提升算法对传统车险索赔频率建模模型的改进——基于我国五省交强险保单数据

论文摘要

广义线性模型作为非寿险定价的经典模型,在非寿险定价中得到了广泛的应用。近年来,以提升算法为代表的机器学习算法在保险领域取得了很好的效果,为保险产品定价提供了一种新的选择。本文将提升算法思想分别融入到回归树模型和广义线性模型(GLM)中去,用得到的新模型对我国车险索赔频率进行预测建模分析,并与传统的回归树模型和GLM进行比较。结果表明,加入提升算法后传统车险索赔频率建模模型的效果得到了很大的改善,并且在不存在过拟合的前提下,随着模型深度和迭代次数的增加,模型的效果也在不断优化。

论文目录

• 一、引 言
• 二、文献综述
• 三、索赔频率预测模型
•   1.GLM相关介绍
•   2.回归树模型
•   3.泊松提升树
•     （0）初始化
•     （1）迭代。当m=1,…,M时
•     （2）频率估计值
•   4.GLM提升算法
• 四、实证分析
•   （一）数据来源及说明
•   （二）训练集和测试集的相关分析
•   （三）实证结果分析
•     1.回归树
•       （1）树的生成
•       （2）最优子树
•     2.泊松提升树的实证结果分析
•     3.GLMBoost模型的实证结果分析
•     4.模型的预测分析
• 五、结 论

文章来源

类型: 期刊论文

作者: 张连增,申晴

关键词: 提升算法,回归树模型,广义线性模型,交强险,索赔频率

来源: 保险研究 2019年07期

年度: 2019

分类: 经济与管理科学,基础科学

专业: 数学,宏观经济管理与可持续发展,保险

单位: 南开大学金融学院

基金: 国家自然科学基金(No.71401041),中国特色社会主义经济建设协同创新中心资助

分类号: F224;F842.634

DOI: 10.13497/j.cnki.is.2019.07.006

页码: 67-78

总页数: 12

文件大小: 705K

下载量: 271