用于保险索赔频率的贝叶斯 CART 模型
机器学习
2023-12-04 v3 机器学习
统计金融
应用统计
摘要
（非寿险）保险定价模型的准确性与可解释性，是确保保单持有人获得反映其风险的公平透明保费的基本特质。近年来，分类与回归树（CARTs）及其集成在精算文献中日益流行，因其具备良好预测性能且相对易于解释。本文引入用于保险定价的贝叶斯 CART 模型，特别关注索赔频率建模。除常用于索赔频率的 Poisson 与负二项（NB）分布外，我们针对不平衡保险索赔数据所致困难，实现了零膨胀 Poisson（ZIP）分布的贝叶斯 CART。为此，我们引入一种利用数据增强方法的通用 MCMC 算法以进行后验树探索，并引入偏差信息准则（DIC）用于树模型选择。所提模型能够识别可更好将保单持有人分类为风险组的树。我们将讨论若干仿真与真实保险数据以阐明这些模型的适用性。
引用
@article{arxiv.2303.01923,
title = {Bayesian CART models for insurance claims frequency},
author = {Yaojun Zhang and Lanpeng Ji and Georgios Aivaliotis and Charles Taylor},
journal= {arXiv preprint arXiv:2303.01923},
year = {2023}
}
备注
46 pages