通过 Transformer 增强精算非寿险定价模型

当前，关于神经网络用于非寿险定价的研究很多。通常目标是在广义线性模型（当前行业标准）基础上通过神经网络提升预测能力。我们的论文通过利用面向表格数据的 transformer 模型增强精算非寿险模型的新方法，为这一当前进程做出贡献。我们在此建立在组合精算神经网络以及 localGLMnet 所铺就的基础之上，并通过特征分词器 transformer 增强那些模型。手稿在真实世界的索赔频率数据集上展示了所提方法的性能，并与若干基准模型进行比较，如广义线性模型、前馈神经网络、组合精算神经网络、LocalGLMnet 和纯特征分词器 transformer。论文表明新方法有望在保持某些广义线性模型优势的同时取得优于基准模型的结果。论文还讨论了在精算环境中应用 transformer 模型的实际影响与挑战。