基于强化学习的比价网站保险定价
证券定价
2023-08-15 v1 机器学习
统计金融
摘要
比价网站(PCWs)的出现给保险公司制定有效定价策略带来了独特挑战。在PCWs上运营要求保险公司在竞争保费与盈利能力之间取得微妙平衡，同时面临历史转化率低下、竞争对手行为可见性有限以及市场环境动态等障碍。此外，该业务资本密集的性质意味着定价低于客户风险水平可能导致保险公司偿付能力问题。为应对这些挑战，本文引入了一种强化学习(RL)框架，通过结合基于模型与无模型的方法来学习最优定价策略。基于模型的组件用于在离线环境中训练智能体，避免冷启动问题，随后以上下文_bandit(CB)方式采用无模型算法动态更新定价策略以最大化预期收益。这促进了对演进市场动态的快速适应，并增强了算法效率与决策可解释性。本文还强调了以一致方式使用离线数据集评估定价策略的重要性，并展示了所提方法相对于现有现成RL/CB方法的优越性。我们使用合成数据验证了我们的方法，该数据生成用以反映真实世界保险公司内部的私有商业可用数据，并与另外6种基准方法进行比较。我们的混合智能体在样本效率与累积奖励方面优于这些基准，除了一类可获取完美市场信息（在真实环境中不可得）的智能体之外。
引用
@article{arxiv.2308.06935,
title = {Insurance pricing on price comparison websites via reinforcement learning},
author = {Tanut Treetanthiploet and Yufei Zhang and Lukasz Szpruch and Isaac Bowers-Barnard and Henrietta Ridley and James Hickey and Chris Pearce},
journal= {arXiv preprint arXiv:2308.06935},
year = {2023}
}