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.     

负二项回归模型在过离散型索赔次数中的应用研究

索赔次数预测模型中通常考虑泊松回归模型，但当索赔次数中出现过离散问题时，泊松回归模型就不再适合。本文讨论了两种分布形式的负二项回归模型，并利用它们对一组车险数据进行了拟合，效果得到了明显改善。     

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。     

具有常量红利界的经典风险模型及其最优红利界的De Vylder估计方法

对于具有分红性质的保险产品或是进行了股份制改革的保险公司来说,一个需要研究的问题是如何确定其红利策略,使得投保人或股东利益最大化.在实际中,关于个体索赔额分布的信息一般是不能完全得到的.文章研究了具有常量红利界的经典风险模型,利用个体索赔额分布的前几阶矩得到最优红利界的De Vvlder估计方法.     

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。     

具有常量红利界的经典风险模型及其最优红利界的扩散估计方法

目前,对于具有分红性质的保险产品或是进行了股份制改革的保险公司来说,一个需要研究的问题是如何确定其红利策略,使得投保人或股东利益最大化.在实际中,关于个体索赔额分布的信息一般是不能完全得到的.文章研究了具有常量红利界的经典风险模型,利用个体索赔额分布的前几阶矩得到了最优红利界的扩散估计方法.     

巨灾保险索赔数据的极值风险度量

目前,各界对巨灾保险索赔数据呈现的厚尾性已达成共识。本文中,笔者基于指数回归模型构造了厚尾分布的高分位数估计;并将该方法应用于大的火灾保险数据进行实证分析,对大的火灾保险进行风险度量,得到该数据的高分位数。     

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。     

损失模拟模型的模拟与检验

为帮助精算师在不同的数据环境下选择最优的准备金评估方法,美国非寿险精算师协会组织开发了一个产生模拟索赔数据的开源软件系统——损失模拟模型,然而损失模拟模型是否能够按指定参数要求产生模拟数据需要进行检验.文章采用不同的参数估计方法和拟合优度检验方法对模拟索赔次数的分布、索赔额的趋势以及不同险种索赔次数之间的相关结构进行了统计检验,结果表明损失模拟模型对索赔次数的分布、索赔额的趋势能够产生一致的模拟,而对索赔次数数据之间相关结构的模拟存在不稳定性.     

保险索赔数据的统计分析

保险公司的索赔是影响其发展的重要因素,文章系统地分析了财产保险索赔数据。首先采用因子分析和K-均值聚类等方法研究了影响保险公司财产险索赔的潜在因素,建立了财产险索赔预警指标,并根据索赔额将财产保险分公司进行分类。同时利用统计软件,采用剩余风险均数的方法检验了部分索赔额分布的重尾性,实现了此方法的实证研究。     

一种车险先验风险分布的参数估计方法

采用全体车险保单组合的风险损失数据(即先验信息)作为定价的信度补充,是车险精算定价的主流方法;而得到风险损失的先验分布或特征信息是经验费率定价的基础.文章引入过程和结构方差分析方法对车险索赔过程的先验分布参数进行估计;并提出了针对索赔频率和索赔额模型的参数估计方法.该方法能快速近似估计多参数分布模型,优于传统参数估计方法.     

基于中位数回归模型非寿险精算中费率因子的显著性判别分析

广义线性模型作为分类费率厘定的重要工具,面临着如何选择损失变量分布的问题,而且对于存在巨额索赔的数据费率因子的显著性判别往往不具有稳健性.文章利用中位数回归模型弥补了广义线性模型的这些不足,结合实际数据对费率因子的各水平进行显著性判别,并与其他常用损失模型的拟合结果进行比较.结果表明,中位数回归模型在费率因子的显著性判别方面更具有客观性和稳健性.     

贝叶斯时空分位回归模型及其对北京市PM2.5浓度的研究

本文基于时空模型和非对称拉普拉斯分布提出一种新的时空分位回归模型.本文主要将空间域利用薄板回归样条展开,结合混合模型与样条之间的关系,得到分层贝叶斯分位回归模型.利用MCMC算法得到参数的后验分布,并对模型中系数的空间域进行预测.本文同时融合降秩近似的方法,简化了计算复杂度.区别于已有时空分位模型,本文考虑了协变量对因变量影响的空间分布特征,并非直接对时间或空间效应整体进行建模,有利于深入研究协变量与因变量之间的空间结构关系.数值模拟结果表明,预测的空间域与真实的空间域十分接近,并在不同分位水平下,有效地估计了协变量影响的空间效应差异.最后将该模型应用于北京市PM2.5浓度的研究,分析气象因素对PM2.5浓度影响的空间分布特征.     

分位数回归技术综述

普通最小二乘回归建立了在自变量X=x下因变量Y的条件均值与X的关系的线性模型。而分位数回归（Quantile Regression）则利用自变量X和因变量y的条件分位数进行建模。与普通的均值回归相比，它能充分反映自变量X对于因变量y的分布的位置、刻度和形状的影响，有着十分广泛的应用，尤其是对于一些非常关注尾部特征的情况。文章介绍了分位数回归的概念以及分位数回归的估计、检验和拟合优度，回顾了分位数回归的发展过程以及其在一些经济研究领域中的应用，最后做了总结。     

具有常数红利边界的带扰动Erlang(2)风险模型的分析

保险公司的红利分配策略直接影响保险公司的经营盈余,因此对它的偿付能力有着很大的影响。文章考虑常数红利边界的带扰动的Erlang(2)风险模型,给出了该模型的Gerber-Shiu折现函数所满足的积分-微分方程以及它的边界条件;并在索赔额分布是有理分布时,获得了该积分-微分方程的解;最后给出了当索赔额分布是指数分布时,Gerber-Shiu折现函数的显示表达式。     

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。     

自变量可重复观测的线性回归模型研究

文章研究了自变量可作重复观测的线性回归模型.对固定自变量X采用重复观测,得到应变量Y的多个观测值,并利用其均值与X构成数对,建立起自变量重复观测的线性回归模型.讨论了这种模型在一元时的情形,实例分析结果表明,该线性回归模型的参数估计值的方差更小,较之传统回归模型更为有效.     

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.     

众数回归森林模型及其在收入分配研究中的应用

为解决传统非参数众数回归模型没有考虑解释变量间复杂交互影响的局限，文章将众数回归与机器学习方法相结合，提出了一个新的非参数众数回归模型：众数回归森林模型。该模型一方面充分考虑了各个解释变量之间的交互影响；另一方面采用Bagging技术汇总多个众数回归树的结果，提高了预测性能。数值模拟结果表明：第一，与线性众数回归模型和众数回归树模型相比，众数回归森林模型极大地提高了估计和预测精度；第二，当数据为偏态分布时，众数回归森林模型的估计和预测精度显著优于中位数回归森林和均值回归森林模型。此外，将众数回归森林模型应用于收入分配研究中，得到了与中位数回归森林和均值回归森林模型不同的结果。     

基于Gibbs抽样算法的面板数据分位回归方法

 文章讨论了含有随机效应的面板数据模型,利用非对称Laplace分布与分位回归之间的关系,文章建立了一种贝叶斯分层分位回归模型。通过对非对称Laplace分布的分解,文章给出了Gibbs抽样算法下模型参数的点估计及区间估计,模拟结果显示,在处理含随机效应的面板数据模型中,特别是在误差非正态的情况下,本文的方法优于传统的均值模型方法。文章最后利用新方法对我国各地区经济与就业面板数据进行了实证研究,得到了有利于宏观调控的有用信息。