用深度神经网络重新思考 P&C 精算科学中的表示

保险公司收集了越来越多类用于保险流程的数据，但大多数传统费率厘定模型并非设计用以支持它们。特别是，许多新兴数据源（文本、图像、传感器）可补充传统数据，以更好地洞察预测保险合约中的未来损失。本文介绍了其中一些新兴数据源，并为精算师提供了一个统一框架以将这些数据纳入现有费率厘定模型。我们的方法源于表示学习，其目标是创建原始数据的表示。有用的表示会将原始数据变换为稠密向量空间，其中最终的预测任务更易于建模。我们的论文提出了将非向量数据变换为向量表示的方法，并给出了精算科学中的示例。