Anlisis numrico avanzado

Ctedra: Javier Garca Fronti

Cronograma 1er cuatrimestre 2016
Martes y viernes de 7 a 9hs

La materia y la actividad profesional del actuario

Los modelos de riesgos tradicionales utilizados en el mercado se basan en la probabilidad y en la teora
clsica de conjuntos. Muchos profesionales emplean complejos modelos estocsticos de evaluacin
de riesgos para enfrentar contextos inciertos, aunque no siempre se cuente con informacin completa
y objetiva para su clculo. La falta de datos estadsticos y la ignorancia de ciertas relaciones de causa
y efecto, hacen difcil evaluar el grado de exposicin a ciertos peligros. Como una alternativa para
contemplar esta problemtica, hace ya algunos aos surgieron modelos que amplan el alcance,
basndose en la teora de conjuntos difusos y la lgica difusa, siendo tiles para el anlisis de riesgos
en contextos de conocimiento insuficiente, con datos imprecisos o donde la opinin de expertos juega
un rol fundamental.
La aplicacin de la lgica difusa al campo actuarial ha sido estudiada en un grupo de investigacin
conjunto entre la Casualty Actuarial Society (CAS), Canadian Institute of Actuaries, y the Society of
Actuaries' Joint Risk Management Section1.
Esta materia optativa desarrolla sus contenidos mnimos en lnea con el mencionado grupo de
investigacin. Se estudian reas del conocimiento actuarial donde los modelos de lgica difusa se
pueden aplicar para mejorar la evaluacin del riesgo y el riesgo de la toma de decisiones. Se discute
la metodologa y el proceso de utilizacin de los sistemas de lgica difusa para la gestin de riesgos y
su implementacin computacional.

Contenidos mnimos (aprobados por Consejo Directivo, Resolucin 1749/07)

Concepto de conjunto y nmero borroso. Operaciones y propiedades. Modelos lingsticos.
Nmeros hbridos. Programacin matemtica Fuzzy. Relaciones binarias borrosas.
Aplicaciones al campo Actuarial, a la Gestin y a la Economa.

El informe completo se encuentra disponible en la web de la SOA: https://www.soa.org/Research/ResearchProjects/Risk-Management/research-2013-fuzzy-logic.aspx

Introduccin a la
lgica borrosa

Nociones
financieras en
contextos hbridos

Gestin de riesgos
corporativos en
contextos hbridos

Fecha
18/03/2016
22/03/2016
25/03/2016
29/03/2016
01/04/2016
05/04/2016
08/04/2016
12/04/2016
15/04/2016
19/04/2016
22/04/2016
26/04/2016
29/04/2016
03/05/2016
06/05/2016
10/05/2016
13/05/2016
17/05/2016
20/05/2016
24/05/2016
27/05/2016
31/05/2016
03/06/2016
07/06/2016
10/06/2016
14/06/2016
17/06/2016
21/06/2016
24/06/2016
28/06/2016

Contenido
Introduccin: Gestin de riesgos y lgica difusa
Conjuntos difusos. Propiedades. Nivel alfa.
Feriado
Operaciones bsicas
Operaciones bsicas
Modelos lingusticos
El proceso de decisin
Aritmetica
Aritmetica
Distancia y criterios de ordenamiento
VAN y TIR en contextos hbridos
Opciones en conextos hbridos
Gestin de activos y pasivos (ALM)
Portafolio de mnimo riesgo
Inferencia
Cobertura
Implementacin computacional
Repaso
Parcial
Gestin de riesgos. Estructura jerrquica
Inclusin de la opinin de expertos
Caso 1: Clasificacin de riesgos hbrida
Caso 2: Clculo del VaR y capital econmico
Caso 3: Clculo del riesgo reputacional
Implementacin computacional
Entrega trabajo final

Bibliografa
Casparri, MT & Garca Fronti, J (1996). Inversin en ambiente incierto. PseudoTir. Trabajo
presentado en el III Congreso de la Sociedad Internacional de Gestin y Economa Fuzzy.
Chang C & Wang P (1995) The matching of assets and liabilities with fuzzy mathematics. 25th
International Congress of Actuaries.
Dubois, D. & Prade, H. (Eds.). (2012). Fundamentals of fuzzy sets (Vol. 7). Springer Science
& Business Media.
Guo L, Huang Z (1996) A possibilistic linear programming method for asset allocation. Journal
of Actuarial Practice 2:6790
Kaufmann, A. (1982) Introduccin a la teora de los subconjuntos borrosos. CECSA, Mxico.
Lazzari, L.; Machado, A.M.; Prez, R.H. (1998). Teora de la decisin fuzzy. Ediciones Macchi,
Buenos Aires.
Shang, K. & Hossen, Z. (2013). Applying fuzzy logic to risk assessment and decisionmaking. Canadian
institute
of
actuaries.
https://www.soa.org/Research/Research-Projects/RiskManagement/research-2013-fuzzy-logic.aspx

Shapiro, A. F. (2007). An overview of insurance uses of fuzzy logic. In Computational

Intelligence in Economics and Finance (pp. 25-61). Springer Berlin Heidelberg.

