基于网络数据的统计学习及其在信用保险费率和准备金计算中的应用
应用统计
2025-09-26 v1
摘要
信用保险（TCI）是专门的财产和一般损失保险线，旨在因买方违约而保护企业免受财务损失。TCI 索赔的预测建模面临数据复杂性的巨大挑战，却在文献中鲜有探讨。我们利用来自亚洲 TCI 保险公司六年详尽数据的，构建一种双变量、网络增强的广义线性混合模型（GLMM），联合建模索赔概率和报告时间间隔。我们的模型整合了扩展阶次中心性和在企业和政策水平上的随机效应，针对数据不完整性进行调整，以捕获 TCI 数据特有的索赔历史、报告时间间隔和网络关系。为解决单个随机效应所需高维积分的实际可行性问题，我们提出一种可扩展的随机期望最大化（SEM）算法。使用该 TCI 数据集进行的数据分析表明，我们的方法在模型拟合和预测准确性方面显著优于基准模型，凸显了该方法在改进 TCI 信用保险费率和准备金计算中的有效性。本文的补充材料可作为在线补充材料提供。
引用
@article{arxiv.2509.20803,
title = {Statistical Learning of Trade Credit Insurance Network Data with Applications to Ratemaking and Reserving},
author = {Woongchae Yoo and Spark C. Tseung and Tsz Chai Fung},
journal= {arXiv preprint arXiv:2509.20803},
year = {2025}
}