Replication Data and Machine Learning Models for: Asymmetric Actuarial Audit for Evaluating Nature-Based Solutions
Jason Gabriel Acevedo Esquivel, Miguel Ángel López Zavala, Thalía Turrén-Cruz
🤖 gxceed AI 要約
日本語
自然基盤ソリューション評価のための非対称アクチュアリアル監査を再現するデータセットと学習済みモデルを公開。モンテカルロ生成した5万件の極端水文気象イベントを用い、降水異常・土壌浸透性・斜面勾配の相互作用をモデル化。LightGBMやXGBoostがパラメトリック気候保険の資本効率を高めベーシスリスクを低減し得ることを示す。損失関数の設計がモデル構造より重要と論じる。
English
This repository releases the replication dataset and trained ML models for an asymmetric actuarial audit of nature-based solutions. Using 50,000 Monte Carlo-simulated extreme hydrometeorological events in Costa Rica and Mexico, it models interactions among precipitation anomalies, soil permeability, and slope. Gradient boosting (LightGBM, XGBoost) is shown to optimize capital efficiency and reduce basis risk in parametric climate insurance, with loss-function design mattering more than architecture.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
パラメトリック保険・気候適応ファイナンスの設計論として、日本の損保・気候リスク開示（TCFD物理リスク評価）に関心を持つ読者に示唆。再現性あるML手法は適応策の定量評価に応用可能。
In the global GX context
Speaks to the growing intersection of climate-risk modeling, parametric insurance, and adaptation finance—relevant to TCFD physical-risk assessment and ISSB-aligned climate resilience disclosure, though it sits outside core corporate disclosure frameworks.
👥 読者別の含意
🔬研究者:再現可能な気候リスク×MLパイプラインと損失関数設計の実証例として有用。
🏢実務担当者:パラメトリック保険や適応ファイナンスのベーシスリスク評価手法として参考になる。
🏛政策担当者:気候脆弱地域の適応政策・保険制度設計におけるML活用の可能性を示す。
📄 Abstract（原文）
This repository contains the replication dataset and trained machine learning models for the research article: "Asymmetric actuarial audit for evaluating nature-based solutions: why the loss function matters more than model architecture." The dataset consists of 50,000 extreme hydrometeorological events generated via stochastic Monte Carlo simulation using the Gymnasium framework. It models the complex interactions between anomalous precipitation, soil permeability (Ksat), and topographic slope in the climate-vulnerable regions of Alajuela (Costa Rica) and Tapachula (Mexico). This repository includes: Dataset (dataset_entrenamiento_ml.csv): The synthetic Monte Carlo dataset containing the physical parameters and financial reward/penalty logic used to train and validate the algorithms. Trained Models (.pkl format): The serialized machine learning architectures evaluated in the study, including LightGBM, XGBoost, Random Forest, and Logistic Regression. Data Engineering Pipeline (preprocesador_SBN.pkl): The mathematical preprocessing pipeline (StandardScaler and OneHotEncoder). Visual Analytics: Complementary outputs such as SHAP value analyses (analisis_shap.png) and probabilistic calibration curves (curvas_calibracion.png). These resources allow researchers and practitioners to fully replicate the asymmetric actuarial audit, demonstrating how gradient boosting algorithms (such as LightGBM and XGBoost) can optimize capital efficiency and minimize financial Basis Risk in parametric climate insurance.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.5281/zenodo.23626302first seen 2026-10-26 04:48:58 · last seen 2026-11-05 05:13:16
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。