主流机器学习方法识别车险欺诈效果的比较研究

近年来,我国车险市场巨大的体量也催生了许多车险欺诈案件,然而传统的车险欺诈识别手段效率不佳,本文采用机器学习的方法,基于包含中国在内的四个数据集进行了实证分析,以比较六种主流机器学习方法对车险欺诈的预测表现以及预测表现的稳健性。本文对四个原始数据集进行数据分割,使原数据集分为训练集和测试集,训练集用于构建机器学习模型,测试集用于评估机器学习模型的效果,从而评估各机器学习方法的预测表现以及预测表现的稳定性。首先基于特征空间采用SMOTE采样法,使训练集中的欺诈样本数与非欺诈样本数达到平衡。之后采用10折交叉验证法选取最佳的参数组合来确定机器学习中的最优调节参数,并采用ROC曲线及曲线下方的面积AUC作为模型预测效果的评估标准,以避免主观选取截断点造成的影响。最终,研究发现极端梯度提升决策树模型和随机森林模型的预测表现以及预测表现的稳定性较好。     

手机分期消费贷款信用风险研究——基于RF-Logistic模型的实证分析

识别手机分期消费贷款违约因子是防范手机消费贷款业务信用风险的关键所在。为此,基于融合随机森林（RF）和逻辑回归（Logistics）两阶段模型,通过数据挖掘揭示风险特征重要性含义,并结合经济计量方法诠释异质性客户信用违约的基准逻辑。结果表明：入网时长、终端个数、客户月流量、终端时长是影响手机分期消费贷款客户信用风险的重要性特征变量,且边际影响分别为-0.039%、3.18%、-0.01%、-1.06%,模型泛化能力强,准确率达到74%。所以,要完善手机分期消费贷款信用风险管理应从交叉数据获取、社交网络、兴趣热点和消费习惯等方面着手。     

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。     

基于随机森林模型的股票多因子投资研究

机器学习模型由于其对变量间共线性及非线性关系的处理能力,在金融投资领域得到了越来越广泛的应用.利用23个常见因子建立随机森林模型,对中证500指数成分股收益率进行预测并构造投资组合,发现随机森林模型能够对个股的相对收益率进行较好的拟合和预测,多空投资组合的年化收益率和夏普比率分别高达27.31％和1.59;通过因子重要性分析发现,动量因子在随机森林模型中的作用最强,而长期的流动性水平显得最不重要;随机森林模型所代表的非线性因子在估值因子、规模因子和盈利因子上有一定暴露,超额收益极其明显.研究结论有助于促进人工智能和金融学的交叉融合研究,同时也为多因子投资提供了理论和现实参考.     

中小财险公司车险定价系统研究——以基于Z保险公司的车险定价系统为例

车险市场的马太效应愈发明显,行业监管改革也在倒逼车险经营专业化发展。为推动车险高质量发展,组织专业团队开展中小保险公司车险定价系统的研究工作,从0到1建立智能车险定价系统。对于中小保险公司在车险定价中共同的痛点,如数据维度单一、数据波动大、模型颗粒度粗等,进行了深入探究,探究了机器学习、高速行驶数据在车险定价上的应用,明晰了中小保险公司可以复制的数字化、精细化的车险经营方向。     

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。     

基于蚁群算法优化随机森林模型的汽车保险欺诈识别研究

汽车保险欺诈在全球范围内逐步蔓延,车险欺诈识别越来越受到社会关注。本文针对实际汽车保险索赔数据中样本数量大且不平衡的特点,提出了平衡随机森林和蚁群结合的组合分类器。首先,对高维、不平衡的车险索赔数据集进行特征选择与分类,将随机森林的特征重要性评价得分和数据的统计检验得分作为启发式信息,利用蚁群算法进行智能搜索,把随机森林的分类精度反馈给蚁群进行信息素的实时更新,挖掘出判别车险欺诈的特征组合。然后将基于蚁群优化算法的平衡随机森林模型应用到汽车保险欺诈识别中。研究结果表明：基于蚁群优化随机森林算法的汽车保险欺诈识别模型能够更好地对车险索赔数据进行分类预测,挖掘车险欺诈规律,具有更好的精确度和稳健性。     

中国系统重要性银行的测度与监管——基于协同风险法

本文应用GARCH回归的计量方法构造协同风险模型对我国上银行的系统性风险贡献度进行了实证分析,对我国系统重要性银行进行了阶梯分析,为银行系统性风险的识别和监管提供了实证依据,对于构建中国系统重要性银行的监管体系具有重要的政策意义。     

我国金融机构的系统风险重要性研究——基于Clayton Copula函数方法和MST网络模型

目前,我国金融监管部门对于系统重要性金融机构的监管主要聚焦于银行,对于金融机构系统风险的确定和评估则主要关注机构的规模和结构特征,尚未从机构的风险传染状况及定价估值水平等视角进行考量.对此,本文采用学界新晋发展的Clayton Copula函数方法和MST网络模型,构建我国主要金融机构的下尾依赖网络;结合网络拓朴指标,...     

