基于代理建模的大型保险组合有效经验费率厘定
统计方法学
2024-06-13 v3 风险管理
应用统计
统计计算
摘要
保险中的经验费率厘定使用贝叶斯可信模型，通过考虑保单持有人的属性和索赔历史来更新当前保费。用于该任务的大多数数据驱动模型在数学上难以处理，必须通过诸如 MCMC 模拟等数值方法获得保费。然而，这些方法计算代价高昂，在保单持有人层面应用于大型组合时甚至难以承受。此外，由于不存在解析表达式说明保单持有人的索赔历史如何用于更新保费，这些计算变成了“黑箱”过程。为应对这些挑战，本文提出一种代理建模方法，以较低代价近似推导出用于计算任意给定模型贝叶斯保费的解析表达式。作为方法的一部分，本文引入了保单持有人索赔历史的基于似然的概要统计量，作为代理模型的主要输入，并且对包括指数散度族在内的某些分布族是充分的。因此，通过直接评估该解析表达式，降低了大型组合经验费率厘定的计算负担，并可提供透明且可解释的贝叶斯保费计算方式。
引用
@article{arxiv.2211.06568,
title = {Effective experience rating for large insurance portfolios via surrogate modeling},
author = {Sebastian Calcetero-Vanegas and Andrei L. Badescu and X. Sheldon Lin},
journal= {arXiv preprint arXiv:2211.06568},
year = {2024}
}