基于多智能体强化学习的动态再保险合约竞价
人工智能
2026-03-24 v2 综合经济学
经济学
摘要
本文开发了一种新颖的多智能体强化学习(MARL)框架用于再保险合约竞价，旨在解决传统经纪人中介竞价过程中长期存在的低效问题。我们提出的核心研究问题是：自主的、基于学习的竞价系统能否改善风险转移效率并在再保险市场中超越传统的定价方法？在我们的模型中，每个再保险公司由一个自适应智能体表示，在竞争性、部分可观测的环境中迭代优化其竞价策略。仿真明确纳入了制度摩擦，包括经纪人中介、既有优势、最后查看特权以及承保信息的不对称访问。实证分析表明，MARL智能体在承保利润上实现高达15%的提升，在尾部风险(CVaR)上降低20%，在夏普比率上提升超过25%，相对于精算和启发式基线方法。敏感性测试确认了超参数设置下的鲁棒性，压力测试揭示了模拟灾难冲击和资本约束下的强韧性。这些发现表明MARL为实现更透明、更自适应和更风险敏感的再保险市场提供了可行路径。所提出的框架为算法市场设计、策略竞价和AI驱动的金融决策交叉领域的新兴文献做出了贡献。
引用
@article{arxiv.2506.13113,
title = {Dynamic Reinsurance Treaty Bidding via Multi-Agent Reinforcement Learning},
author = {Stella C. Dong and James R. Finlay},
journal= {arXiv preprint arXiv:2506.13113},
year = {2026}
}
备注
The authors have determined that the current version contains incomplete analysis and preliminary results that are not suitable for public dissemination. The paper is withdrawn pending major revision