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。     

零膨胀损失次数回归模型及其应用

在许多情况下,损失次数数据一方面具有零膨胀特点,另一方面尾部较长,存在过离散特征。此时,通常的损失次数模型（如泊松回归）将不能很好地拟合实际损失数据。本文对零膨胀泊松回归、零膨胀负二项回归、零膨胀广义泊松回归和零膨胀泊松—逆高斯回归的模型构造和参数估计进行讨论,并用这些模型对一组实际损失数据进行了拟合。结果表明,当实际数据存在零膨胀特点时,零膨胀回归模型可以显著改善对实际损失数据的拟合效果。     

试论会计发展的环境因素

试论会计发展的环境因素西北师范大学孟生旺会计作为一门社会科学，其发展离不开具体的社会经济环境。每一个国家都是根据自己特定的社会环境制定出适合本国需要的会计制度，因此，不同社会环境的因素必将产生不同的会计制度。目前，我国正在致力于政治经济体制全方位的改...     

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。     

相依风险条件下的汽车保险定价模型

车险保费由纯保费和附加保费两部分构成,其中纯保费往往占到保费的60%左右,主要用于覆盖保险公司的期望赔付金额,因此,纯保费预测是汽车保险定价的关键和基础。泊松-伽马模型和Tweedie模型是纯保费预测的两种主流模型。它们之间既有联系,又有区别。泊松-伽马模型中隐含了索赔频率与案均赔款之间相互独立的假设。当索赔频率与案均赔款之间存在负相依关系时,泊松-伽马模型可能高估保费,而存在正相依关系时可能低估保费。本文通过数据模拟的方法,分析了相依性对两种模型的影响,发现无论相依性如何变化,两种模型的对费率因子的估计值几乎相等。最后,通过一组实际数据的实证研究表明,两种模型的预测能力不相上下,其中Tweedie模型的预测误差略小,而泊松-伽马模型的稳健性略高。     

无需计算“库存系数”

无需计算“库存系数”甘肃西北师范大学孟生旺《上海会计》１９９３年第７期发表刁仁德同志撰写的《关于成品资金定额中“库存系数”问题的探讨》一文。该文认为，当产成品不预储仓库等待发运，而是每天入库，按期成批发运，那么计算成品资金定额时，成批发运间隔日数就要...     

债券利率风险度量方法及其风险防范

利率风险的防范离不开对利率风险的准确度量。目前广泛应用的利率风险的度量方法包括马考勤持续期，修正持续期和凸度等，因此本文首先对这些度量方法的特点进行了分析，然后指出了如何正确应用这些方法进行债券利率风险的度量和防范。在本文的最后，还指出在债券利率风险的度量和防范中很常见的一个误区。