广义线性模型在非寿险费率厘定中的运用

广义线性模型(GLM)是一种基于风险分类的定价方法,也是目前公认的,非寿险产品费率厘定通用的指导性方法。GLM构造了一个考虑到各种已识别风险因素的费率厘定模型,并有效的体现了损失因素与损失赔付的各种特性。     

广义线性模型在非寿险费率厘定中的运用

广义线性模型(GLM)是一种基于风险分类的定价方法,也是目前公认的,非寿险产品费率厘定通用的指导性方法.GLM构造了一个考虑到各种已识别风险因素的费率厘定模型,并有效的体现了损失因素与损失赔付的各种特性.     

ZAIG模型在车险定价中的应用研究

近年来,国内财险公司利用广义线性模型（GLMs）对非寿险业务,尤其是车险业务进行建模和精算分析,使得精算技术人员对保险数据的处理更加细致、科学和公平。基于位置、尺度和形状的广义可加模型（GAMLSS）是GLMs、GAMs、DGLMs和GLMMs等的最新拓展,在介绍该模型的定义、算法和模型实现的基础上,以其框架下的零调整逆高斯模型（ZAIG）为一个特例,讨论了其在财险公司财险定价中的应用研究。最后,以瑞士汽车第三者责任保险的一组损失数据为例进行了实证分析,说明了零调整逆高斯模型在车险费率厘定中是一种较合理的方法,为精算技术人员提供参考和借鉴。     

ZAIG模型在车险定价中的应用研究北大核心CSSCI

近年来,国内财险公司利用广义线性模型(GLMs)对非寿险业务,尤其是车险业务进行建模和精算分析,使得精算技术人员对保险数据的处理更加细致、科学和公平。基于位置、尺度和形状的广义可加模型(GAMLSS)是GLMs、GAMs、DGLMs和GLMMs等的最新拓展,在介绍该模型的定义、算法和模型实现的基础上,以其框架下的零调整逆高斯模型(ZAIG)为一个特例,讨论了其在财险公司财险定价中的应用研究。最后,以瑞士汽车第三者责任保险的一组损失数据为例进行了实证分析,说明了零调整逆高斯模型在车险费率厘定中是一种较合理的方法,为精算技术人员提供参考和借鉴。     

提升算法对传统车险索赔频率建模模型的改进——基于我国五省交强险保单数据

广义线性模型作为非寿险定价的经典模型,在非寿险定价中得到了广泛的应用。近年来,以提升算法为代表的机器学习算法在保险领域取得了很好的效果,为保险产品定价提供了一种新的选择。本文将提升算法思想分别融入到回归树模型和广义线性模型(GLM)中去,用得到的新模型对我国车险索赔频率进行预测建模分析,并与传统的回归树模型和GLM进行比较。结果表明,加入提升算法后传统车险索赔频率建模模型的效果得到了很大的改善,并且在不存在过拟合的前提下,随着模型深度和迭代次数的增加,模型的效果也在不断优化。     

基于厚尾损失分布的汽车保险定价模型及其应用

我国目前正在推进商业车险费率的市场化改革,这要求保险公司使用更加准确的风险度量方法和损失预测模型。在汽车保险中,损失的厚尾性对费率厘定和风险管理都具有重要影响。本文引入密度函数的极限方法刻画损失分布的厚尾特征,构建二型广义贝塔分布下的GAMLSS定价模型,以改进传统广义线性模型中的指数族分布假设和只能对均值参数建模的局限。通过对国内商业车险损失数据的实证分析表明,使用厚尾分布假设和GAMLSS定价模型,可以提高汽车保险损失的预测精度,从而厘定更加合理的保险费率。     

基于双重广义线性模型的车险费率厘定及其与广义线性模型的比较

在车险费率厘定中,广义线性模型的应用最为广泛,然而其假设散度参数为常值,这限制了模型在车险定价中的进一步推广。双重广义线性模型能够对反应变量的均值与散度参数同时建立广义线性模型,提高了模型运用的灵活性与适应性。本文将双重广义线性模型应用到车险费率厘定中,直接对纯保费建立模型,以一组实际的汽车保险损失数据为样本进行实证研究,并与常用分布假设下的广义线性模型进行了对比分析。结果表明,双重广义线性模型得到的费率结构更为合理,符合实际。     

基于累积损失混合模型的贝叶斯保费研究

商业车险的费率由先验费率和后验费率两部分构成。通常使用广义线性模型厘定先验费率,然后基于个体保单的索赔经验,应用贝叶斯方法计算后验费率。在传统方法中,一般是分别根据索赔次数或索赔强度建立费率厘定模型。本文基于个体保单的累积损失数据建立了一种混合回归模型,并在此基础上计算贝叶斯保费,为非寿险费率厘定提供了一种新方法。在先验费率的厘定中,基于个体保单的累积损失数据建立混合零调整逆高斯回归模型,代替了传统的Tweedie回归模型。对先验费率进行调整时,用个体保单的累积损失代替通常使用的索赔次数或索赔强度,规避了索赔次数与索赔强度之间的相依性可能造成的干扰。     

基于广义线性模型的车险分类费率厘定研究

在车险分类费率厘定中,广义线性模型已经成为最为常用的方法。广义线性模型着眼于对费率的精确厘定,从而使保险公司的保费收入与其承担的风险相匹配,保障了公司的稳健经营。同时,也为保险公司选择优质业务提供依据,是一项重要的风险管理措施。对广义线性模型在车险分类费率厘定中的应用进行了实证研究,在分析了费率厘定流程的基础上构建了索赔次数和索赔强度的广义线性模型,并对实证结果进行分析。针对模型系数不显著的情况,尝试性地采用了合并风险等级的方法。在实证分析中发现,按照以下原则合并风险等级可以在一定程度上解决风险等级不显著的问题：其一,尽量保证合并后每个风险类别的风险暴露数不至于相差太多;其二,保证每个风险类别的风险暴露数满足信度要求;其三,尽量寻找临近的风险等级合并。     

Tweedie分布在车险费率厘定中的应用

在车险费率厘定中经常假设索赔频率与索赔强度分别服从泊松分布与伽玛分布,即假设总索赔服从复合泊松-伽玛分布。为了估计各风险类的纯保费(即总索赔均值),通常做法是对索赔频率与索赔强度分别建立广义线性模型(GLM),进而得到各风险类的索赔频率与索赔强度的均值,然后把两均值简单相乘即可;另一种做法利用复合泊松-伽玛分布是Tweedie分布的特例这一性质,直接对总索赔建立广义线性模型,进而也可以得到各风险类的总索赔均值。本文阐述了两种建模方法在处理车险费率厘定问题时的区别,通过对来自国外、国内的两组数据进行实证分析,比较了两种建模方法的优劣,并得到了一些初步结论。