广义加权平衡指数损失函数下的信度保费

在经典的信度保费模型中,得到的信度保费估计均是考虑的是纯保费,然而在保险实务中,保险公司收取的保费不可能是纯保费,必须具有正的安全负荷。文章在指数保费原理的基础上,引入广义加权平衡指数损失函数计算了下一期的信度保费计算公式,从而得出Bayes保费可以写成信度保费形式。

加权平衡指数损失函数下的广义信度保费估计

在非寿险中,在索赔经历虽然相互独立,但有时会服从不同的分布.通过考虑保费的目标估计来对风险保费进行了研究,并采用正交投影的方法得到了目标问题的最优解,从而得到了加权平衡指数损失函数下的信度估计.此外,给出了结构参数的无偏估计,并给出了模拟.结果表明,在考虑目标保费的情况下,当选取一个合适的权重,可以得到未来保费的最优估计.

Mlinex损失函数下广义指数分布形状参数的Bayes估计

文章给出了Mlinex损失函数下两参数广义指数分布形状参数的Bayes估计及其容许性,并对该分布的充分统计量的逆线性形式的容许性进行讨论.最后通过蒙特卡洛模拟说明Bayes估计在小样本情形时的优良表现。

刻度指数族参数的经验Bayes双边检验问题——加权损失函数情形

在加权损失函数下讨论了刻度指数族中参数的经验Bayes(EB)双边检验问题.利用概率密度函数及其导数的核估计方法构造了EB检验函数并证明了其渐近最优性,获得了其收敛速度.最后,给出了一个符合定理条件的例子.

加权平衡熵损失函数下Poisson分布参数的Bayes估计

首先,基于平衡损失函数的形式,给出一个加权平衡熵损失函数,并将其应用到Poisson分布中,得到了该损失函数下参数的Bayes估计.其次,在先验分布为Gamma分布的条件下,给出估计量的显式表达式,证明估计量的相合性,并利用QQ图的方法检验估计量的渐近正态性。

熵损失函数下两参数广义指数分布形状参数的Bayes估计

在熵损失函数下,讨论了两参数广义指数分布形状参数的Bayes估计和可容许估计,并讨论了一类(CT+d)-1形式估计的可容许性和不可容许性。

平衡指数损失函数下的信度保费

在经典的信度保费模型中,得到的信度保费估计均是考虑的是纯保费,然而在保险实务中,保险公司收取的保费不可能是纯保费,必须具有正的安全负荷.在平衡指数损失函数下,研究了多合同的信度保费模型.利用正交投影方法,得到了未来保费的信度估计.最后对估计进行了数值模拟.

对称熵损失函数下两参数广义指数分布形状参数的Bayes估计

在对称熵损失函数下,讨论了两参数广义指数分布形状参数的Bayes估计和可容许估计,并给出了一类逆线性形式(cT+d)-1估计的可容许性和不可容许性的条件.

加权平衡损失下一类单参数指数分布族参数估计的可容许性

在加权平衡损失函数下,考虑了一类单参数指数参数分布族,得到了参数的Bayes估计,并讨论了一类c T+d形式估计的可容许性和不可容许性.

加权平方损失下逆指数分布参数的估计

基于E-Bayes估计和多层Bayes估计的定义,本方法在加权平方损失函数下,首先研究了逆指数分布参数θ的Bayes估计,得出所求的Bayes估计具有可容许性和最小最大性,并进一步讨论参数θ的E-Bayes估计及多层Bayes估计。其次通过研究最大后验区间估计,验证了估计的合理性。最后运用R软件进行数据模拟,并验证了逆指数分布参数估计的仿真性较高。

加权平衡损失函数下逆伽马分布的Bayes估计

在逆伽马分布尺度参数的先验分布为其共轭先验分布伽马分布Γ(a,b)时,给出了其在加权平衡损失函数下的Bayes估计、E-Bayes估计和多层Bayes估计.最后通过数值模拟,说明了此3种估计具有较高的稳健性和精确性,其中多层Bayes估计的稳健性最好,E-Bayes估计的精确性最好.

应用罚函数方法构建广义指数因子预报模型——黄金价格预测的实证分析

采用不同的损失函数和罚函数构建了广义指数预报因子模型,用该模型来预测国际黄金价格.构建方法包括:1)岭估计方法;2)基于L1、L2以及二者结合的损失函数LM,利用LASSO和SCAD 2种罚函数选取不同参数EWMA的线性组合作为预报因子.实证检验表明,该方法构建的模型有效改进了单参数EWMA预测模型,其预测精度优于已有方法.

