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。     

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。     

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。     

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。     

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.     

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。     

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。     

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。     

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。     

基于供给侧视角的车险改革

车险改革情况2015年2月,保监会正式对外发布《关于深化商业车险条款费率管理机制改革的意见》,其主要目标是建立健全科学合理、符合我国国情的商业车险条款费率管理制度,以行业示范条款为主体,创新型条款为补充,建立标准化、个性化并存的商业车险条款体系。以大数法则为基础,市场化为导向,逐步扩大财产保险公司商业车险费率厘定自主权。     

上海市道路交通事故中车辆类型的分析

我国的机动车辆保险从2003年开始市场化,各保险公司已经经历了多次改革,车险费率也经历了从高到低,再从低到高的过程,但是不论车险费率如何变化,而车险业务似乎一直在亏损的边缘徘徊。分析其根本原因,大部分学者认为是因为车险费率没有充分地进行细化。在厘定车险     

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。     

按照行驶里程计费的车险创新：国外的理论与实践

传统车险定价和计费方式及其存在的问题 截至目前，除了对一些营运车辆，保险公司在车险费率厘定的过程中较少考虑车辆行驶里程的因素，保险公司根据其他因素确定费率之后，在承保年度初一次性收取全年的车险保费。     

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。     

基于分层广义线性模型的未决赔款准备金评估方法

本文将分层广义线性模型应用于未决赔款准备金的评估中,充分考虑了保险公司同一事故年赔款数据反复观测的纵向特征和不同事故年未观测到的特征所导致的异质性。从实证结果可以看出,分层广义线性模型可以根据先验信息和经验赔款调整先验权重,并得到与贝叶斯广义线性模型精确度和估计值都非常接近的未决赔款准备金评估值,且在突发事件情景下可以得到更稳定的评估值。     

回归树方法在车险索赔频率预测建模中的应用

近20年来广义线性模型在车险定价领域已成为被广泛使用的标准模型。但随着大数据时代的来临,数据记录变得越来越多,可用于车险定价的解释变量个数也变得越来越多,然而变量间的相关关系却通常很强。在这种情形下,亟待寻找新的定价方法,以实现更为精准的车险定价。本文应用机器学习领域中的回归树方法对车险索赔频率进行了预测建模,研究结果表明回归树方法在车险定价领域是广义线性模型很好的辅助与参考。     

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。