×
圣埃芬·洛伊塞尔;皮埃里克·皮埃特;蔡正贤

使用机器学习方法将经济措施应用于失效风险管理。 （英语） Zbl 1480.91224号

阿斯廷公牛。 51，第3号，839-871（2021）.
摘要：对寿险公司而言，对投保人的失效行为建模非常重要，因为失效会影响定价、准备金、盈利能力、流动性、风险管理和保险公司的偿付能力。在本文中，我们将两种机器学习方法应用于失误建模。然后，我们通过统计准确性和盈利能力度量来评估这两种方法以及两种流行的统计方法的性能。此外，我们对来自流失管理的失效预测问题采取了创新的观点。我们将分类问题转化为回归问题，然后进行优化，这是失效风险管理的新方法。我们将上述四种方法应用于大型真实世界保险数据集。结果表明，极限梯度提升（XGBoost）和支持向量机在统计精度方面优于逻辑回归（LR）和分类回归树，而LR在保留增益方面与XGBoost一样好。这突出了在比较不同方法时正确验证度量的重要性。改造后的优化带来了经济效益的显著持续增长。因此，保险人应该对其经济目标进行优化，以实现最优的失效管理。

引用于三文件

MSC公司：

91G05号 精算数学
68T05型 人工智能中的学习和自适应系统

关键词：

失效;人寿保险;机器学习;经济措施

软件：

XGBoost公司;对;e1071号
PDF格式BibTeX公司 XML格式引用
\textit{S.Loisel}等人，ASTIN Bull。51，编号3，839--871（2021；Zbl 1480.91224）
全文： DOI程序 arXiv公司 哈尔

