用双广义线性模型预测非寿险未决赔款准备金

一、引言未决赔款准备金(IncurredButNotReportedClaims Reserving,简称IBNR)的计算是非寿险精算的重要研究课题之一。经典的方法有链梯模型法(Chain LadderModel)、每案赔付法(PaymentsPerClaimIncurred,简称PPCI)等等[12,15]。这些方法都是建立在一种称之为流量三角形(Run offTriangles)的结构上,这种结构有两个元素,即事故发生年(AccidentYears);以及延展期(DevelopmentPeriods)。考虑由Ⅰ行J列组成的矩阵,其上三角形的下标集合记为Δ,表示已赔付的流量数据单元的集合;下三角形的下标集合记为Δ,表示未决赔付单元的集合。记C…     

未决赔款准备金评估模型的比较研究

近10多年来,关于未决赔款准备金评估模型的研究取得了较大进展,其中虽然也包含对各种评估模型相互关系的探讨,如关于各种随机模型的比较、以及基于B-F法对各种准备金评估模型的比较等,但仍然不够全面和系统。在对准备金评估模型从不同角度进行了较为系统的分类和综述的同时,首次以最基本的链梯模型为基础,建立了一个统一的框架,并对常见的一些准备金评估模型进行了综合比较和分析,揭示了它们之间的一些重要关系,给出了在实务中选择准备金评估模型的一些建议。     

未决赔款准备金评估的双广义线性模型的改进

文章运用双广义线性模型,将通货膨胀、气候环境这两个外部因素与公司理赔政策这一内部因素引入到广义线性模型中,对一般的广义线性模型进一步改进.然后利用实际数据,应用改进后的模型,进行实证分析,并与未改进的评估模型得到的相关数据进行了比较,最后分析了未决赔款准备金评估结果变化的原因.     

运用动态线性模型对未决赔款准备金的评估

随机准备金评估方法不仅可以得到准备金的估计值,还能够得到评估的精度.本文介绍了将随机方法与传统链梯法联系,结合Kalman滤波建立的动态线性模型,并运用动态线性模型对我国非寿险公司的数据进行评估.结果表明,运用动态线性模型评估未决赔款准备金可提高评估精度,并能够对模型参数进行校核.     

已报告未决赔款准备金的线性预测方法

文章研究了多个样本轨道的连续时间的线性预测问题,得到了最优线性预测所要满足的正则方程及其均方误差,并把之应用到RBNS的厘定中来,该方法具有成本低、费时少、在实务中可操作性强等特点.     

广义线性滤波模型在非寿险准备金评估中的应用

文章在非寿险未决赔款准备金评估中,借鉴状态空间模型如Kalman滤波在准备金评估中的应用,以广义线性模型为基础,通过在贝叶斯估计中利用泰勒展开式的二阶近似式构造了离散指数族内的后验似然函数,生成广义线性滤波,可实现动态广义线性模型的参数估计,从而能够向模型中引入新的观测数据递归出更新的参数估计结果。文章通过实例演示了伽玛广义线性滤波模型在准备金评估中的应用。     

应用对数正态模型对未决赔款准备金的评估

未决赔款准备金的谨慎提取对保险公司的稳健经营具有非常重要的意义。由于赔付情况的不确定性和不稳定性.实务中越来越关注未决赔款准备金评估的精度。文章基于增量赔付的对数正态模型,给出了准备金的估计值和预测的精度。最后通过一具体实例说明本文方法的有效性,并同链梯法进行了比较。     

非寿险准备金评估的广义线性模型

在非寿险准备金评估实务中,保险公司通常应用链梯法和B-F法等确定性模型,但这类模型无法对准备金的预测结果进行统计检验,因此广义线性模型受到了越来越多的关注.在假设增量赔款服从指数分布族的情况下,讨论广义线性模型在准备金评估中的应用,并通过一个实际的流量三角形数据进行实证检验.     

Kalman滤波在未决赔款准备金评估中的应用

未决赔款准备金是非寿险公司负债的主要构成部分,提高对其评估的精度有着重要的意义。动态模型能够提高未决赔款准备金评估的精度,在动态模型中最重要的是Kalman滤波模型。文章运用Kalman滤波模型进行了未决赔款准备金评估,并对其进行了研究分析。     

