IDEAS主页打印自https://ideas.repec.org/a/taf/uaajxx/v25y2021i2p255-285.html
  我的参考书目  保存此文章

利用基于树的机器学习方法提高保险费率计划的洞察力

作者

上市的：
  • 罗埃尔·亨卡特斯
  • 科特玛丽码头
  • 凯特里安·安东尼奥
  • Roel Verbelen公司

摘要

定价精算师通常在广义线性模型（GLM）的框架内运作。随着数据分析的兴起，我们的研究将重点放在机器学习方法上，以根据索赔的频率和严重程度制定完整的关税计划。我们对算法中使用的损失函数进行了调整，以便仔细地结合保险数据的特定特征：带有多余零的高度不平衡计数数据和频率侧不同的风险敞口，以及严重性侧稀少但可能长尾的数据。一个关键要求是需要透明且可解释的定价模型，该模型易于向所有利益相关者解释。因此，我们专注于决策树的机器学习：从简单的回归树开始，我们致力于更高级的集成，如随机森林和增强树。我们展示了如何在详细的交叉验证方案中为这些模型选择最佳的调整参数。此外，我们还提供了可视化工具，以从结果模型中获得见解，并评估了这些新建模方法的经济价值。提升后的树表现优于经典GLM，使保险公司能够形成盈利的投资组合，并防范潜在的不利风险选择。

建议引用

  • Roel Henckaerts&Marie-Pier Cóté&Katrien Antonio&Roel Verbelen，2021年。"利用基于树的机器学习方法提高保险费率计划的洞察力,"北美精算杂志《泰勒与弗朗西斯杂志》，第25卷（2），第255-285页，4月。
    • 手柄：RePEc:taf:uaajxx:v:25:y:2021:i:2:p:255-285
    内政部：10.1080/10920277.2020.1745656
    作为

    从出版商下载全文

    文件URL: http://hdl.handle.net/10.1080/10920277.2020.1745656
    下载限制：全文仅限于订阅者访问。
    文件URL: https://libkey.io/10.1080/10920277.2020.1745656？utm_source=ideas
    LibKey链接：如果访问受到限制，并且您的库使用此服务，LibKey会将您重定向到可以使用库订阅访问此项目的位置
    ---><---

    由于此文档的访问受到限制，您可能希望搜索换一个不同的版本。

    引文

    引文由CitEc项目，订阅其RSS源用于此项目。
    作为


    引用人：

    1. Freek Holvoet和Katrien Antonio&Roel Henckaerts，2023年。"具有频率和严重性数据的保险定价神经网络：从数据预处理到技术费率的基准研究,"论文2310.12671，arXiv.org，2023年10月修订。
    2. 张耀军（Zhang，Yaojun）和季（Ji）、兰鹏（Lanpeng）和艾瓦利奥蒂斯（Aivaliotis）、乔治欧斯（Georgios）和泰勒（Taylor）、查尔斯（Charles），2024年。"保险索赔频率的贝叶斯CART模型,"保险：数学与经济学爱思唯尔，第114（C）卷，第108-131页。
    3. Zuleyka Díaz Martínez&JoséFernández Menéndez&Luis Javier García Villalba，2023年。"汽车保险中的费率分析：是时候从广义线性模型转换为广义加性模型了吗？,"数学，MDPI，第11卷（18），第1-16页，9月。
    4. Zhiyu Quan、Changyue Hu、Panyi Dong和Emiliano A.Valdez，2024年。"利用保险技术创新改进商业保险损失模型,"论文2401.16723，arXiv.org。
    5. 本杰明·阿文齐（Benjamin Avanzi）、格雷格·泰勒（Greg Taylor）、梅兰塔·王（Melantha Wang）和伯纳德·王（Bernard Wong），2023年。"精算应用中具有高心智分类特征的机器学习,"论文2301.12710，arXiv.org。
    6. Marian Reiff&ErikŠoltés&Silvia Komara&TatianaŠoltésová&Silvia Zelinová，2022年。"基于对比分析的机动车第三方责任保险索赔严重性分割与估计,"平衡。《经济学与经济政策季刊》《经济研究所》，第17卷（3），第803-842页，9月。
    7. Verschuren，Robert Matthijs，2022年。"基于潜在马尔科夫风险预测的频率-可靠性经验评级,"保险：数学与经济学爱思唯尔，第107（C）卷，第379-392页。
    8. 托马斯·普菲纳斯（Thomas Poufinas）、佩里克利斯·戈加斯（Periklis Gogas）、提奥菲洛斯·帕帕迪米特里奥（Theophilos Papadimitriou）和埃马努伊尔·扎加尼迪斯（Emmanouil Zaganidis），202。"机器学习在汽车保险理赔预测中的应用,"风险，MDPI，第11卷（9），第1-19页，9月。
    9. 埃默·欧文斯（Emer Owens）、巴里·希恩（Barry Sheehan）、马丁·马林斯（Martin Mullins）、马汀·库尼恩（Martine Cunneen）、朱利安·雷塞尔（Juliane Ressel）和德国人卡斯蒂尼亚尼（Germa。"保险业中的可解释人工智能（XAI）,"风险，MDPI，第10卷（12），第1-50页，12月。
    10. Catalina Lozano Murcia和Francisco P.Romero&Jesus Serrano Guerrero&Jose A.Olivas，2023年。"精算环境下分类和回归问题的可解释机器学习方法比较,"数学，MDPI，第11卷（14），第1-20页，7月。
    11. Codru a Mare&Daniela Mana&Gabriela Mihaela Murešan&Simona Laura Dragoš&Cristian Mihai Dragoñ&Alexandra Anca Purcel，2022年。"罗马尼亚农民购买农作物保险的机器学习模型,"数学，MDPI，第10卷（19），第1-13页，10月。
    12. 胡长岳、全、志宇、冲、永丰，2022年。"基于树模型中基于改进损失函数的保险非平衡学习,"保险：数学与经济学爱思唯尔，第106（C）卷，第13-32页。
    13. 高，丽莎和石，彭，2022。"利用高分辨率天气信息预测冰雹损失索赔：复制点模式的空间点过程,"保险：数学与经济学，爱思唯尔，第107卷（C），第161-179页。
    14. Gu，Zheng&Li，Yunxian&Zhang，Minghui&Liu，Yifei，2023年。"使用回归森林模拟地震造成的经济损失：应用于参数保险,"经济建模爱思唯尔，第125（C）卷。

    有关此项目的更多信息

    统计

    访问和下载统计

    更正

    本网站上的所有材料均由各自的出版商和作者提供。您可以帮助纠正错误和遗漏。请求更正时，请提及此项目的句柄：RePEc:taf:uaajxx:v:25:y:2021:i:2:p:255-285。请参阅一般信息关于如何在RePEc中更正材料。

    如果您编写了此项目，但尚未在RePEc注册，我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。

    我们没有这个项目的参考书目。您可以使用这个表格.

    如果你知道引用这一条的缺失条目，你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者，您可能还需要检查您的RePEc作者服务个人资料，因为可能有一些引文等待确认。

    有关本项目的技术问题，或更正作者、标题、摘要、书目或下载信息，请联系：Chris Longhurst（以下电子邮件可用）。供应商的一般联系方式：http://www.tandfonline.com/uaaj.

    请注意，更正可能需要几周时间才能筛选出来各种RePEc服务。

    思想是一个经济学研究论文服务。RePEc使用各出版商提供的书目数据。