基于生存分析的非寿险准备金 IBNR 频率预测机器学习方法
统计方法学
2025-10-27 v3 应用统计
摘要
我们介绍了利用个体索赔数据（包括事故日期、报告延迟以及每个已报告索赔的可能附加特征）预测 IBNR（已发生但未报告）频率的新方法。我们提案的一个关键要素是计算发展因子，这些因子可能受事故日期和其他特征的影响。这些发展因子构成了预测的基础。虽然我们假设事故日期和报告延迟接近连续观测，但发展因子可以在任何粒度级别（如月、季度或年）上表达，且不同粒度级别的预测表现出一致性。发展因子的计算依赖于逆向发展时间中风险函数的估计，我们提出了估计该函数的三种不同方法：Cox 比例风险模型、前馈神经网络和 eXtreme gradient boosting。在这三种情况下，估计均基于相同的偏似然函数，该函数能够容纳数据中的左截断和结值。虽然第一种情况是部分假设对数线性结构的半参数模型，但两种机器学习方法仅假设基线和其他因子是可乘性分离的。通过广泛的模拟研究和真实数据应用，我们的方法展示了令人鼓舞的结果。
引用
@article{arxiv.2312.14549,
title = {A machine learning approach based on survival analysis for IBNR frequencies in non-life reserving},
author = {Munir Hiabu and Emil Hofman and Gabriele Pittarello},
journal= {arXiv preprint arXiv:2312.14549},
year = {2025}
}