偏t分布假设下的空间效应模型及其应用

在非寿险索赔强度预测中,目前使用最为广泛的是广义线性模型。索赔强度的广义线性模型假设因变量服从伽马分布或逆高斯分布,且在预测项中仅能考虑协变量的线性效应。这些限制性条件都有可能影响索赔强度预测结果的准确性。本文对索赔强度的广义线性模型进行了推广:用偏T分布代替常用的伽马分布和逆高斯分布;在预测项中引入惩罚样条函数来描述连续型协变量的非线性效应;考虑索赔强度在不同地区的差异性和相邻地区的相依性。最后基于一组实际的车损险数据进行了实证研究,结果表明,本文的推广模型可以明显提高索赔强度预测模型的拟合优度。     

极值理论及其在巨灾再保险定价中的应用

巨灾损失中往往存在极端值,一般统计分布对其拟合效果欠佳,本文运用极值理论对极端值建模,基于分层定价的思想,在不同的起赔点下对再保险超额损失部分的定价进行了探讨,并以洪水损失数据为例进行了实证研究,拟合了POT模型,得到了洪水再保险纯保费。     

保险公司的偿付能力监管模型

本文提出了一种全新的偿付能力评价模型,即未偿率模型,随后讨论了未偿率模型在各种损失分布情况下的应用.在本文的最后,还讨论了未偿率模型在指数分布利正态分布条件下的一些特殊性质.     

考虑空间效应的贝叶斯分层模型与索赔频率预测

在非寿险索赔频率预测中,使用最为广泛的是广义线性模型.但是,如果观察数据呈现出明显的零膨胀特征,或者包含空间协变量,或者某些协变量之间具有分层结构,则广义线性模型的拟合优度往往欠佳.在零膨胀分布假设下,建立了考虑空间效应的贝叶斯分层模型,并将其应用于索赔频率预测.在模型中,用惩罚样条函数描述连续型协变量的非线性效应,用高斯马尔科夫随机场描述相邻地区在索赔频率上的空间相依性,用随机截距项描述不同地区在索赔频率上的分层关系和差异性.实证研究结果表明,考虑空间效应的贝叶斯分层模型的拟合优度明显优于传统的广义线性模型.     

尖峰厚尾保险损失数据的统计建模

保险损失数据的一个重要特点是尖峰厚尾性,即既有大量的小额损失,又有少量的高额损失,使得通常的损失分布模型很难拟合此类数据,从而出现了对各种损失分布模型进行改进的尝试.改进后的模型一方面要有较高的峰度,另一方面又要有较厚的尾部.最近几年文献中出现的改进模型主要是组合模型,即把一个具有非零众数的模型(如对数正态分布或威布尔分布)与一个厚尾分布模型(如帕累托分布或广义帕累托分布)进行组合.讨论了这些组合模型的性质和特点,并与偏t正态分布和偏t分布进行了比较分析,最后应用MCMC方法估计模型参数,并通过一个实际损失数据的拟合分析,表明偏t分布对尖峰厚尾损失数据的拟合要优于目前已经提出的各种组合模型.     

广义线性模型在汽车保险定价的应用

对非寿险产品分类费率的厘定通常采用单项分析法、最小偏差法和多元线性回归等方法。虽然这些方法在非寿险产品定价中仍然占有一度之地,但由于保险数据的特殊性,它们的缺陷越来越受到人们的重视。本文简要分析了这些传统定价方法存在的缺陷,介绍了非寿险精算中典型的广义线性模型,并通过汽车第三者责任保险的损失数据说明了广义线性模型在非寿险产品定价中的具体应用,以及应用广义线性模型时应该注意的几个问题。     

混合效应模型及其在非寿险费率厘定中的应用

在非寿险分类费率厘定中,广义线性模型的应用十分普遍,但当某些费率因子的水平数很多时(本文称之为多水平因子),广义线性模型的估计结果将不可靠。解决此类问题的一种方法是把多水平费率因子作为随机效应处理。将多水平费率因子作为随机效应处理可以采取下述三种方法:(1)分别用广义线性模型和信度模型估计普通费率因子和多水平因子,通过广义线性模型与Buhlmann-Straub信度模型的迭代应用预测索赔频率和索赔强度;(2)应用广义线性混合模型分别预测索赔频率和索赔强度;(3)直接对经验纯保费数据建立Tweedie混合效应模型。本文把上述模型应用于中国车损险实际数据的研究结果表明,这三种方法比较接近,但从总体上看,广义线性混合模型的估计结果更加可取。     

基于污染Gamma分布的聚合风险模型及其在风险分类中的应用

分析了污染Gamma分布及其性质,讨论了基于污染Gamma分布的聚合风险模型.对模型的概率特性和参数估计进行了分析,并对该模型在风险分类中的应用进行了讨论.为克服索赔总量的分布函数在计算上的困难,利用同单调性理论得到了随机凸序意义下索赔总量随机变量S的随机上界Sc,对Sc的分布函数及限额损失保费进行了讨论.通过一个例子对所述结论的有效性进行验证.     

考虑个体保单风险特征的最优奖惩系统

奖惩系统在汽车保险中的应用非常普遍。论文首先介绍和讨论了泊松-伽马假设下的最优奖惩系统及其性质;其次在假设个体保单的索赔频率服从二项分布,而二项分布的一个参数服从贝塔分布的条件下,建立了一种考虑个体保单风险特征信息的最优奖惩系统,其中风险特征信息可以通过广义线性模型的形式引入奖惩系统;然后在假设个体保单的索赔频率服从负二项分布,而负二项分布的一个参数服从贝塔分布的条件下,建立了另一个最优奖惩系统;最后讨论了这两个奖惩系统的性质和应用。     

负二项回归模型的推广及其在分类费率厘定中的应用

分类费率厘定中最常使用的模型之一是泊松回归模型,但当损失次数数据存在过离散特征时,通常会采用负二项回归模型。本文将两参数的负二项回归模型推广到了三参数情况,并用它来解决分类费率厘定中的过离散(over-dispersion)问题。本文通过对一组汽车保险损失数据的拟合表明,三参数的负二项分布回归模型可以有效改善对实际损失数据的拟合效果。