基于MCMC方法的保险短期个别风险的测算

对保险短期个别风险的测算由于没有充分考虑索赔次数和索赔额的不确定性,其结果不能准确评估并预测保险实务中复杂的短期风险.文章在传统贝叶斯模型基础上引入Metropolis-Hastings抽样与Gibbs抽样相结合的马尔科夫链蒙特卡罗(MCMC)方法,克服了高维数值计算的困难,通过对典型实例的实证测算,证实即使在索赔数据缺失情况下,该模型仍然能够较好地模拟缺失数据的后验估计以及预测值的后验分布,提高了预测的准确性并减少了不确定性风险.     

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.     

基于MCMC模拟的贝叶斯分层信用风险评估模型

缺少违约数据与债务人异质性是度量信用风险时面临的重要问题。贝叶斯模型中分层先验信息和马尔可夫链蒙特卡罗（MCMC）模拟方法的应用可以有效缓解数据缺失和测量误差问题,并能对债务人异质性进行评价和比较,从而避免低估风险。针对银行数据的模型拟合与模型诊断均展现了分层估计的适应性和灵活性,相关方法简洁清晰,利于国内风险分析人员采用。同时,涵盖宏观经济协变量的贝叶斯分层模型可以用于更加复杂的风险分析。     

基于MCMC方法的贝叶斯AR(p)模型分析

本文提出运用Gibbs抽样的MCMC方法,解决时间序列AR(p)模型贝叶斯分析过程中所遇到的复杂的数值计算问题,借数据仿真分析来说明运用WinBUGS软件建模的分析过程,得出以MCMC为基础的WinBUGS软件简便了贝叶斯AR(p)模型的实际应用的结论.     

最大破产概率在再保险人分配额中的应用

在再保险研究中,我们通过各种方法对原保险人的自留额问题进行了分析,但是对再保险人的分配额问题往往讨论的不多,文章试图站在再保险人的角度,以最大破产概率为目标对一份再保险保单的分配额问题进行讨论,并最终给出在成数再保险和限额再保险的两种再保险方式中的分配额公式,最后给出实证分析。     

保险风险评估的一个模型

一、引言保险人对自身所经营风险的正确和全面的认识是保障稳健经营的前提。早在本世纪初 ( 190 3 )年 ,ＦｉｌｉｐＬｕｎｄｂｅｒｇ就奠定了古典风险分析理论的基础 ,但直到 1955年才由ＨａｒａｌｄＣｒａｍｅｒ[1]等人所完善。其古典风险模型可用如下的公式描述 :Ｓ(ｔ) =ｕ ｃｔ-ΣＮ (ｔ)ｋ =1Ｘｋ,其中ｕ是保险人为某一种或某一类风险的所准备的初始准备金 ,ｃ是费率 ,Ｎ (ｔ)是ｔ年之前的索赔个数 ,Ｘｋ 表示第ｋ次索赔的索赔额 ,因此Ｓ(ｔ)就表示ｔ年时保险人的盈余额。一个衡量保险公司经营好坏的重要指标就是盈余额Ｓ(ｔ)会不会达…     

汽车保险奖惩系统下的真实损失分布参数估计

汽车保险奖惩系统下的追奖将导致真实的损失频率高于报告索赔频率,且真实的平均损失金额低于每案平均赔付金额。对于有比例免赔和保险限额的汽车第三者责任保险,本文用动态规划方法评价和估计最优自留额;然后利用极大似然法对真实损失分布进行参数估计。     

基于MCMC和贝叶斯的AR（1）-MA（0）双重模型的参数估计

为了解决AR（1）-MA（0）双重模型的参数估计问题,文章引入一种新的方法即基于MCMC和贝叶斯估计方法,对该模型的参数进行了估计,系统地推导出了模型中各参数的估计值;通过数值模拟,说明用该方法估计此类模型的参数是可行的,且与传统方法相比更易于实现。     

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.     

具有常量红利界的风险模型及最优红利界的精确解

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,如何确定其红利策略,能够使得投保人或股东利益最大化是一个需要研究的问题。文章研究了具有常量红利界的Wienner过程风险模型的最优红利界的精确解,以及当个体索赔额服从指数分布时具有常量红利界的经典风险模型的最优红利界的精确解,并给出了一些数值结果。     

多级无赔款优待系统的研究

大多数险种都使用无赔款优待系统,特别是在汽车保险中。本文讨论了多级无赔款优待系统,提出了被保险人及保险人的最优决策。在考虑被保险人的最优门槛值的同时,又考虑了保险人的最大现金流。本文推广了文献[2]中多级无赔款系统模型,当被保险人处在第i(i≥1)等级,当本年度发生索赔时下一保险年度将处在第i-1等级,而不是处在最初等级,使系统模型更好模拟保险公司的实际情况。     

超出损失再保险纯保费的估计

文章引入负二项-Pareto分布作为保单组合的索赔次数的分布,导出了全Paretian模型的参数及索赔次数的贝叶斯估计式,得到了超出损失再保险保单的纯保费的精确的贝叶斯估计公式。我们将所得到的贝叶斯估计结果应用于火灾保险数据,将所得结果与Poisson-Paretian模型进行了比较,说明了模型的合理性和有效性。     

随机波动模型贝叶斯估计效率研究

讨论了四种不同MCMC抽样方案在SV模型贝叶斯估计中的适应性和稳健性问题。蒙特卡洛模拟结果显示,随机误差项的近似处理方式和波动变量抽样结构直接影响SV模型的贝叶斯估计效率。具体来说,波动变量的"成块"抽样比"逐分量"抽样的效率更高;随机误差项有限混合近似比正态近似的估计精度更优。四种抽样方案中,正态近似和FFBS算法的收敛速度和运算时间最快,有限混合近似和FFBS算法的估计精度最优。     

潜在因素模型在商业银行信用风险分析中的应用

在评估商业银行整体信用风险时,债务人的信息一般不会传递到风险管理部门,导致在缺少违约数据时传统方法的分析十分复杂甚至难以进行.基于贝叶斯方法的潜在因素模型可以有效解决无法获得特定债务人信用质量的问题,并能够在宏观经济环境变动时准确评估违约风险强度变化,从而避免低估风险.利用MCMC模拟方法对商业银行数据的实证分析表明,潜在因素模型不仅推断方法及模拟途径简洁清晰,估计结果更加精确,而且在贝叶斯框架下具有较强的灵活性,适合在不同的数据约束条件下应用,便于国内风险分析人员采用.     

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.     

基于MCMC模拟的贝叶斯 AR-GJR-GARCH 模型及其应用

AR-GJR-GARCH模型是一种误差项为GJR-GARCH形式的自回归模型,该模型的贝叶斯推断很难得到其具体形式的条件后验密度。文章利用Metropolis-Hastings抽样方法对模型参数的条件后验分布进行MCMC模拟,然后运用模拟得到的样本对模型的参数进行贝叶斯估计。该方法解决了参数估计过程中的高维数值积分问题。模拟结果表明了该模型在中国股市波动性分析过程中的直观性和有效性。     

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.     

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.     

空间滞后模型的贝叶斯估计

本文采用Bayes方法对空间滞后模型进行全面分析。在构建模型的贝叶斯框架时,对模型系数与误差方差分别选取正态先验分布和逆伽玛先验分布,这样以便获得参数的联合后验分布和条件后验分布。在抽样估计时,文章主要使用MCMC方法,同时还设计了一个简单随机游动Metropolis抽样器,以方便从空间权重因子系数的条件后验分布中进行抽样。最后应用所建议的方法进行数值模拟。     

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。