Dynamic and granular loss reserving with copulae
近年来,保险中的随机方法得到了广泛的研究。为应付未来所有因保单而产生的索偿,必须量化未偿损失负债。损失准备金的计算方法主要是基于径流三角形的汇总数据。传统的储备技术有一些缺点:由于三角形中的聚集、零或负单元格,来自保单和索赔的发展的信息丢失;三角形中的观察值通常很少;最近事故年份的观察值很少;以及对最近支付的索赔的敏感性。为了克服这些困境,粒度损失准备金方法的个人索赔索赔数据将得出。储量估算是风险评估过程的重要组成部分,也是经济学研究的前沿课题。由于对不同类型的索赔甚至多个业务线的总准备金预测的需求越来越大,因此将建立一个时变Copula框架用于粒度准备金。
2018-01-05 econ.EM stat.AP
A Note on the Generalized Cape Cod Reserving Method
ETH Zurich(苏黎世联邦理工学院)
本文探讨了广义卡佩·科德预留方法的随机模型,推导了预测均方误差的分析公式,填补了该方法在不确定性分析方面的空白。
2026-04-30 q-fin.RM stat.AP stat.OT
Modeling Dependencies in Claims Reserving with GEE
索赔准备金问题的一种常用方法是基于广义线性模型(GLM)。在此框架内,假设不同起源和发展年份的索赔是独立变量。如果违背这一假设,经典的方法可能会提供不正确的预测索赔准备金,甚至误导估计的预测误差。本文介绍了广义估计方程(GEE)在理赔准备金估计中的应用。索赔三角形作为面板数据处理,其中同一事故年内的索赔额是相依的。由于GEE允许包含依赖关系,因此引入了各种相关结构,并给出了一些实用的建议。提出了GEE预留方法中的模型选择准则。此外,本文还以非标准的方式导出了理赔准备金预测均方误差的估计,并讨论了其优点。真实数据的例子提供了一个说明所提出的方法的潜在好处。
2013-06-17 math.PR math.ST stat.AP
Copula-based Modeling for IBNR Claim Loss Reserving
已发生但未报告索赔的准备金估计问题在精算学中受到越来越多的关注。在本文中,我们提出了一个基于Copula的依赖模型来捕捉两个主要IBNR储备变量之间的关系,即,两个连续事件之间的时间和延迟时间。采用极大似然估计方法对模型参数进行估计。通过仿真研究验证了理论结果的有效性。此外,所提出的方法被应用到预测索赔的数量为未来几年的投资组合,从一个主要的汽车保险公司,并比较了经典的CL模型预测。
2022-03-23 stat.AP
Micro-level Reserving for General Insurance Claims using a Long Short-Term Memory Network
Université Laval(拉瓦尔大学);Institut intelligence et données(智能与数据研究所)
当保险索赔数据被聚合并结构化在损失准备金的发展三角形中时,关于个人索赔的详细信息被完全忽略。为了从个人索赔特征中提取预测能力,研究人员最近提出了从这些宏观层面的方法转向微观层面的损失准备金方法。我们引入了一个离散时间个体保留框架,该框架将粒度信息引入到一种名为长短期记忆(LSTM)神经网络的深度学习方法中。在每个时间段,网络有两个任务:第一,分类是否有支付或恢复,第二,预测相应的非零金额,如果有的话。我们说明了一个模拟和一个真正的一般保险数据集的估计过程。我们比较我们的方法与链梯聚合方法使用的预测未决损失估计和它们的实际值。基于超过阈值的超额支付的广义帕累托模型,我们调整了LSTM储备预测以考虑极端支付。
2022-01-27 cs.LG econ.EM stat.AP
Individual claims reserving using the Aalen--Johansen estimator
本文提出基于条件 Aalen-Johansen 估计量的个体索赔准备金模型,将索赔规模作为底层变量构建多状态问题,通过模拟与真实数据验证了其预测总最终成本的有效性。
2024-06-03 stat.AP
Detection and treatment of outliers for multivariate robust loss reserving
本文提出两种稳健双变量链梯法(基于调整离群度和袋距离)处理异常值,并扩展至N维,在三变量数据集上验证效果。
2023-06-16 q-fin.RM stat.AP stat.ME
mCube: Multinomial Micro-level reserving Model
本文提出了一个多项多态微观储备模型mCube。我们提出了一个统一的框架建模的时间和支付过程IBNR和RBNS索赔和建模IBNR索赔计数。我们使用多项分布的时间过程和拼接混合模型的支付过程。我们说明了所提出的模型的一个主要的保险公司的身体伤害索赔的真实数据集上的出色表现。结果表明,所提出的模型产生的最佳估计分布,是围绕真正的储备。
2022-11-30 econ.EM stat.AP
Conditional Least Squares and Copulae in Claims Reserving for a Single Line of Business
非寿险的主要目标之一是估计索赔准备金分布。一个广义的时间序列模型,允许建模的条件均值和方差的索赔金额,提出了索赔发展。与经典的随机储备技术相反,模型参数的数量不依赖于开发周期的数量,这导致更精确的预测。此外,连续权利要求的时间序列创新不再被认为是独立的。利用条件最小二乘估计模型参数估计,并证明了估计的相合性。利用Copula方法对相关结构进行建模,提高了储量分布估计的精度。真实数据的例子提供了一个说明所提出的方法的潜在好处。
