神经网络模型与车险索赔频率预测

汽车保险广受社会关注,且在财产保险公司具有举足轻重的地位,因此汽车保险的索赔频率预测模型一直是非寿险精算理论和应用研究的重点之一。目前最为流行的索赔频率预测模型是广义线性模型,其中包括泊松回归、负二项回归和泊松-逆高斯回归等。本文基于一组实际的车险损失数据,对索赔频率的各种广义线性模型与神经网络模型和回归树模型进行了比较,得出了一些新的结论,即神经网络模型的拟合效果优于广义线性模型,在广义线性模型中,泊松回归的拟合效果优于负二项回归和泊松-逆高斯回归。线性回归模型的拟合效果最差,回归树模型的拟合效果略好于线性回归模型。     

随机效应零膨胀索赔次数回归模型

索赔频率预测是非寿险费率厘定的重要组成部分。最常使用的索赔频率预测模型是泊松回归和负二项回归,以及与它们相对应的零膨胀回归模型。但是,当索赔次数观察值既具有零膨胀特征,又存在组内相依结构时,上述模型都不能很好地拟合实际数据。为此,本文在泊松分布、负二项分布、广义泊松分布、P型负二项分布等条件下分别建立了随机效应零膨胀损失次数回归模型。为了改进模型的预测效果,对于连续型的解释变量,还引入了二次平滑项,并建立了结构性零比例与解释变量之间的回归关系。基于一组实际索赔次数数据的实证分析结果表明,该模型可以显著改进现有模型的拟合效果。     

Hurdle模型在非寿险分类费率厘定中的应用

泊松回归模型是常用的索赔次数预测模型。但在实务中,索赔次数往往具有零膨胀特征,如果继续使用泊松模型会低估参数的标准误差,高估其显著性水平,从而在模型中保留多余的解释变量,产生不准确费率厘定结果。Hurdel模型是一个二阶段模型,可以将索赔次数分为两个部分来处理。因此,利用该模型的这一性质来处理费率厘定中具有零膨胀特征的索赔数据,可以有效地改善拟合效果。     

非寿险费率厘定的索赔频率预测模型及其应用

在非寿险分类费率厘定中,泊松回归模型是最常使用的索赔频率预测模型,但实际的索赔频率数据往往存在过离散特征,使泊松回归模型的结果缺乏可靠性.因此,讨论处理过离散问题的各种回归模型,包括负二项回归模型、泊松-逆高斯回归模型、泊松-对数正态回归模型、广义泊松回归模型、双泊松回归模型、混合负二项回归模型、混合二项回归模型、Delaporte回归模型和Sichel回归模型,并对其进行系统比较研究认为:这些模型都可以看做是对泊松回归模型的推广,可以用于处理各种不同过离散程度的索赔频率数据,从而改善费率厘定的效果;同时应用一组实际的汽车保险数据,讨论这些模型的具体应用.     

泊松提升模型在中国车险索赔频率预测建模中的应用

为研究泊松提升模型在中国车险定价中的应用,将Boosting算法加入到SBS(Standardized binary split)回归树中,基于中国某公司2016年28个省份交强险保单数据,以样本内外损失函数的最小化为标准,对相关模型进行比较以选择相对较优的模型,应用得到的模型对各个变量进行单变量预测。研究结果表明:泊松提升模型优于SBS回归树模型,不存在过拟合的前提下,泊松提升模型的预测效果会随着树的深度或者迭代次数的增大而变得更优,确定了深度为3,迭代次数为15的泊松提升模型(即PBM3)为最优模型。     

