基于分位数回归的交强险费率厘定研究

交强险具有多种保险责任的特点为其费率厘定带来新问题。本文通过索赔分类的思想对我国某地区交强险的保单数据进行分析,探讨用于分类费率厘定的因子是否能够真实反映被保险人在人身伤害或财产损失类索赔中呈现的风险特征。运用零调整的分位数回归,我们发现现有费率因子对于这两类索赔的影响有显著区别,并且交强险目前的费率厘定方式无法真实反映被保险人的风险水平。本文提出费率因子对于不同损失程度的索赔应具有一致性效应,并据此来评价费率厘定的合理性。本文建议将两类索赔分开厘定费率或加入新费率因子等方案可以改进目前的费率厘定方法。     

我国商业车险奖惩系统研究

商业车险的费率主要由先验费率和浮动费率两部分构成。先验费率通常使用广义线性模型进行厘定,而浮动费率则是通过奖惩系统(Bonus-Malus System,BMS)对先验费率进行的一种后验调整。我国现行的商业车险BMS存在转移规则不够合理和奖惩系数不尽准确的问题。本文使用动态转移规则,在线性约束下,通过最小化索赔频率真实值与预测值之间的均方误差,求得了BMS的最优奖惩系数,并基于我国某财产保险公司2015年的一组商业车险数据进行了实证研究。结果表明,本文的方法可以有效改善我国现行商业车险BMS存在的不足。     

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。     

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。     

非寿险费率厘定中的损失函数研究

在全球保险费率市场化大背景下,随着保险费率监管的不断放松,各国实力雄厚的大保险公司迫于市场竞争的压力,纷纷开始制定适合本公司特点的费率系统。保险公司理想的费率厘定模型是在不同类别保单持有人之间能够公平地分配保险风险损失,实现对投保人收取与之风险状况相一致的风险保费的最终目标。由于不同的损失函数能够对保费厘定系统中的奖惩机制进行不同的调节,从而可以较好地实现投保人之间保费的公平分担问题。因此,在费率厘定系统的构建过程中,损失函数的选择处于至关重要的一环。     

面板数据下的线性混合模型及其在车险费率厘定中的应用

精算师在进行车险净保费信度厘定时可采用关于面板数据的线性混合模型,本文采用每次交通事故平均损失额和事故发生频率作为车险净保费的计算指标。利用2008~2012年31个省、市、自治区5年的数据,建立面板数据下的线性混合模型,选取人均地区生产总值、每平方公里人口数、民用汽车拥有量作为解释变量,得到每次交通事故平均损失额和事故发生频率的估计模型,进而得到纯保费估计。这一研究可为车险费率市场化提供一定的理论支持和参考。     

基于机器学习算法的个体索赔准备金评估模型

非寿险赔款准备金对保险公司的风险管理和财务决策具有重要影响。传统的准备金评估方法通常基于汇总的流量三角形数据进行建模,没有充分利用个体索赔案件的信息,且存在参数过度化、难以处理大额赔款和负增量赔款等问题。本文基于每份保单的个体索赔信息,使用随机森林和XGBoost等机器学习算法对案件的赔付状态、赔付金额分别建立了预测模型,改进了传统准备金评估模型的预测效果。实证研究结果表明,影响赔付状态的因素主要是结案状态、报案延迟等跟案件相关的信息,而影响赔付金额的因素则主要是历史赔付金额等反映出险事故严重程度的信息。本文最后还给出了RBNS准备金的预测分布,其结果更加接近准备金的真实值且方差更小,表明在非寿险RBNS准备金评估中,基于机器学习算法的个体索赔准备金评估模型优于传统的准备金评估模型。     

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。     

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。     

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。     

基于机器学习算法的车险索赔概率与累积赔款预测

保险费率厘定的核心工作是对保险损失的预测。在保险损失预测中,广义线性模型是目前使用最为广泛的主流方法,而机器学习算法则提供了一种新的选择。本文将支持向量机、神经网络和集成学习等机器学习算法应用于汽车保险的损失预测,建立了索赔发生概率的预测模型和累积赔款的预测模型,并与传统广义线性模型中的logistic回归模型和伽马回归模型进行了比较。结果表明,机器学习算法的优点是不依赖于分布假设,在一定程度上可以提高保险损失预测的精度,缺陷是比较耗时,建模过程中的人为干预较多,对使用者提出了更高的要求,且输出结果的可解释性不及广义线性模型。机器学习算法与广义线性模型在保险损失预测中各有优缺点,具有互补性,在实际应用中,可以根据不同的场景选择不同的方法。     

广义估计方程在商业车险定价中的应用

2015年4月中国保监会在全国六个地区进行商业车险费率改革试点,标志着商业车险市场化改革正式启动。费率市场化改革后,车险定价是否合理将成为财产保险公司竞争的主要手段。在车险定价中常用的模型是广义线性模型,该模型建立的一个重要假设是索赔数据的相互独立性。但在实践中,随着投保年份的增加,同一投保人不同年份的索赔数据具有相关性,此时广义线性模型不再适用。本文采用广义估计方程来处理索赔数据之间的相关性,实证研究表明,在数据具有相关性的情况下,广义线性模型低估了回归系数的标准差,使得不显著的变量变得显著,增加了风险分类的种类,对具有相同风险的被保险人收取不同的保费,导致保险逆选择问题,而广义估计方程将二阶方差成分引入限制性似然估计方程中处理索赔数据之间的相关性,从而有效解决上述问题。同时,该方法也丰富了非寿险定价工具,为精算师厘定费率提供新思路。     

