基于机器学习的保险定价中的自校准与Tweedie占优
机器学习
2021-07-12 v2 机器学习
计量经济学
摘要
提升技术和神经网络是保险定价中特别有效的机器学习方法。然而在实践中,关于训练机器学习模型所应使用的正确损失函数的选择,以及评估竞争模型合适指标的争论往往没完没了。此外,拟合值之和可能在很大程度上偏离观测总量,这常令精算分析师困惑。在熟悉的带典型链接函数的GLM之外,通过最小化偏差训练模型所固有的不平衡性已被Wüthrich (2019, 2020)实证记录,其将该现象归因于梯度下降模型拟合中的早停规则。本文旨在进一步研究当学习通过最小化Tweedie偏差进行时此现象。研究表明,最小化偏差涉及下偏矩加权差异积分与在特定尺度上度量的偏差之间的权衡。随后提出自校准作为补救。这一纠正偏差的新方法在分析中增加了额外的局部GLM步骤。理论上证明,它在纯保费计算中实现了自校准概念,并确保平衡在局部尺度上也成立,而非仅如现有偏差校正技术那样在组合层面成立。凸序似乎是比較竞争模型的自然工具,为Denuit等人(2019)提出的诊断图形及关联指标提供了新视角。
引用
@article{arxiv.2103.03635,
title = {Autocalibration and Tweedie-dominance for Insurance Pricing with Machine Learning},
author = {Michel Denuit and Arthur Charpentier and Julien Trufin},
journal= {arXiv preprint arXiv:2103.03635},
year = {2021}
}