使用长短期记忆网络进行一般保险索赔的微观层面准备金计提
机器学习
2022-02-01 v1 计量经济学
应用统计
摘要
当保险索赔数据被聚合并结构化为发展三角形以进行损失准备金计提时，有关个体索赔的详细信息被完全忽略。为了从个体索赔特征中提取预测能力，研究人员最近建议放弃这些宏观层面方法，转而采用微观层面损失准备金计提方法。我们引入了一个离散时间的个体准备金计提框架，将细粒度信息纳入名为长短期记忆（LSTM）神经网络的深度学习方法中。在每个时间段，网络有两个任务：首先，分类是否存在付款或收回；其次，预测相应的非零金额（如果有）。我们在模拟和真实的一般保险数据集上说明了估计过程。我们使用预测未决损失估计值及其与实际值的比较，将我们的方法与链梯法聚合方法进行了比较。基于超过阈值的超额付款的广义 Pareto 模型，我们调整了 LSTM 准备金预测以考虑极端付款。
引用
@article{arxiv.2201.13267,
title = {Micro-level Reserving for General Insurance Claims using a Long Short-Term Memory Network},
author = {Ihsan Chaoubi and Camille Besse and Hélène Cossette and Marie-Pier Côté},
journal= {arXiv preprint arXiv:2201.13267},
year = {2022}
}