2013-06-19 math.PR math.ST stat.AP
The Negative Binomial Chain-Ladder: A Full Likelihood Model for Claim Count Reserving
University of Antwerp(安特卫普大学)
本文提出负二项链梯模型,通过泊松-伽马构造自然产生负二项分布,提供更清晰的生成解释,统一了链梯方法家族,并通过模拟验证了模型的稳健性。
2026-07-27 stat.AP stat.ME
A non-parametric estimator for Archimedean copulas under flexible censoring scenarios and an application to claims reserving
本文将Genest-Rivest阿基米德Copula非参数估计量扩展至灵活删失情形,通过图形化选择与拟合优度验证,并在加拿大车险数据上有效建模相关保险责任激活延迟的相依性,为索赔准备金提供支持。
2024-01-15 stat.AP stat.ME
A multistate approach to disability insurance reserving with information delays
PFA Pension(PFA养老金);Department of Mathematical Sciences, University of Copenhagen(哥本哈根大学数学科学系)
针对经典多状态框架无法处理伤残保险信息延迟的问题,提出新型个体准备金模型,证明其可通过修正经典准备金计算,并用真实数据验证了实际相关性。
2026-10-27 math.PR q-fin.RM stat.AP
A Bayesian Skew-heavy-tailed modelling for loss reserving
针对未决赔款金额不确定且数据常呈偏态重尾的问题,提出贝叶斯偏态重尾损失准备金模型,并用自适应 Metropolis 步骤的 MCMC 推断,案例表明其优于传统模型。
2023-12-05 stat.AP stat.ME stat.OT
Statistical Learning of Trade Credit Insurance Network Data with Applications to Ratemaking and Reserving
Maurice R. Greenberg School of Risk Science, Georgia State University(佐治亚州立大学莫里斯·R·格林伯格风险科学学院);Department of Statistical Sciences, University of Toronto(多伦多大学统计科学系)
针对贸易信用保险索赔数据复杂、预测建模不足的问题,提出双变量网络增强广义线性混合模型及可扩展随机期望最大化算法,显著提升模型拟合与预测精度,助力费率厘定与准备金计提。
2025-09-25 stat.AP
On unbalanced data and common shock models in stochastic loss reserving
引入共同冲击是一种流行的相关性建模方法,最近在损失准备金中有一些应用。这种方法的主要优点是能够捕获来自已知关系的结构依赖性。此外,它有助于大尺寸的相关矩阵的简约构造。然而,在“不平衡数据”的情况下,即在一个三角形上或三角形之间的(预期)观测值大小可能会有很大变化时,情况就会复杂化。具体来说,如果对所有这些单元格施加单个共同电击,除非进行仔细调整,否则它可能对较大值的贡献不显著,并且/或者淹没较小值。在涉及负索赔额的申请中,这一问题更加复杂。在本文中,我们解决这个问题的损失准备金的上下文中使用一个共同的冲击Tweedie方法不平衡的数据。我们表明,该解决方案不仅提供了一个更好的平衡,相对于不平衡的数据的共同冲击的比例,但它也是吝啬。最后,共同冲击Tweedie模型也提供了分布的可处理性。
2020-05-17 q-fin.RM stat.AP
Stochastic loss reserving with mixture density neural networks
神经网络为损失准备金提供了一种通用、灵活和准确的方法。然而,这类申请主要侧重于对未决索赔作出准确的中心估计这一(重要)问题。在实践中,关于未决索赔的可变性的性质同样重要(例如,用于监管目的的分位数)。在本文中,我们填补了这一空白,应用混合密度网络(“MDN”)的损失准备金。该方法结合了神经网络结构与混合高斯分布,同时实现了准确的中心估计以及灵活的分布选择。模型拟合使用滚动原点方法完成。我们的方法始终优于经典的过度分散模型的中心估计和分位数的利益,当应用到各种复杂性和规格的模拟环境。我们进一步扩展MDN的方法,提出了两个扩展。首先,我们提出了一种混合GLM-MDN方法称为“ResMDN”。这种混合方法一方面平衡了传统GLM模型的易处理性和易于理解性,另一方面又平衡了MDN提供的额外准确性和分布灵活性。我们表明,它可以成功地改善基线ccODP的错误,虽然在我们考虑的示例中,与MDN相比,通常会有性能损失。其次,我们允许明确的预测约束,使精算判断可以直接纳入建模过程。在整个过程中,我们专注于总损失三角形,并表明我们的方法是易于处理的,即使在数据量相对有限的情况下,它们也优于传统方法。我们使用模拟数据-验证属性,和真实的数据-来说明和确定的方法的实用性。
2021-08-18 q-fin.RM stat.AP stat.ME
Ensemble distributional forecasting for insurance loss reserving