索赔次数的开放式混合泊松分布研究

本文建立了索赔次数的多风险类别混合泊松模型。首先，考虑索赔次数的零膨胀、厚尾性和异质性等特征，建立风险类别待定的开放式混合泊松模型，开放式结构使该模型对实际数据的多样特征和风险类别具有良好的自适应性；其次，定义混合权重参数的iSCAD惩罚函数，实现对权重参数的筛选；最后，借助EM算法求得模型参数，实现对各风险类别下索赔次数的估计。借助iSCAD惩罚函数，给出最优混合数，避免传统混合模型中主观选择的弊端，克服传统混合模型中结构复杂、参数估计没有显式表达式、估计结果不便于解释等问题。基于三组风险特征多样数据的实证分析，本文发现该模型可以显著改进现有模型的拟合效果。     

零膨胀模型在非寿险中应用

分类费率厘定中最常使用的模型之一是泊松回归模型，但当损失次数数据存在零膨胀特征时，通常会采用零膨胀模型来解决。本文讨论一些零膨胀模型在非寿险中的应用，并通过对一组汽车保险损失数据的拟合，发现零膨胀模型可以有效改善对实际损失数据的拟合效果。     

拟合索赔数据的一种新方法：叠加分布模型

一、引言保险公司在收取续保费时,要充分利用每一个投保人的索赔历史记录,这些历史记录包括各投保期的索赔次数以及每一次索赔的大小等等。根据这些信息,保险公司利用损失分布模型将这些信息数据拟合出来,然后预测在续保期内投保人将给保险公司带来的损失。在对数据进行拟合以前,保险公司要选择合适的损失模型。就目前而言,拟合索赔大小的模型包括指数分布模型、伽马分布模型、对数正态分布模型、帕累托分布模型等;拟合索赔次数的损失模型有很多,包括泊松分布模型、负二项分布模型、泊松—逆高斯分布模型等。这些模型在拟合数据时都有比较良…     

同质性保单索赔次数的一种分布类讨论

受免赔额和无赔款优待等因素的影响,使得保单组合中索赔次数为零保单数相对较多,文章根据这个特点引出了同质性保单索赔次数的一种分布类,即调零的复合泊松分布类.然后讨论了这类分布中两种特殊的索赔次数分布模型,讨论了模型中相应参数的极大似然估计.最后给出数值算例,并对拟合效果进行了分析.     

基于联合定价模型的奖惩因子的扩展与比较

信度模型是经验费率厘定的主要方法,其缺陷在于隐含的正态分布假设并不适用于索赔次数,同时也无法分析费率因子对预期保费的影响。若将信度模型与广义线性混合模型相结合,同时考虑保单已知的风险特征信息和潜在的个体风险特征信息,将正态分布假设推广到泊松分布,放宽随机效应假设,即可构建一种扩展的联合定价模型。扩展的联合定价模型不仅能解决定价过程中风险信息重叠的问题,其预测值还具有类似信度模型"收缩估计"的性质。对一组保单索赔次数数据的研究发现,扩展的联合定价模型(泊松-伽马模型)对索赔次数的拟合更加合理,解决了奖惩因子的"过度奖惩"的问题,有效改进了预测结果。     

基于copula回归模型的损失预测

在非寿险损失预测的广义线性模型中,通常假设损失次数与损失强度相互独立,事实上二者之间往往存在一定的相依关系,可通过copula函数来刻画.在损失已经发生的条件下,假设损失次数服从零截断泊松分布,损失强度服从伽玛分布,可以建立损失次数与损失强度相互依赖的copula回归模型.把损失强度的分布扩展到逆高斯分布,并将此模型应用于一组车险保单数据进行实证研究.结果表明:该模型不但在损失预测方面优于独立假设下的广义线性模型,而且也优于损失强度服从伽马分布假设下的copula回归模型.     

多项式风险的期望贴现惩罚函数

文章提出了马氏环境下相关多险种的多项式风险过程,总索赔及各类险种间索赔次数服从泊松-多项式分布,同时引入环境过程刻画随机因素对索赔大小及索赔次数的影响,利用Lund-berg基本方程,文章得到了期望贴现惩罚函数Laplace变换的表达式,在初始环境状态给定,初始资金为0时,得到了的期望贴现惩罚函数的确切表达式,推出了破产瞬间盈余及破产赤字贴现的联合密度函数及相应的边缘密度.     

