發(fā)布時間：2024-04-25 21:39

　　可變年金是重要的金融產(chǎn)品,該產(chǎn)品包含復(fù)雜的擔(dān)保,其在風(fēng)險計算上是昂貴的。因此,保險公司通過元建模方法對可變年金的大型投資組合進(jìn)行估值以節(jié)省運(yùn)行時間。然而,目前的元建模方法仍然有較低的估值精度,一個關(guān)鍵的問題是尋找少量代表性的年金合同是非常困難的。針對這一問題,本文提出了兩種新穎的投資組合的風(fēng)險評估模型:Transfer learning(TL)模型和Dimensionality reduced-transfer learning(DR-TL)模型。本文提出的TL和DR-TL模型是在Python3.5環(huán)境下實(shí)現(xiàn)的。它們的主要思想是:首先用z-score對輸入和輸出數(shù)據(jù)集進(jìn)行了歸一化處理;然后利用源域數(shù)據(jù)集訓(xùn)練生成預(yù)訓(xùn)練模型,并且在表征空間用k-means聚類生成代表性合同;接著用蒙特卡羅模擬估值代表性合同的風(fēng)險;最后用代表性合同微調(diào)預(yù)訓(xùn)練模型,并用微調(diào)的模型預(yù)測新數(shù)據(jù)的風(fēng)險。DR-TL與TL模型的區(qū)別在于,DR-TL能很好的克服高維聚類的敏感問題,從而生成均勻、分散的代表性合同。本文的貢獻(xiàn)是:通過表征空間而不是輸入空間用k-means聚類的方式能解決代表性合同的無效選擇問題,為提高模型精...

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1基于神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)示意圖

西安石油大學(xué)碩士學(xué)位論文16產(chǎn)品上去。在這種情況下，遷移學(xué)習(xí)將會節(jié)省大量的標(biāo)記成本。案例三：實(shí)時判斷wifi位置用戶在每一個時間段使用wifi的位置都可能不盡相同，想要建立位置模型實(shí)時校正wifi數(shù)據(jù)，代價是非常昂貴的。因?yàn)橛脩粜枰�在每一個位置收集和標(biāo)記大量的wifi信號數(shù)據(jù)。為....

圖3-1輸入數(shù)據(jù)的統(tǒng)計信息

第三章數(shù)據(jù)集描述23表3-2按產(chǎn)品類型劃分的性別分布GenderABRPABRUABSUDBABDBIBDBMBDBRPF7797688097877598338051221M1221123211911213124111671195GenderDBRUDBSUDBWBIBRPIBR....

圖3-2市場1的Deltas直方圖

西安石油大學(xué)碩士學(xué)位論文24圖3-2市場1的Deltas直方圖從圖上可以直觀地看到市場1的Deltas大部分是負(fù)的，這是因?yàn)閾?dān)保類于期權(quán)，有負(fù)增量。本次實(shí)驗(yàn)的Deltas來自兩個不同的市場，圖3-2展示的是市場1的風(fēng)險分布，它用于構(gòu)建源域的預(yù)訓(xùn)練模型，而其余市場的Deltas用于....

圖3-3市場1的統(tǒng)計信息

西安石油大學(xué)碩士學(xué)位論文24圖3-2市場1的Deltas直方圖從圖上可以直觀地看到市場1的Deltas大部分是負(fù)的，這是因?yàn)閾?dān)保類于期權(quán)，有負(fù)增量。本次實(shí)驗(yàn)的Deltas來自兩個不同的市場，圖3-2展示的是市場1的風(fēng)險分布，它用于構(gòu)建源域的預(yù)訓(xùn)練模型，而其余市場的Deltas用于....

本文編號：3964279