参考文献：

[1] Albizzati，M.-O.和Geman，H.（1994），寿险保单中退保期权的利率风险管理和估值。《风险与保险杂志》，61（4），616-637。https://doi.org/10.2307/253641
[2] Aleandri，M.（2017）通过机器学习技术建模动态投保人行为。工作文件。https://www.dss.uniroma1.it/en/system/files/publicazioni/CopiaPubblicazione.pdf
[3] Ascarza，E.、Neslin，S.A.、Netzer，O.、Anderson，Z.、Fader，P.S.、Gupta，S.、Hardie，B.G.S.、Lemmens，A.、Libai，B.、Neal，D.、Provost，F.和Schrift，R.（2018）《追求增强的客户保留管理：回顾、关键问题和未来方向》。客户需求和解决方案，5（1），65-81。https://doi.org/10.1007/s40547-017-0080-0
[4] Bacinello，A.R.（2003）《带有年度保费和退保期权的担保人寿保险分红保单定价》。《北美精算杂志》，7（3），1-17。https://doi.org/101080/10920277.2003.10596097 ·Zbl 1084.62519号
[5] Barsotti，F.、Milhaud，X.和Salhi，Y.（2016）《人寿保险中的失效风险：投保人行为之间的相关性和传染效应》。保险：数学与经济学，71，317-331。https://doi.org/10.1016/j.insmateco.2016.09.08 ·兹比尔1371.91079
[6] Bauer，D.、Kiesel，R.、Kling，A.和Ruß，J.（2006）参与人寿保险合同的风险中性估值。保险：数学与经济学，39（2），171-183。https://doi.org/10.1016/j.insmateco.2006.02.003 ·邮编1098.91067
[7] Boser，B.E.，Guyon，I.M.和Vapnik，V.N.（1992）最优边缘分类器的训练算法。《计算学习理论第五届年度研讨会论文集》，COLT 1992，第144-152页。美国纽约州纽约市：ACM。https://doi.org/10.1145/130385.130401
[8] Breiman，L.（2001）《随机森林》。机器学习，45（1），5-32。https://doi.org/10.1023/A:1010933404324 ·Zbl 1007.68152号
[9] Breiman，L.（1996）装袋预测。机器学习，24（2），123-140。https://doi.org/10.1007/BF00058655 ·Zbl 0858.68080号
[10] Breiman，L.、Friedman，J.、Olshen，R.和Stone，C.（1984）分类和回归树。华兹华斯。https://doi.org/10.10201/9781315139470 ·Zbl 0541.62042号
[11] Buchardt，K.、Möller，T.和Schmidt，KW.（2015）半马尔可夫人寿保险体系中的现金流和投保人行为。斯堪的纳维亚精算杂志，8，1-29。https://doi.org/10.1080/03461238.2013.879919 ·Zbl 1401.91105号
[12] Campbell，J.、Chan，M.、Li，K.、Lombardi，L.、Purushotham，M.和Rao，A.（2014）寿险和年金产品投保人行为建模：调查和文献综述。精算师协会。
[13] Cerchiara，R.R.、Gambini，A.和Edwards，M.（2009）《人寿保险中的广义线性模型：偿付能力II下的递减和风险因素分析》。Giornale dell’Instituto Italiano degli Attuari，第72页，第100-122页。
[14] Chen，T.和Guestrin，C.（2016）XGBoost:一种可扩展的树木助推系统。《第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集》，KDD 2016，第785-794页。美国纽约州纽约市：ACM。https://doi.org/10.1145/2939672.29339785
[15] Chen，T.，He，T.、Benesty，M.、Khotilovich，V.和Tang，Y.（2015）XGBoost:极限坡度提升。R包
[16] Consiglio，A.和Giovanni，D.D.（2010）《不完全市场中投降期权的定价》。《风险与保险杂志》，77（4），935-957。https://doi.org/10.1111/j.1539-6975.2010.01358.x
[17] Cortes，C.和Vapnik，V.（1995）支持向量网络。机器学习，20（3），273-297。https://doi.org/10.1007/BF00994018 ·Zbl 0831.68098号
[18] Cox，S.H.和Lin，Y.（2006）养老金失效模型：托比特还是不托比特？精算师协会。
[19] Dar，A.和Dodds，C.（1989）《利率、应急基金假设和通过捐赠政策储蓄：英国风险与保险杂志的一些经验证据》，56（3），415-433。https://doi.org/10.2307/253166
[20] Eling，M.和Kiesenbauer，D.（2014）什么政策特征决定了人寿保险失效？德国市场分析。《风险与保险杂志》，81（2），241-269。https://doi.org/10.1111/j.1539-6975.2012.01504.x
[21] Eling，M.和Kochanski，M.（2013）人寿保险失效研究：已经做了什么，需要做什么？《风险金融杂志》，14（4），392-413。https://doi.org/10.1108/JRF-12-2012-0088
[22] )（2011）EIOPA关于偿付能力II第五次定量影响研究（QIS5）的报告。
[23] Friedman，J.H.（2002），随机梯度增强。计算统计学与数据分析，非线性方法与数据挖掘，38（4），367-378。https://doi.org/10.1016/S0167-94730100065-2 ·Zbl 1072.65502号
[24] Friedman，J.H.（2001）贪婪函数近似：梯度提升机。《统计年鉴》，29（5），1189-1232·Zbl 1043.62034号
[25] Gatzert，N.和Schmeiser，H.（2008）评估参与人寿保险合同中保费支付选项的风险潜力。风险与保险杂志，75（3），691-712。https://doi.org/10.1111/j.1539-6975.2008.00280.x
[26] Grosen，A.和Jörgensen，P.L.（2000）《人寿保险负债的公平估价：利率担保、退保期权和奖金政策的影响》。保险：数学与经济学，26（1），37-57。https://doi.org/10.1016/S0167-6687(99)00041-4 ·Zbl 0977.62108号