Bibliografa complementaria
Abraham A, Nath B & Mahanti PK (2001) Hybrid intelligent systems for stock market analysis. In: Alexandrov VN,
Dongarra JJ, Juliano BA, Renner RS (eds) Computational science. Springer-Verlag Germany, San Francisco,
USA:337345
Brockett PL & Xia X (1995) Operations research in insurance: a review. Transactions of Society of Actuaries 47:7
87
Buckley JJ (1987) The fuzzy mathematics of nance. Fuzzy Sets and Systems 21:257 273
Buehlmann N, Berliner B (1992) Fuzzy zooming of cash ows. 24th TICA 6:437453
Calzi ML (1990) Towards a general setting for the fuzzy mathematics of nance. Fuzzy Sets and Systems 35:265
280 13.
Carretero RC (2003) Fuzzy logic techniques in the non-life insurance industry. In: Shapiro AF, Jain LC (eds)
Intelligent and other computational techniques in insurance: theory and applications. World Scientic Publishing
Company:229257
Chang C (2003) A fuzzy set theoretical approach to asset and liability management and decision making. In:
Shapiro AF, Jain LC (eds) Intelligent and other computational techniques in insurance: theory and applications.
WorldScienticPublishing Company:301 333
Chang C & Wang P (1995) The matching of assets and liabilities with fuzzy mathematics. 25th International
Congress of Actuaries, 123
Chen JJG & He Z (1997) Using analytic hierarchy process and fuzzy set theory to rate and rank the disability.
Fuzzy Sets and Systems 88:122
Cox E (1995) A fuzzy system for detecting anomalous behaviors in healthcare provider claims. In: Goonatilake S,
Treleven P (eds) Intelligent systems for nance and business. John Wiley & Sons:111135
Cummins JD & Derrig RA (1993) Fuzzy trends in property-liability insurance claim costs. Journal of Risk and
Insurance 60:429465 23. Cummins JD, Derrig RA (1997) Fuzzy nancial pricing of property-liability insurance.
North American Actuarial Journal 1(4):21
Derrig RA & Ostaszewski KM (1995a) Fuzzy techniques of pattern recognition in risk and claim classication.
Journal of Risk and Insurance 62:447482
Derrig RA & Ostaszewski KM (1999) Fuzzy sets methodologies in actuarial
ZimmermanHJ(ed)Practicalapplicationsoffuzzytechnologies.KluwerAcademicPublishers

science.

In:

Ebanks B, Kanvowski W & Ostaszewski KM (1992) Application of measures of fuzziness to risk classication in
insurance. In: Proceedings of the fourth international conference on computing and information: computing and
information. IEEE Computer Society Press, Los Alamitos, California:290291
Erbach DW & Seah E (1993) Discussion of The Application of Fuzzy Sets to Group Health Underwriting by Young
VR. Transactions of the Society of Actuaries 45:585
Guo L & Huang Z (1996) A possibilistic linear programming method for asset allocation. Journal of Actuarial
Practice 2:6790 37.
Horgby P, Lohse R & Sittaro N (1997) Fuzzy underwriting: an application of fuzzy logic to medical underwriting.
Journal of Actuarial Practice 5(1):79
Jablonowski M (1997) Modeling imperfect knowledge in risk management and insurance. Risk Management and
Insurance Review 1(1):98
Koissi MC & Shapiro AF (2006) Fuzzy formulation of the Lee-Carter model for mortality forecasting. Insurance
Mathematics and Economics 39(3):287309 47.
Lu Y, Zhang L, Guan Z & Shang H (2001) Fuzzy mathematics applied to insurance game. IFSA World Congress
and 20th NAFIPS International Conference, Vol.2:941945
Mosmans A, Praet JC & Dumont C (2002) A decision support system for the budgeting of the Belgian health care
system. European Journal of Operational Research 139(2):449 460 55.

Ostaszewski K (1993) Fuzzy set methods in actuarial science. Society of Actuaries, Schaumburg, IL
Romahi Y & Shen Q (2000) Dynamic nancial forecasting with automatically induced fuzzy associations.
IEEE:493498
Sanchez J de A & Gomez AT(2003) Applications of fuzzy regression in actuarial analysis. Journal of Risk and
Insurance 70(4):665699 62.
Shapiro AF (2002) The merging of neural networks, fuzzy logic, and genetic algorithms. Insurance: Mathematics
and Economics 31:115131
Shapiro AF (2003) Capital market applications of neural networks, fuzzy logic and genetic algorithms. Proceedings
of the 13th international AFIR colloquium, Vol 1:493514
Shapiro AF (2004) Fuzzy logic in insurance. Insurance: Mathematics and Economics 35:399424
Terceno A, De Andres J, Belvis C & Barbera G (1996) Fuzzy methods incorporated to the study of personal
insurances. Neuro-Fuzzy Systems,1996. AT96, International Symposium on:187202
Verrall RJ & Yakoubov YH (1999) A fuzzy approach to grouping by policyholder age in general insurance. Journal
of Actuarial Practice 7:181203
Yakoubov YH & Haberman S (1998) Review of actuarial applications of fuzzy set theory. Actuarial Research Paper
No. 105, Department of Actuarial Science and Statistics, City University, London.
Yeo AC, Smith KA, Willis RJ & Brooks M (2001) Clustering technique for risk classication and prediction of claim
cost in the automobile insurance industry. International Journal of Intelligent Systems in Accounting, Finance and
Management 10:3950
Zadeh LA (1965) Fuzzy sets. Information and Control 8:338353 82.