用于联合保险理赔建模的二元 Gamma 混合专家模型
应用统计
2019-04-10 v1
摘要
在一般保险中，不同类别的风险常被独立建模，其总和被视为保险人以保费换取所承担的总风险。即便可能存在相关性，多风险的依赖性通常被忽略，例如单次车祸可能导致多个风险类别的理赔。在建模中考虑不同类别的协方差是可取的，以更好地预测未来理赔，从而提高费率厘定的准确性。本工作中使用具有二元 gamma 分布的混合专家模型研究多元损失模型，其中依赖结构直接用 GLM 框架建模，且协变量可置于门控网络与专家网络中。此外，考虑了简洁参数化，从而导出一类二元 gamma 混合专家模型。它可视为一种基于模型的聚类方法，将保单持有人聚类为具有不同依赖性的子组，且混合模型的参数依赖于协变量。聚类被证明在将数据分离为常存在强依赖的子组时十分重要，即便整体数据集仅呈现弱依赖。如此，不同组分内的相关性在模型中凸显。结果表明，通过应用于模拟数据与真实世界的爱尔兰一般保险数据集，理赔预测可得以改善。
引用
@article{arxiv.1904.04699,
title = {Bivariate Gamma Mixture of Experts Models for Joint Insurance Claims Modeling},
author = {Sen Hu and T Brendan Murphy and Adrian O'Hagan},
journal= {arXiv preprint arXiv:1904.04699},
year = {2019}
}