基于多类指数损失函数逐步添加模型的改进多分类AdaBoost算法

多类指数损失函数逐步添加模型(SAMME)是一种多分类的Ada Boost算法,为进一步提升SAMME算法的性能,针对使用加权概率和伪损失对算法的影响进行研究,在此基础上提出了一种基于基分类器对样本有效邻域分类的动态加权Ada Boost算法SAMME.RD。首先,确定是否使用加权概率和伪损失;然后,求出待测样本在训练集中的有效邻域;最后,根据基分类器针对有效邻域的分类结果确定基分类器的加权系数。使用UCI数据集进行验证,实验结果表明:使用真实的错误率计算基分类器加权系数效果更好;在数据类别较少且分布平衡时,使用真实概率进行基分类器筛选效果较好;在数据类别较多且分布不平衡时,使用加权概率进行基分类器筛选效果较好。所提的SAMME.RD算法可以有效提高多分类Ada Boost算法的分类正确率。

加权平衡损失下泊松分布参数的Bayes估计

文章在加权平衡损失函数下,得到了泊松分布参数的Bayes估计和可容许估计,并讨论了一类cX+d形式估计的可容许性和不可容许性。

加权指数损失下长短时记忆网络换道意图识别模型

针对车道变换意图识别中数据源单一,传统序列模型难以捕获长序列范围内换道意图且存在长期依赖问题,提出一种结合时间信息加权指数损失函数的长短时记忆(long short-term memory,LSTM)车辆换道意图识别模型。首先,利用驾驶模拟舱、眼动仪进行高速公路驾驶实验,采集车辆运行数据和驾驶员眼动数据;然后,基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型,提出基于时间信息加权的指数损失函数对模型权重进行优化;最后,利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其他模型进行对比,所提模型换道识别的准确率为91.33%,宏平均精确率为89.04%,宏平均召回率为92.84%,宏平均F1值为90.33%。结果表明,长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力,提出的损失函数对模型权重优化具有良好的效果。

双边定数截尾下广义指数分布的贝叶斯估计

在双边定数截尾样本下,给出了两参数广义指数分布参数的贝叶斯估计。基于共轭先验分布,分别在刻度平方误差损失函数和Linex损失函数下,给出参数的贝叶斯估计和多层贝叶斯估计,运用随机模拟方法对各种估计结果的优良性进行了分析比较。

双边定数截尾试验下广义指数分布的可靠性分析

基于双边定数截尾试验,在无信息先验和共轭先验下,给出了广义指数分布参数的Bayes估计。同时在熵损失和加权平方损失函数下,给出可靠度函数的贝叶斯估计。最后运用Monte Carlo方法对估计结果进行了模拟比较。

基于预防维修和质量损失函数的VSI EWMA控制图经济设计

为了提高过程监控效率的同时降低过程控制成本,研究可变抽样区间(VSI)指数加权移动平均(EWMA)控制图的经济设计问题.首先建立基于预防维修和质量损失函数的VSI EWMA控制图联合经济模型;使单位时间的损失成本函数最小来确定参数的最优值;其次用遗传算法来寻找联合经济模型的最优解,并给出一个算例.最后对VSI EWMA控制图联合经济模型进行灵敏度分析,得出控制图模型参数对设计参数的影响关系.

具有多合同的广义加权保费的信度估计(英文)

本文讨论了广义加权保费原理下的信度估计,并把结论推广到多合同模型.通过概率分布的变换,本文得到了多合同模型下广义加权保费的非齐次和齐次信度估计.并且讨论了这些估计的统计性质.最后,运用重抽样方法讨论了信度因子中未知结构参数的估计.数值模拟表明,非齐次信度估计能运用于保险实际.

利用指数损失因子提高长短期记忆网络轨迹预测精度的方法

长短期记忆(LSTM)网络在车辆轨迹预测任务中取得了一定的成效.然而,LSTM网络预测时会引入累积误差,导致轨迹预测的精度随预测时间逐渐降低.如何减小LSTM网络在轨迹预测过程中的累积误差是一个关键性问题.为解决此问题,使用随预测时间增长的指数函数对平滑的L1损失函数进行加权来降低累积误差,使模型能更加准确地预测出车辆的未来轨迹.为验证此方法的有效性,以长短期记忆网络编码器解码器模型为基础,在美国交通部下一代仿真计划(NGSIM)采集的US-101和I-80数据集上进行验证.结果表明,与近年来的深度学习方法相比,本文提出的轨迹预测方法0.2 s时刻平均误差从0.3320 m降低到0.1032 m,且5 s时刻平均误差由原来的7.7168 m降为6.6243 m,总体上比原来降低了14.16%,有效减小了累积误差.