零膨胀贝叶斯非参数模型对车险索赔频率的估计

在非寿险精算领域,往往数据中会出现大量的零次索赔情况,这一零聚集现象称为零膨胀现象。在保险实务中,导致零膨胀现象的原因有多方面:比如某些保险产品在设计时就设定了较高的理赔门槛,导致很多小额理赔无法触发,从而产生大量的零值数据;或是在保险期限内被保险人没有出险因而没有产生索赔等。为了拟合数据中过多的零值,用零膨胀模型是一种很有效的方法。目前精算中领域中解决零膨胀问题大多使用的零膨胀模型,都用传统的参数估计方法进行参数估计,都局限在有限维的参数空间中。本研究使用贝叶斯非参数模型,它是一种定义在无限维参数空间上的贝叶斯模型,其大小可以随着模型内数据的增大或减小而自适应模型的变化。因此,将贝叶斯非参数方法引入零膨胀问题中,使得模型综合了贝叶斯方法和非参数方法的诸多优点,具有更大的灵活性。对解决保险精算领域中的问题具有重要的理论意义与实际应用价值。

基于改进DeepFM的车险索赔预测模型的研究

广义线性模型因其简单且输出结果具有可解释性被广泛应用于车险索赔预测领域,但不能识别特征之间交互作用从而限制了模型的表现力。DeepFM使用因子分解机和深度神经网络分别捕捉低阶和高阶特征交互,在数据稀疏的实际场景取得了显著效果。在因子分解机的基础上引入域相关的权重,针对特征存在互相干扰的问题提出相应缓解策略,并将轻量级的视觉注意力机制作用于深度神经网络进一步提升模型的表现力。实验结果表明,提出的模型相比于基本的DeepFM模型取得了更好的风险分割效果。

基于车险索赔数据的GAMLSS模型研究

关于均值参数、尺度参数和形状参数的广义可加模型(GAMLSS),由广义线性模型(GLM)拓展而来。对索赔频率模型主要用泊松分布、负二项分布以及对应的零截断分布,对索赔强度模型采用伽马和逆高斯分布,依次创建GLM和GAMLSS模型。通过对比分析发现,零截断负二项分布下的GAMLSS模型更适合用于索赔频率的建模,逆高斯分布下的GAMLSS模型更适合对索赔强度的建模;基于所有参数建立的GAMLSS模型较常见的GLM模型有更好的表现。

广义线性模型在车险索赔频率应用中的可解释性分析

主要研究广义线性模型在车险索赔频率应用中的可解释性分析。重点介绍了分层划分方法、部分依赖图方法和局部累积效应。研究结果表明:运用分层重要性方法、局部累积图对广义线性模型进行变量重要性测度,得到广义线性模型具有较好的可解释性。

多元有序 Logistic 模型在车险索赔次数预测中的应用

新一轮商业车险综合改革对车险的精准定价提出了更高的要求,预测索赔次数是定价中非常重要的一环。泊松分布等计数分布所对应的零膨胀回归模型是常用的预测模型,现有研究主要集中于在此基础上发展出的零膨胀混合泊松模型。但是,混合泊松模型存在混合个数的确定太过主观和模型参数难以直观解释的缺点。为此,本文避免了对计数分布的讨论,将索赔次数作为分类变量,建立了多元有序Logistic回归模型。使用一组2017年的车险索赔数据进行实证分析,表明该模型的预测结果优于现有的零膨胀模型,并且有效提升了尾部概率估计的准确性。本文所讨论的多元有序Logistic回归模型为车险索赔次数预测提供了新思路,并且该模型拥有较强的解释性和灵活性。

过度离散型数据的统计模拟与分析

针对车险索赔次数数据经常出现的过度离散问题,采用数值模拟的方法,分别使用泊松模型(Poisson)、负二项回归模型(NB)以及广义泊松模型(GP)对不同程度的过度离散车险索赔次数数据进行拟合,并用均方误差、偏差以及AIC和BIC准则对Poisson、NB、GP三种模型的优良性进行比较分析,得到了不同条件下三种模型的优良性,并针对不同的条件给出了模型选择的建议.

泊松-逆伽玛分布假设下的GAMLSS回归模型

计数数据大量出现在医学、社会学、心理学、保险和交通等领域,是一类十分重要的数据类型。不过,计数数据常出现过度分散现象,使得普通的泊松回归模型无法解释,从而失去效用。本文研究一类混合泊松分布,专门用于拟合这种过度分散的计数数据。主要工作是基于现有的泊松-广义逆高斯分布、泊松-倒逆高斯分布和泊松-逆伽玛分布等三类混合泊松分布,利用广义可加模型(GAMLSS)的灵活性,构建泊松-逆伽玛分布假设下的GAMLSS模型。为验证模型性能,本文还将泊松-逆伽玛、泊松-倒逆高斯和负二项分布假设下的GAMLSS模型应用于车险索赔频率数据,并根据全局偏差、AIC和BIC等准则评估模型。结果表明,本文模型对过度分散的车险索赔频率数据的拟合明显优于负二项、泊松-倒逆高斯分布假设下的GAMLSS模型,是一个处理过度分散计数数据的有效模型。