發(fā)布時間：2020-04-17 20:54

【摘要】：隨著人工智能的迅猛發(fā)展,對各個行業(yè)和機構都帶來了不同程度的影響和沖擊,其在保險領域產生的影響也不容小覷。而人工智能涉及到的機器學習的算法和思想也潛移默化地對一些傳統(tǒng)精算方法產生了影響。目前,將機器學習技術應用在保險精算領域,是國際精算理論研究的熱點之一。由于機器學習技術處理信息的靈活性,使其更能適應個體之間的差異化特征。論文嘗試用機器學習中的分類與回歸樹(CART)方法和隨機森林方法預測非壽險準備金的索賠次數(shù),這樣的預測結果考慮到個體之間的差異性,對于保險定價也具有重要意義。論文首先對相關非壽險準備金的國內外研究進行了梳理,同時結合國際精算理論研究熱點與目前國內在這一領域研究的不足,從而確定論文的整體研究思路與研究方法。然后,對非壽險準備金的一些傳統(tǒng)精算方法進行了詳細的介紹與分析,再對機器學習技術中的分類與回歸樹(CART)方法和隨機森林方法從算法步驟和算法優(yōu)缺點等方面進行了非常詳盡的分析。最后,通過利用個體保險索賠的相關數(shù)據(jù)信息,運用機器學習算法中的分類與回歸樹(CART)算法和隨機森林算法對賠款次數(shù)進行預測,得到了基于個體信息的賠款次數(shù)的預測結果。并通過對比分類與回歸樹(CART)算法和隨機森林算法的預測準確率發(fā)現(xiàn):隨機森林的預測準確率的提高依賴于數(shù)據(jù)量與樹的個數(shù)的匹配情況;同時,在隨機森林里樹的個數(shù)不變的條件下,對于數(shù)據(jù)量較小的情況,隨機森林在一定程度上可以提升CART的預測準確率;但在數(shù)據(jù)量較大的情況下隨機森林的預測準確率反而不如單個CART的預測準確率高,這時就需要增加隨機森林里樹的個數(shù)才會使準確率有明顯的提高。
【圖文】：

圖２．１未決賠款準備金劃分示意圖逡逑如果在評估日時，事故已經發(fā)生但還并未報告給保險公司，這種就是存在報案延遲的逡逑事故，此時保險公司進行評估時并不知道事故已經發(fā)生，對于這種已發(fā)生但未報案的保事故產生的賠付支出所提取的資金準備就是“已發(fā)生未報案未決賠款準備金”逡逑另一種情況，如果在評估日，事故已經發(fā)生并及時報告給了保險公司，但由于保險司在進行賠付前需要對事故進行查勘、定損，在這期間保險公司還未進行具體的賠付支出，逡逑但是在評估時需要為這些已報告事故提取一定的準備金，所提取的這部分資金準備就“已發(fā)生已報案未決賠款準備金”。逡逑總之，非壽險責任準備金的構成主要是根據(jù)評估日時各種保單所處于的不同狀態(tài)進劃分。第一層按照保險事故是否發(fā)生，非壽險準備金分成未到期責任準備金（保險事故發(fā)生）和賠款責任準備金（保險事故已發(fā)生）；第二層中將賠款責任準備金分為未決賠和理賠費用準備金；第三層再進一步對未決賠款準備金和理賠費用準備金進行劃分，其中，逡逑未決賠款準備金根據(jù)在評估日時是否存在報案延遲，可進一步分為已發(fā)生已報案賠款準

＃估曰邐評崔曰逡逑圖２．１未決賠款準備金劃分示意圖逡逑如果在評估日時，事故已經發(fā)生但還并未報告給保險公司，這種就是存在報案延遲的逡逑事故，此時保險公司進行評估時并不知道事故已經發(fā)生，對于這種已發(fā)生但未報案的保險逡逑事故產生的賠付支出所提取的資金準備就是“已發(fā)生未報案未決賠款準備金”逡逑另一種情況，如果在評估日，事故已經發(fā)生并及時報告給了保險公司，但由于保險公逡逑司在進行賠付前需要對事故進行查勘、定損，在這期間保險公司還未進行具體的賠付支出，逡逑但是在評估時需要為這些已報告事故提取一定的準備金，所提取的這部分資金準備就是逡逑“已發(fā)生已報案未決賠款準備金”。逡逑總之，非壽險責任準備金的構成主要是根據(jù)評估日時各種保單所處于的不同狀態(tài)進行逡逑劃分。第一層按照保險事故是否發(fā)生，，非壽險準備金分成未到期責任準備金（保險事故未逡逑發(fā)生）和賠款責任準備金（保險事故已發(fā)生）；第二層中將賠款責任準備金分為未決賠款逡逑和理賠費用準備金；第三層再進一步對未決賠款準備金和理賠費用準備金進行劃分
【學位授予單位】：天津財經大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F840.62

【相似文獻】

相關期刊論文 前10條

1 沈智勇;蘇

本文編號：2631292