大数据背景下税收风险识别精准度存量研究——基于机器学习的视角北大核心CSSCI

税收风险识别对税收风险管理至关重要。无论是业务驱动的传统税收风险识别还是数据驱动的分析模型,都很难从单方面来提高税收风险识别的精准度。利用新技术提高税收风险识别的精准度成为当务之急,机器学习成为可选项。本文认为,利用风险应对核查成果的效力,把机器学习运用到税务机关防范税收风险的识别中,可实现人工经验和大数据分析的双轮驱动,为提升税收智能化管理开辟新的视野路径。本文选取随机森林算法,以商贸企业为例,对虚开增值税发票风险建立识别模型,通过检验推演验证得知,该模型稳健可靠、预测准确性高,可供税务机关参考借鉴。     

基于双变量线性回归模型的养老金缺口研究

近年来,人民银行养老金缺口不断扩大,采用计量经济学模型定量分析养老金缺口,能够使其形成过程更加数量化、具体化、清晰化。为此,我们先对养老金缺口、离退休人数分别建立对数-线性增长模型,然后再对两个变量建立简单线性回归模型,并对回归结果进行检验和讨论。一、指标选择与数据选取我们以养老金缺口为被解释变量（因变量）Y,以离退休人数为解释变量（自变量）X,以时间序列为时间变量T,     

十一五、十二五期间中国货币政策有效性研究——基于因子扩展型向量自回归模型的分析

本文将我国经济产出与通胀水平识别为潜在变量,并依据动态因子建模路径,应用十一五、十二五期间的数据,对两个总体性变量进行了估计,在此基础上将这些潜在变量引入因子扩展型向量自回归模型(FAVAR),就我国货币政策对宏观经济的影响进行了估计.本文认为,在2006-2015年间,我国货币政策传导机制已较为接近主流市场经济国家,相对其他政策工具,存款准备金率与基准利率均表现出统计意义显著的数量效应与时间效应.     

宏观因素对国内股票市场影响的研究——广义线性回归和数据挖掘方法

文章主要通过金融工程当中的量化方法,研究主要宏观经济指标对国内股票市场的影响。文章对主要宏观经济指标序列进行分析筛选,运用统计学中的LOGISTIC回归模型以及数据挖掘的决策树模型,以从2002年5月至2011年12月的月度数据作为样本区间,分别建立用于解释上证综合指数上涨/下跌的LOGISTIC回归模型和决策树模型。在最后,文章对两种模型的结果以及模型局限性进行分析,并且提出后续的研究方向。     

股市互联、尾部风险传染与系统重要性市场——基于多元分位数回归模型的分析北大核心CSSCISSCI

随着我国证券市场日益融入世界金融体系,国际证券市场受到的极端冲击将会显著地传染到我国股票市场,但现有研究并不能有效地识别对A股具有系统重要性的市场。本文基于White et al.(2015)提出的多元分位数回归模型构建适用于分析证券市场的新Co Va R模型框架,并以此测算了中国加入WTO以来9个代表性境外证券市场对我国A股市场的尾部风险传染大小,对比了它们的系统重要性排名。研究发现,中国香港和美国对我国A股市场具有最高的系统重要性,而英国和德国的系统重要性排名最低。近年来,对外开放政策并没有实质提升我国金融市场的国际化水平,国际极端冲击对中国A股市场的风险传染还非常有限,其中,亚太区域因素的影响显著大于国际因素。这些结论对于我国准确监测和识别国外输入型的系统性风险,以及加强与欧洲发达国家跨区域的金融合作(如"沪伦通")提供了直接的经验证据。     

基于"去一法"的跨部门金融机构风险贡献度和系统重要性研究

基于改进的"去一法",运用前沿的?LGC(％)指标分析我国金融机构风险贡献度的截面和时序特征,并基于风险贡献度因子和规模因子构造了度量金融机构系统重要性的指标.研究结论认为:首先,相比于信托业,银行业、证券业和保险业的风险贡献度相对较高,其中规模相对较小的股份制商业银行的风险贡献度排名靠前;其次,风险贡献度指标所呈现的系统性金融风险的主要变动趋势与实际的金融风险事件的周期变动趋势相同,能有效识别风险事件;再次,分析影响风险贡献度的潜在因素,发现结果与现有文献相同,特别是金融机构的规模和业务活动是重要影响因素;最后,基于金融机构系统重要性指标分析结果发现,我国四大国有商业银行是系统重要性金融机构中排序靠前的金融机构,且相互之间的影响也是最大的.     

上市公司股价崩盘预警模型研究——基于Cox回归与集成学习的经验证据

本文选取A股上市公司作为研究对象,构建Cox回归模型探讨财务指标与非财务指标对上市公司股价崩盘的影响。实证结果显示：财务指标与非财务指标对股价崩盘有一定的预警作用,在所选取的指标中,现金流比率等因素对防止公司股价崩盘的发生起到保护作用,即现金流比率越高,公司股价崩盘风险越小;而管理层持股比例等作为危险因素,会加剧公司发生股价崩盘的可能性。进一步将Cox模型与集成学习模型相结合,发现模型的预测性能显著提升。研究发现了股价崩盘在时序上的变化规律及风险预期,为企业持续经营与风险防范提供参考借鉴,有助于促进资本市场的平稳运行;风险预警模型的建立有助于利益相关者有效识别股价崩盘风险,在一定程度上保护股东和投资者的权益。     

基于操作时间和广义线性混合模型的准备金评估技术研究

基于操作时间来重新设计流量三角形,通过对Hoerl曲线进行推广来刻画异质的损失进展模式,分别建立双广义线性混合模型和Tweedie分布簇广义线性混合模型来评估准备金。该模型可以综合信息平台汇总数据,同时利用个体经验数据和行业数据来评估任何保险公司在任何时点的准备金,解决传统准备金评估技术的弊端,为动态风险监管提供决策依据。在实证分析中,根据重疾险的数据特征,设计适合的准备金评估模型,最后进行对比分析,总结模型方法的优点、缺点和主要结论。