基于索赔次数和索赔额的车辆保费计算新模型

在机动车保险中,保单持有人的风险参数是随时间而变化的,在保费厘定过程中看做不变和忽略了索赔额因素对保单持有人是不公平的.文章考虑了投保人的参数的变化,调整风险参数,引入索赔额因素,推导出了最优奖惩系统的三种保费的计算公式.     

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。     

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。     

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.     

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.     

基于BP神经网络的工程索赔模型

文章在系统分析了工程索赔过程及索赔相关方关系的基础上,依据系统论和神经网络思想,建立了工程索赔管理系统化模型,对此模型进行了详细阐述,并对模型状态进行了分析.利用该模型可以预测工程索赔出现的可能性,解决工程索赔的程序问题,并快速计算出索赔值.同时本文基于模型分析结果,对如何有效提高模型双方的索赔利益行为,发挥索赔管理最大作用,保证项目质量和效益提出了相应的措施.     

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。     

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.     

基于机器学习的车险索赔频率预测

近年来,广义线性模型已被广泛用于车险定价,而一些研究结果显示机器学习在某些方面优于广义线性模型,但这些结果都只是基于某个单一数据集。为了更全面地比较广义线性模型与机器学习方法在车险索赔频率预测问题上的效果,对7个车险数据集进行了比较测试,包括深度学习、随机森林、支持向量机、XGboost等机器学习方法;基于相同的训练集,建立不同的广义线性模型预测索赔频率,根据最小信息准则(AIC)选取最优的广义线性模型;通过交叉验证调参获得机器学习最佳参数和模型。研究结果显示:在所有的数据集上XGboost的预测效果一致地优于广义线性模型;对于某些自变量较多、变量间相关性强的数据集,神经网络、深度学习和随机森林的预测效果比广义线性模型更好。     

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.     

Claim Dependence Induced by Common Effects in Hierarchical Credibility Models

In the usual credibility model, observations are made of a risk or group of risks selected from a population, and claims are assumed to be independent among different risks. However, there are some problems in practical applications and this assumption may be violated in some situations. Some credibility models allow for one source of claim dependence only, that is, across time for an individual insured risk or a group of homogeneous insured risks. Some other credibility models have been developed on a two-level common effects model that allows for two possible sources of dependence, namely, across time for the same individual risk and between risks. In this paper, we argue for the notion of modeling claim dependence on a three-level common effects model that allows for three possible sources of dependence, namely, across portfolios, across individuals and simultaneously across time within individuals. We also obtain the corresponding credibility premiums hierarchically using the projection method. Then we derive the general hierarchical structure or multi-level credibility premiums for the models with h-level of common effects.     

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。     

New Folded Models for the Log-Transformed Norwegian Fire Claim Data

Folded distributions are useful models in statistics. However, not much is known beyond the folded normal distribution introduced in the 1960s. Here, we introduce several new folded distributions. Statistical properties of each distribution are derived. Applications are provided to the Norwegian fire claim data.     

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…     

Asymptotic Behavior of Random Time Ruin Probability Under Heavy-Tailed Claim Sizes and Dependence Structure

This article deals with the renewal risk model, in which there exists some asymptotic dependence relation between claim sizes and the inter-arrival times, and claim sizes are subexponential. Under this setting, we investigate the tail behaviour of random time ruin probability as the initial risk reserve x tends to infinity. We obtain the similar asymptotic formula as the previous results.