[27] Gupta，S.、Hanssens，D.、Hardie，B.、Kahn，W.、Kumar，V.、Lin，N.、Ravishanker，N.和Sriram，S.（2006）《客户终身价值建模》。《服务研究杂志》，9（2），139-155。https://doi.org/10.1177/1094670506293810
[28] Hoerl，A.E.和Kennard，R.W.（1970）岭回归：非正交问题的有偏估计。技术计量学，12（1），55-67。https://doi.org/10.1080/00401706.1970.10488634网址 ·Zbl 0202.17205号
[29] Hsu，C.-W.，Chang，C.-C.和Lin，C.-J.（2003）《支持向量分类实用指南》。工作文件。https://doi.org/10.1007/s11119-014-9370-9
[30] Hwang，Y.和Tsai，C.（2018）区分寿险产品的退保倾向和失效倾向。台湾风险理论研讨会，台湾台北。
[31] Jamal，S.（2017）《使用机器学习技术的失效风险建模：结构性失效驱动因素的应用》。《法国精算师公报》，17（33）：27-91。
[32] Kagraoka，Y.（2005）通过负二项模型对保险退保进行建模。工作文件。
[33] Kim，C.（2005a）退保率对资产负债管理的影响。《亚洲太平洋风险与保险杂志》，1（1）。https://doi.org/10.2202/153-3792.1004
[34] Kim，C.（2005b）用经济变量建模投降率和失效率。《北美精算杂志》，9（4），56-70。https://doi.org/101080/10920277.2005.10596225 ·Zbl 1215.91067号
[35] Kim，C.（2005c）向投保人报告尾部子群项目中的行为。精算师协会。
[36] Kuo，W.，Tsai，C.和Chen，W.K.（2003）关于失效率的实证研究：协整方法。《风险与保险杂志》，70（3），489-508。https://doi.org/10.111/1539-6975.t01-1-00061
[37] Lemmens，A.和Croux，C.（2006）打包并增强分类树以预测流失。《市场营销研究杂志》，43（2），276-286。
[38] Lemmens，A.和Gupta，S.（2020）管理客户流失以实现利润最大化。市场营销学，即将出版。
[39] Loisel，S.和Milhaud，X.（2011）从确定性到随机退保风险模型：相关性危机对经济资本的影响。欧洲运筹学杂志，214（2），348-357。https://doi.org/10.1016/j.ejor.2011.04.038 ·Zbl 1218.91086号
[40] Meyer，D.、Dimitriadou，E.、Hornik，K.、Leisch，F.、Weingessel，A.、Chang，C.和Lin，C.（2015）统计、概率、理论组系的杂项功能（原名：E1071）。R包版本1.7-0。
[41] Milhaud，X.（2013）预测退保行为的外源性和内源性风险因素管理。阿斯廷公报：《IAA杂志》，43（3），373-398。https://doi.org/10.1017/asb.2013.2 ·Zbl 1282.91161号
[42] Milhaud，X.，Loisel，S.和Maume-Deschamps，V.（2011）《人寿保险中的退保触发因素：在古典经济背景下，影响退保行为的主要特征是什么？》？《法国精算师公报》，11（22），5-48。
[43] Nelder，J.A.和Wedderburn，R.W.M.（1972）广义线性模型。英国皇家统计学会杂志：A辑（综述），135（3），370-384。https://doi.org/10.2307/2344614
[44] Neslin，S.A.、Gupta，S.、Kamakura，W.、Lu，J.和Mason，C.H.（2006）缺陷检测：测量和理解客户流失模型的预测准确性。《市场营销研究杂志》，43（2），204-211。https://doi.org/10.1509/jmkr.43.2.04
[45] Nielsen，D.（2016）XGBoost的树提升为什么XGBoo斯特赢得“每一个”机器学习竞赛？（硕士论文），挪威科技大学，特隆赫姆。http://pzs.dstu.dp.ua/DataMining/boosting/bibl/Didrik.pdf。
[46] Noble，W.S.（2006）什么是支持向量机？《自然生物技术》，24（12），1565-1567。https://doi.org/10.1038/nbt1206-1565
[47] Pinquet，J.、Guillén，M.和Ayuso，M.（2011）《长期保险中的承诺和失效行为：案例研究》。《风险与保险杂志》，78（4），983-1002。https://doi.org/10.1111/j.539-6975.2011.01420.x
[48] Powers，D.M.（2011）《评估：从精确性、召回和F-测量到ROC、信息性、标记性和相关性》。国际机器学习技术杂志，2（1），37-63。
[49] Renshaw，A.E.和Haberman，S.（1986）《人寿保险失效的统计分析》。精算师学会杂志，113（3），459-497。https://doi.org/10.1017/S0020268100042566
[50] Therneau，T.、Aktinson，B.和Ripley，B.（2018）递归分区和回归树。R包版本4.1-13。
[51] Tibshirani，R.（1996）通过套索进行回归收缩和选择。英国皇家统计学会杂志。B系列（方法学），58（1），267-288·Zbl 0850.62538号
[52] Tsai，C.，Kuo，W.和Chiang，D.M.-H（2009）考虑退保率和费用比率的政策年度结构的政策准备金分配。《风险与保险杂志》，76（4），909-931。https://doi.org/10.1111/j.1539-6975.2009.01324.x
[53] Vafeiadis，T.、Diamantaras，K.I.、Sarigannidis，G.和Chatzisavas，K.C.（2015）《客户流失预测的机器学习技术比较》。模拟建模实践与理论，55，1-9。https://doi.org/10.1016/j.simpat.2015.03.003
[54] Wainer，J.（2016）115个二进制数据集上14种不同分类算法族的比较。工作文件。
[55] Xia，G.和Jin，W.（2008）基于支持向量机的客户流失预测模型。系统工程-理论与实践，28（1），71-77。S1874-86510960003-XS1874-86510960003-X
[56] Zhao，Y.、Li，B.、Li、Xiu、Liu，W.和Ren，S.（2005）使用改进的单类支持向量机进行客户流失预测。摘自：《高级数据挖掘与应用》（编辑：Li，X.，Wang，S.和Dong，Z.Y.），《计算机科学讲义》，第300-306页。柏林，海德堡：施普林格。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。