未决赔款准备金评估的Mack模型及其预测均方误差的实现

目前,在我国精算实务中对未决赔款准备金评估的不确定性风险逐渐重视,对不确定性加以度量显得很有必要。传统链梯法是未决赔款准备金评估最常用的确定性方法,链梯法应用流量三角形评估未来赔款进展模式,将随机性模型和链梯法结合起来就得到随机链梯法。其中,对于非参数随机链梯法已有深入的研究,该方法直接对传统链梯法的假设步骤建立随机模型,而且没有具体的赔款额分布假设。这种度量估计的不确定性,对准备金负债评估的准确性和充足性具有重要的参考价值。文章利用Mack模型得到了未决赔款准备金的预测均方误差,并通过数值例子进行了说明。     

广义线性混合模型及其在非寿险信度费率厘定中的应用

近年来,国内外精算学者开始将广义线性混合模型用于信度模型费率厘定中,但他们对因变量的推广仅仅推广到负二项分布。在前人的研究基础上,将因变量进一步推广到负二项K、广义泊松、双泊松等分布,然后用极大似然估计中的限制性虚拟似然法和自适应高斯求积法对参数进行估计,最后用美国劳工补偿保险进行实证分析。结果表明:负二项K(K=1.947)广义线性混合模型对数据拟合效果最好,其次为负二项1、负二项2、双泊松、广义泊松和泊松广义线性混合模型。     

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。     

混合广义线性模型

本文首次提出混合广义线性模型，此模型包括通常的标准广义线性模型以及贝叶斯多层广义线性模型。对二分量混合广义线性模型，利用近似准似然方法讨论其参数估计。对指数族混合广义线性模型，利用标准的广义线性模型分析方法得到参数的迭代估计。至于Ａｌｂｅｒｔ提出的贝叶斯多层先验分析方法，我们给出简单的讨论与修正；并且讨论与分析两个特殊的贝叶斯多层广义线性模型，给出它们的有关详细结果。最后，对混合广义线性模型，提出两个问题     

广义线性混合模型及其SAS实现

本文探讨了重复测量资料广义线性混合模型（GLMMs）建模及SAS9．1的PROC GLIMMIX程序实现。利用PROC GLIMMIX程序中Model语句选项和Link语句来指定因变量的分布及连接函数,通过Random语句来指定随机效应,采用线性限制性／残差虚拟似然法进行参数估计。GLMMs是在广义线性模型的基础上引入随机效应,因变量可以是指数家族中任意分布,可以通过连接函数将观测的均数向量与模型参数联系起来。GLMMs应用范围广,建模灵活,可以为相关或非常数方差数据建模,能提供客观正确的统计结论。     

广义线性模型的性质及其在非寿险中的应用

广义线性模型的误差项服从指数分布族,通常的指数分布族包括正态分布、泊松分布、二项分布、伽玛分布、逆高斯分布等,这些分布模型在非寿险精算中都有广泛的应用。在对上述常见模型特点分析的同时,用实际数据进行了拟合,为精算师在实务工作中提供了些建议。     

混合系数线性模型参数的t-s-K估计

混合系数线性模型在实际问题中有着广泛的应用背景,如经济分析、可靠性退化分析以及生物学等领域,因此对该模型的研究无论从理论还是从应用角度都是十分重要和必要的。在研究连续测量数据情况下混合系数线性模型的参数估计问题的基础上,利用压缩估计方法给出该模型的一类有偏估计,并研究新估计的一些优良性质,在一定条件下证明此类估计优于s-K估计。     

广义线性混合模型框架下的信度模型分析

尝试在广义线性混合模型的框架下构建信度模型。在广义线性混合模型框架中,假定被解释变量服从指数簇分布,假定自然参数先验分布为相应的自然共轭先验分布簇,按照Bayes理论,通过特殊构造,给出推论:对随机效应的估计满足经典信度公式。参数估计部分,利用自然共轭先验分布簇参数子列上下极限的性质找出先验分布参数的含义和关系,使用伪似然方法给出信度估计公式。并以特例形式讨论Tweedie模型,对模型进行变形,得到特例的Bühlmann-Straub信度和经典的Bühlmann信度。该模型同时考虑先验信息与后验信息,对整合分类费率与个体经验费率提供一定参考。     

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.     

广义Gamma分布簇广义线性混合模型的构建

 本文在广义Gamma分布簇基础上引入异质性来构建广义线性混合模型。本文构建的广义Gamma分布簇广义线性混合模型在广义线性混合模型的框架下分析,通过参数重整技术把广义Gamma分布簇变量的建模问题与指数分布簇变量的建模问题联系起来,模型推断可以方便地利用广义线性混合模型和广义线性模型的研究成果,同时也可以方便地推广到其他模型。三参数广义Gamma分布可以收缩到两参数的Gamma分布、Weibull分布或指数分布,能降低模型误设的风险,还能便利地分析误差结构。     

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。