are recommended to mainly use the first mode since this results in a reasonable trade-off between automating processes and leveraging actuaries’ professional judgment. / De flesta skadeförsäkringsbolag och många långivare använder regressioner, mer specifikt generaliserade linjära modeller (GLM), för att prissätta sina skulder. En begräsning med GLM:er är att interaktioner mellan exogena variabler hanteras manuellt, vilket innebär att hanteringen av dessa är tidskrävande. Detta påverkar försäkringsbolags lönsamhet på flera sätt. För det första ökar kostnaderna för att skapa tariffer och för det andra kan aktuarier missa viktiga interaktioner, vilket resulterar i suboptimala kundpriser. Tidigare forskning visar att Gradient Boosting kan överträffa GLM:er inom försäkringsprissättning eftersom denna metod hanterar interaktioner automatiskt. Försäkringsbolag och kreditgivare är dock motvilliga till att använda så kallade ”Black-box-lösningar” på grund av både regulatoriska och tekniska skäl. Trädbaserade metoder har tidigare använts för att hitta felprissättningar i regressioner, dock endast genom situationsanpassade lösningar. Författarna föreslår i stället en systematisk metod för att automatiskt identifiera och evaluera interaktioner innan de inkluderas i en traditionell GLM. Modellen kan användas på tre olika sätt: Först och främst kan den användas för att skapa en tabell med statistiskt signifikanta interaktioner att addera till en existerande GLM. Utöver detta kan den iterativt och automatiskt lägga till sådana interaktioner tills inga fler återstår. Slutligen kan modellen också användas för att skapa en helt ny GLM från grunden, utan en existerande prissättningsmodell. Metoderna testas på två motorförsäkringsdataset från ett nordiskt skadeförsäkringsbolag och resultaten visar att alla överträffar originalregressionen. Även om de två iterativa metoderna överträffar den första metoden rekommenderas försäkringsbolag att använda den första metoden. Detta eftersom den resulterar i en rimlig avvägning mellan att automatisera processer och att nyttja aktuariers omdömesförmåga.

Sammanfattning I Europa samt i vår övriga omvärld har hotet från terrorister under de senaste åren ökat. Därför är det av betydelse att försäkringsskydd finns att tillgå när eller om vi drabbas av terroristers våldshandlingar, för att åtminstone mildra vårt ekonomiska lidande. I denna masteruppsats får läsaren bland annat bekanta sig med vilka försäkringsmöjligheter som de större försäkringsgivarna har att erbjuda privatpersoner samt företag, avseende skada som har orsakats av terrorism. I uppsatsen behandlas försäkringar där skydd mot terrorism undantas helt eller till vissa delar. Detta gör det betydelsefullt att analysera i vilken utsträckning försäkringsbolag har rätt att undanta terrorrisker samt vilket rörelseutrymme försäkringsbolag har beträffande att inte uppställa undantag för nämnda risker. Vidare framförs resonemang om hur samhället påverkas av att försäkringsskydd, i vissa fall, saknas på området samt hur rimligt det är att försäkringsbranschen saknar en gemensam definition av terrorism. Terrorism kan ibland klassificeras som krigsliknande händelse. I uppsatsen behandlas därför också frågor om hur klassificeringen teoretiskt sett kan komma att påverka försäkringsersättningen vid ett eventuellt terrorscenario.