损失额分布的非参数估计方法研究

在财险实务中,理赔额的分布直接影响到了费率厘定,准备金评估,以及“偿二代”下风险资本计算等精算问题上。理赔额是基于损失额确定的,但是损失额的真实分布未知,如果对其进行假设,则分析结果的误差会比较大。本文提出了损失额分布的非参数估计方法,即最大惩罚似然估计法,该方法对损失额分布不作任何假设,损失额分布完全由记录在案的理赔数据决定。新方法引入一种迭代算法来解决约束最优化问题,得到损失额的危险函数和生存函数最大惩罚似然估计,估计曲线平滑,便于分析风险变化的趋势。同时本文也建立了计算估计渐进方差的数学公式,该公式可以用来建立预测值的置信区间。随机模拟结果显示保单数量越大,分布估计越接近于真实值,渐进方差计算公式越精确。在“偿二代”监管框架下,新方法可以被保险公司作为内部模型来进行风险分析。     

汽车零整比对车险费率影响几何

作为财险公司主营业务的车险已成为保险消费者最为认知和熟悉的保险产品,但仍有其不成熟之处。＂零整比＂大数据的发布预示着车险费率市场化核心因素的改变和重新确立,其应用也将有利于费率水平与风险状况更好的匹配。传统的费率厦定模式及车险现状传统的费率一定模式。传统的车险费率采取分类厘定模式,同一类别的成员组成一个风险集合体,通过将具有相同期望损失的车辆进行分类而厘定该类别的费率。     

GAMLSS在非寿险费率分析中的应用

从广义线性模型（GLM）的局限性出发,分析了几种常见的扩展模型,并重点深入分析了基于位置、尺度、形状的广义可加模型（GAMLSS）。最后对一组保险数据建立了损失频率和损失强度的GAMLSS模型,并与GLM做了对比分析。从不同角度研究了GAMLSS在非寿险费率分析中的应用,本文的研究将丰富非寿险费率分析方法。     

基于进展时间和操作时间的两步广义线性混合模型非寿险准备金估计

对于非寿险准备金估计,传统流量三角形进展年的选择一直饱受争议,过长时易因数据不足难以估计,过短时可能会出现零赔付的情况。引入操作时间可以解决这一问题,但直接计算的操作时间实际上被严重高估。为此基于信度思想,使用个体信息将保单分组,建立两步广义线性混合模型,首先引入进展时间估计操作时间,再使用操作时间估计指定时间段内的未决赔款准备金。使用某非寿险公司的车损数据进行实证分析,并将该模型与使用传统流量三角的广义线性模型进行对比,结果均表明该模型效果甚佳。     

道路交通事故后果与我国交强险奖惩系统的构建与评价北大核心CSSCI

为实现车险高质量发展,2020年9月银保监会发布《关于实施车险综合改革的指导意见》,要求提升交强险保障水平,并通过在奖惩系统中增加区域浮动因子提高交强险费率厘定的科学性与公平性。被保险人所引致的道路交通事故后果与其风险水平高度相关,而现行的交强险奖惩系统并未考虑该风险因素。本文根据《公安部关于修订道路交通事故等级划分标准的通知》,将道路交通事故按后果分为轻微、一般和重大事故,结合区域特征与索赔次数等信息,构建一种新的奖惩系统。选取稳态下相对平均保费水平、稳态变化率等指标对新构建的奖惩系统进行评价,并以一组交强险实际赔付数据为例,进行实证分析。研究结果表明考虑道路交通事故后果的奖惩系统可以更好地区分风险,优化交强险后验费率厘定的效果。     

农村合作金融机构存款保险定价研究——基于安徽省的实证分析

建立存款保险制度可降低存款人参与存款挤提冲动,解决银行的脆弱性问题,从而促进金融稳定.如何为农村合作金融机构厘定适合其现实情况的费率,显得至关重要.本文采取随机抽样方式,运用预期损失分析模型,研判存款保险费率厘定对于农村合作金融机构的影响.分析表明,风险最大的银行预期损失较多,而资产最大的银行非预期损失较多;农村合作金融机构费率水平总体较高,其中农村信用联社费率最高.     

从应用视角浅谈外部数据质量评价

<正>银行业外部数据来源众多，对于外部数据的选择缺少统一的量化评价标准，同时数据质量评价和业务场景的结合也并不紧密。针对外部数据的质量问题，本文提出了一种基于先验和后验维度的外部数据质量综合评价模型。通过产业链拓客挖掘模型应用实例，演示先验数据质量维度的实际衡量过程和后验维度中结合业务的自适应调整过程，揭示了外部数据质量综合评价模型在具体业务场景的普适性。