加载中...
本论文提出基于链梯法(chain‑ladder)的一次性(one‑shot)微观(个案)准备金预测框架:以投影到终值(PtU)因子为核心,将PtU因子从聚合比率问题提升为回归/机器学习问题,从而实现对已报未结(RBNS)个案的一次性终值预测;在两个5×5小样本数据集中发现,简单的线性回归在预测性能与计算效率上均优于或可匹敌复杂神经网络,并且可通过个案历史自助法(individual history bootstrap)评估估计不确定性 .
| 案例 | 主要结论 |
|---|---|
| 事故险 (5×5, 66,639 案件) | 使用最新累计支付与 claim status 的线性回归能显著降低个案 RMSE,并在分组(按 closed/open 与事故月)上更接近真实 OLL;线性模型优于复杂 NN(在本小样本上) |
| 责任险 (5×5, ~22k 案件,含 claims incurred) | claims incurred 信息显著提升预测能力(相比仅用累计支付),组合模型(C,I,O 与交互项)与 FNN 均改善 RMSE,但仍受少数超大个案影响 |
报告元数据与概览(引言与报告概览)
逐节深度解读(章节逐章精读与剖析)
图表(每个重要图/表深度解读)
估值 / 模型方法论分析(第4节及以后)
IBNR 处理(第6节)
风险因素与局限(第5节与第7节的显式讨论)
批判性视角与细微差别(审慎视角)
结论性综合(关键发现与建议)
补充:关键图像(文中引用)
结语(对读者的短提示)
2603.11660.pdf