基于贝叶斯偏态线性混合模型的费率厘定

线性混合模型是非寿险费率厘定的主要方法之一。通常的线性混合模型假设随机误差项服从正态分布,而保险损失数据往往具有右偏特征,这使得该模型在非寿险费率厘定中的应用受到一定影响。在通常的线性混合模型基础上,假设随机误差项服从偏态分布,即可建立偏态线性混合模型,从而改善费率厘定结果的合理性。基于一组实际的保险损失数据,应用贝叶斯MCMC方法建立几个不同的偏态线性混合模型,并与正态分布假设下的线性混合模型进行对比,实证检验偏态线性混合模型在非寿险费率厘定中的优越性。     

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.     

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。     

广义线性模型在非寿险精算中的应用及其研究进展

广义线性模型在精算中的应用始于20世纪80年代，其应用涉及到精算学的各个领域，如生命表的修匀、损失分布、信度理论、风险分类、准备金和费率估计等方面。在对广义线性模型适用于非寿险精算的典型特征进行分析的基础上，对广义线性模型在非寿险精算中的应用及其研究进展进行分析和总结的同时，重点分析利率厘定和准备金估计中广义线性模型的建模思想，并结合实际提出了今后研究的方向。     

基于分位回归的风险保费预测

风险保费预测是非寿险费率厘定的重要组成部分。在传统的分位回归厘定风险保费中,通常假设分位数水平是事先给定的,缺乏一定的客观性。为此,提出了一种应用分位回归厘定风险保费的新方法。基于破产概率确定保单组合的总风险保费,建立个体保单的分位回归模型,并与总风险保费建立等式关系,通过数值方法求解出分位数水平,实现对个体保单风险保费的预测。通过一组实际数据分析表明,该方法具有良好的预测效果。     

基于分层广义线性模型的非寿险费率厘定精算模型研究

非寿险业务中的损失数据结构日益复杂,呈现异质性与相关性并存的异象。分层广义线性模型能够突破传统费率厘定精算方法仅分析风险个体同一保单年损失数据的局限,可以提高复杂结构损失数据预测的准确性。基于分层广义线性模型等方法,研究具有多年损失数据的非寿险费率厘定问题,并以车险和工伤补偿保险的两组损失数据为例进行实证分析。研究结果表明,相对于GLM而言,考虑随机效应后GLMM的拟合优度大幅改善,GLMM与HGLM可以更有效地反映不同风险个体的差异,并有利于揭示风险个体在多个保险期内损失的异质性与相关性。     

基于累积索赔金额的最优奖惩系统

商业汽车保险的费率可以分解为先验费率和后验费率.先验费率是基于被保险车辆的先验风险特征信息(如驾驶人的性别和年龄、车辆使用性质)应用广义线性模型厘定的费率,而后验费率是基于被保险车辆的索赔经验(如索赔次数)应用奖惩系统对先验费率进行调整而得到的费率.厘定先验费率常用的广义线性模型包括索赔频率模型、索赔强度模型和累积索赔金额模型.实际应用中的奖惩系统通常基于被保险车辆的经验索赔次数对先验费率进行调整,没有考虑索赔金额的影响,也没有考虑先验信息的影响,有可能造成重复性的奖励或惩罚.累积索赔金额是被保险车辆在保险期间的索赔金额之和,既包含索赔次数信息,也包含索赔金额信息,可以更加准确地揭示被保险车辆的索赔经验信息.本文应用被保险车辆多年期的纵向累积索赔金额数据建立了一种新的奖惩系统,应用零调整逆高斯回归模型厘定先验费率,并在线性约束下用极大似然法同时估计先验费率因子和奖惩系数,避免了传统奖惩系统对被保险人可能造成的重复性奖励或惩罚,有效改进了后验费率的厘定结果.     

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。     

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.     

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。     

双重广义线性模型在车损险费率厘定中的应用

双重广义线模型是对广义线性模型的扩展,其对反应变量的均值与散度参数同时建立模型,提高了模型运用的灵活性与适应性。将双重广义线性模型应用到车损险费率厘定中,既考虑了费率期望值与费率因子之间的关系,又考虑了变量的分散程度与费率因子之间的关系,并以欧洲一家保险公司的汽车保险损失数据为样本进行实证研究,把无索赔优待等级、地区、车型与年均行驶里程数作为费率因子,建立了费率厘定模型。结果表明,所得到费率结构合理,符合实际。     

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。     

固定效应部分线性单指数面板模型的惩罚分位数回归

分位数回归是均值回归的有益补充,该方法毋须对分布函数的具体形式做出假设,且对具有异常值或厚尾分布的数据仍具有稳健性.当前,对部分线性单指数面板模型估计方法的研究主要集中于均值回归,基于此,本文考虑了固定效应部分线性单指数面板分位数回归模型,结合B-样条函数、SCAD惩罚函数和迭代加权最小二乘法,构建了模型的估计方法,证明了估计方法的一致性和渐近正态性,同时利用Monte Carlo模拟评价了所述方法在有限样本下的表现.最后,将估计方法应用于分析碳排放的影响因素.     