大额索赔条件下的车险费率厘定

车险费率厘定是财险公司设计产品的核心内容之一。在传统的纯保费预测模型中,通常建立复合泊松-伽玛模型,该方法没有考虑到大额索赔出现的情况。为此,提出了一种处理大额索赔的频率-强度方法。基于一组机动车损失数据,对索赔频率和索赔强度分别建模。比较不同分布的索赔频率模型,得到零膨胀负二项模型效果较好;在索赔强度建模中,得到大额索赔伽玛模型比伽玛模型效果好。实证检验了带有大额索赔的频率-强度模型在车险费率厘定中的优越性。     

零膨胀泊松模型的改进在零次索赔建模中的应用

零膨胀是非寿险精算中的一种常见现象,国内外许多学者对此进行了研究分析,而最具影响力的方法是零膨胀泊松模型与Hurdle模型,但这两个方法在区分零之间的差别时存在不足。实际中,产生零次索赔的保单持有人并非全部同质,如何提取零中所包含的信息对保险公司来说是重要的。鉴此,基于零膨胀泊松模型与Hurdle模型的思想,提出修正的零膨胀泊松模型,并利用非寿险精算中的实际数据,对新模型进行了拟合分析。与零膨胀泊松模型拟合结果的比较说明,修正的零膨胀模型在零的处理上更符合实际情况,更能体现零中所包含的信息。     

利率环境中巨灾索赔风险的破产概率

文章研究了在利率环境中巨灾索赔下复合泊松分布模型的有限时间的破产概率,并且得到了一个简单的渐进公式。这个结果是同已知的终极破产概率的结论是一致的,特别是在索赔额为尾部正则变化时,对所有时间时成立的。     

分位数回归在非寿险产品费率厘定中的应用

文章首先分析了非寿险产品费率厘定中的零索赔额现象;指出了线性回归模型和广义线性模型在非寿险产品费率厘定中存在的问题和不足;分析了分位数回归模型在非寿险产品费率厘定中的优点,并结合实例,给出了实证分析.结果表明,分位数回归模型更能从整体上反映出费率厘定变量之间的关系及其对索赔额的影响.     

基于Tweedie和零调整逆高斯回归的索赔额模型

保险索赔额的分布拟合与回归模型的建立对保险费率厘定、风险因素分类、准备金计提等方面有重要意义,其研究也得到了广泛的发展和应用。文章对索赔额模型的研究与应用进行了简要的回顾分析,并基于Tweedie分布族和零调整逆高斯分布建立索赔额回归模型;以汽车第三者责任保险的损失数据为例,应用这两个回归模型,得到了比较满意的结果。     

广义Erlang模型下利率波动对保险资产的影响

0引言在研究保险资产的盈亏状态时,如果不考虑利率因素,那么最为基本的模型是风险理论中的Cramer-Lundberg模型。在该模型中,盈余过程的表达式为U(t)=u ct-N(t)i=1!Xi,这里u>0为保险公司的初始资本金,c>0为保率,N(t)为时刻t之前来到的索赔个数,索赔来到的过程服从泊松过程(即来     

泊松分布在分析低患病率方面的应用

统计学中的泊松分布在实际问题的许多应用是一个比较重要的内容。泊松分布是ｎｐ＝λ（λ为常量）的二项分布在ｎ→∞时的极限分布。通常当二项分布中的试验次数ｎ很大，事件发生的概率ｐ很小时，利用泊松分布比较满意。在医学研究中，分析人群中阳性率极低（如稀有病的例...     

考虑利率和保费随机收取的风险模型

文章在传统风险模型的基础上,引入了利率因素,并且将保费收取次数视为一随机变量,讨论了保费收取次数服从泊松过程的情形下,破产概率所满足的积分微分方程及其指数型上界。