面向一般保险定价的可解释深度学习模型
机器学习
2025-09-11 v1 综合金融
摘要
本文介绍了 Actuarial Neural Additive Model（ actuarial 神经加法模型），这是一种内在可解释的深度学习模型，用于一般保险定价，能够在保持神经网络强大预测能力的同时，提供完全透明和可解释的结果。该模型为每个单独的协变量和成对互动项分配一个专用的神经网络（或子网络），独立学习其对所建模输出的影响，同时通过各种建构约束实现对保险应用中必需的可解释性（例如稀疏性）和实际要求（例如光滑性、单调性）。本模型的开发建立在坚实的基础之上，我们提出了保险背景下可解释性的具体定义，并伴随严格的数学框架。就预测准确性进行比较，使用人工和真实保险数据集与传统 actuarial 方法以及最新机器学习方法进行比较。结果表明，该模型在大多数情况下均优于其他方法，同时在其内部逻辑方面提供了完整的透明度，凸显了强大的可解释性和预测能力。
引用
@article{arxiv.2509.08467,
title = {An Interpretable Deep Learning Model for General Insurance Pricing},
author = {Patrick J. Laub and Tu Pho and Bernard Wong},
journal= {arXiv preprint arXiv:2509.08467},
year = {2025}
}