基于广义线性混合模型的经验费率厘定

信度模型是非寿险精算学中最为重要的成果.从20世纪初至今,信度理论先后经历了两个发展阶段:一是早期的有限波动信度模型;二是目前的最大精确信度模型.有限波动信度模型强调结果的稳定性,而最大精确信度模型强调结果的精确性.因此建立信度模型与广义线性混合模型之间的联系,通过对信度模型的分解可以看到:传统的信度理论对风险的刻画方法与广义线性混合模型的结构有极其相似的地方,故可以用广义线性混合模型来厘定经验费率.     

伴随置信度的线性回归模型

针对正态余项的线性回归模型,研究伴随置信度的线性回归模型。在一定概率下,设计随机变量以均值为中心的置信区间,建立机会约束规划,并在一定置信度下转化为确定性规划,应用LINGO 11优化软件求解,构造出伴随置信度的线性回归模型,实现对随机变量观测值信息的动态应用,可以实现伴随置信度的预测。实证分析表明,该模型可以依置信度不同程度地反映观测数据的多方面信息,选择最佳线性回归方程,更好满足需要。该模型有异于线性分位数回归模型的优点,丰富了线性回归分析的研究内容。     

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。     

基于随机效应零调整回归模型的保险损失预测

在非寿险精算中,对保单的累积损失进行预测是费率厘定的基础。在对累积损失进行预测时通常使用Tweedie回归模型。当损失观察数据中包含大量零索赔的保单时,Tweedie回归模型对零点的拟合容易出现偏差;若用零调整分布代替Tweedie分布,并在模型中引入连续型解释变量的平方函数,可以建立零调整回归模型;如果在零调整回归模型中将水平数较多的分类解释变量作为随机效应处理,可以进一步改善预测结果的合理性。基于一组机动车辆第三者责任保险的损失数据,将不同分布假设下的固定效应模型与随机效应模型进行对比,实证检验了随机效应零调整回归模型在保险损失预测中的优越性。     

中国人口因素对寿险需求影响的实证分析

应用双对数线性回归模型、岭回归模型对中国寿险需求进行实证分析。着重分析了人口因素对寿险需求的影响，在分析中引入了虚拟变量，并对多重共线性问题利用岭回归加以改善。研究表明：人口的城乡结构对中国寿险需求起着决定性的作用；城镇居民年人均可支配收入与寿险需求有显著的正相关性；少儿负担系数及银行实际利率与寿险需求有显著的负相关关系；受教育程度对寿险需求有显著的正面作用；而老年负担系数显示了对寿险需求正面的但不十分显著的影响。     

医疗费用预测的贝叶斯多项式混合效应模型

医疗费用预测是健康保险费率厘定的前提和基础。对于多年期的医疗费用数据,通常使用线性混合效应模型对其进行拟合,但线性混合效应模型对非线性关系的纵向数据建模具有一定的局限性。本文对线性混合效应模型进行扩展,根据医疗费用数据中变量之间的非线性关系,建立了多项式混合效应模型,并将其应用于一组医疗费用数据进行实证研究。结果表明,多项式混合效应模型对住院医疗费用的拟合效果显著优于通常使用的线性混合模型,在医疗费用管理和健康保险的费率厘定中具有重要的应用价值。     

贝叶斯非线性混合效应模型及其应用研究

由于常用的线性混合效应模型对具有非线性关系的纵向数据建模具有一定的局限性,因此对线性混合效应模型进行扩展,根据变量间的非线性关系建立不同的非线性混合效应模型,并根据因变量的分布特征建立混合分布模型。基于一组实际的保险损失数据,建立多项式混合效应模型、截断多项式混合效应模型和B样条混合效应模型。研究结果表明,非线性混合效应模型能够显著改进对保险损失数据的建模效果,对非寿险费率厘定具有重要参考价值。