本文提出一个系统性框架以客观集成多个随机损失准备金模型,通过考虑完整分布特性和准备金数据固有特征进行优化组合,在合成数据集中表现优于传统模型选择与等权集成方法。
2024-06-03 q-fin.RM stat.AP stat.ME
Individual Claims Forecasting with Bayesian Mixture Density Networks
Kasa AI(卡萨人工智能)
我们介绍了一个利用贝叶斯混合密度网络的个人索赔预测框架,可用于索赔分析任务,如案件保留和分流。所提出的方法能够整合来自结构化和非结构化数据源的索赔信息,生成多期现金流预测,并生成未来支付模式的不同场景。我们使用公开的数据实现和评估建模框架。
2020-03-05 cs.LG stat.AP
A machine learning approach based on survival analysis for IBNR frequencies in non-life reserving
University of Copenhagen(哥本哈根大学);Sapienza, Università di Roma(罗马大学)
本文提出基于生存分析的方法,利用个体索赔数据估计发展因子,通过Cox模型、神经网络和XGBoost预测IBNR频率,在不同粒度下保持一致,并经模拟和真实数据验证有效。
2025-10-24 stat.AP stat.ME
Marked Cox Models for IBNR Claims Count: Continuous and Discretized Approaches with Dirichlet-Driven Reporting Delays
University of Toronto(多伦多大学)
本文提出了一种基于隐马尔可夫模型的标记Cox模型,通过连续和离散化方法结合Dirichlet分布,改进IBNR索赔数的估计精度。
2024-09-19 stat.AP
Replicating and extending chain-ladder via an age-period-cohort structure on the claim development in a run-off triangle
本文提出一种以平均风险率为响应变量的GLM随机模型,可复制链梯法并降低参数数量,同时开发R包clmplus并在30个流量三角形上验证其扩展灵活性与实用价值。
2025-01-02 stat.AP
Conditional Prediction for Macro-Level Claims Reserving: What a Single Paid Triangle Identifies
University of Antwerp(安特卫普大学);KU Leuven(荷语鲁汶大学)
本文提出一种满足条件原理的自助法,用于宏观层面赔款准备金估计,通过Dirichlet-Gamma层次结构实现精确校准,改进了现有自助法的覆盖误差问题。
2026-09-15 stat.AP stat.ME
SynthETIC: an individual insurance claim simulator with feature control
近年来,机器学习在保险损失准备金中的应用迅速增加。当应用于大型数据集时,如个人索赔或大型索赔三角形,它们产生最大的价值。简而言之,它们可能在分析任何数据集时都是有用的,这些数据集的体积足以模糊其特征的肉眼视图。遗憾的是,精算文献中缺乏如此庞大的数据集。因此,需要转向合成数据。虽然这些方法的最终目标是应用于实际数据,但也应鼓励使用含有实际数据中常见特征的合成数据。虽然现有一些索赔模拟器,每一个都在其本身的情况下很有价值,但列入一些可取的(但复杂的)数据特征需要进一步发展。因此,在本文中,我们回顾了这些可取的功能,并提出了一个新的模拟个人索赔的经验,称为'SynthETIC'。我们的模拟器是公开可用的,开源的,并填补了非寿险精算工具包的空白。该模拟器特别考虑到在实践中通常发生的期望的(但可选地复杂的)数据特征,例如定居率和发展模式的变化;与叠加的通货膨胀和各种不连续性一样,并且还允许变量之间的各种依赖关系。用户完全控制个人索赔的演变机制。因此,生成的数据集的复杂性(意味着分析的难度水平)可以从非常简单到非常复杂的任何地方进行拨号。
2021-08-26 q-fin.RM stat.AP
Continuous chain-ladder with paid data
我们引入了一个连续时间的框架来预测未偿债务,其中链梯发展因素作为一个直方图估计的成本加权风险函数运行在相反的发展时间。我们使用这个公式表明,根据我们的假设,对个人的数据链阶梯是一致的。一致性的理解是,观察到的索赔数量增长到无穷大,汇总水平趋于零。我们提出了链梯发展因子的替代方案,用核平滑器取代直方图估计器,并估计成本加权密度而不是成本加权危险。最后,我们提供了一个真实的数据的例子和模拟研究,确认所提出的替代品的优势。
2020-02-06 stat.AP
A new perspective from a Dirichlet model for forecasting outstanding liabilities of nonlife insurers
预测未决赔款负债以设定足够的准备金对于非寿险保险公司的偿付能力至关重要。链梯和Bornhuetter-Ferguson是用于此任务的两个突出的精算方法。这两种方法之间的选择往往是临时的,由于不同的基本假设。我们引入了一个Dirichlet模型,它为这两种方法提供了一个共同的统计框架,具有一些吸引人的特性。根据可用信息的类型,模型推断自然会导致链梯预测或Bornhuetter-Ferguson预测。使用索赔数据工人的赔偿保险从几个美国保险公司,我们讨论了频率论和贝叶斯推断。
2019-04-09 stat.AP