一、风险非同质时索赔次数的分布拟合及其EM算法(论文文献综述)
何阳[1](2021)在《混合有偏抽样情形下的统计推断及其在新冠肺炎潜伏期数据分析中的应用》文中指出
殷崔红,ZHOU Jun,王晓全,刘圆[2](2021)在《车险综合改革下的自主定价研究》文中认为2020年颁布实施的《关于实施车险综合改革的指导意见》要求逐步放开自主定价系数的浮动范围,实现车险产品费率与其风险水平的更高匹配。本文研究车险在零膨胀、异质性和长尾性等不同风险下的影响因素,以便根据车险产品的不同风险水平实现自主分类定价。首先,采用Open Mixed Poisson(OMP)分布的开放式结构实现车险的自主风险分类;然后,通过Poisson Regression(PR)模型的回归结构研究不同保单类的影响因素,实现针对不同风险客户的分类和定价,避免了车险产品的同质化。同时,本文实现的纵向分类模式,弥补了传统截断式分类的理论支持不足、不便于解释等问题,该分类还充分表现了可观测和不可观测因素的综合影响,规避了不可观测因素的难获得性造成的估计偏差。最后,基于一组车险的索赔数据,说明模型在车险分类定价中的可行性和实用性。
李德洁[3](2020)在《我国煤矿安全生产责任保险费率厘定与定价机制研究》文中指出安全生产责任保险(简称安责险)是在我国高危行业领域强制实施并具有事故预防功能的险种。为煤矿安责险确定一个合理、公平、充足的费率,是安责险能够增量扩面、持续发展的关键因素。本文围绕我国煤矿安责险定价的重点和难点问题,研究了我国煤矿安责险费率厘定模型和定价机制,以期丰富我国煤矿安责险费率厘定方法,为制定完善有关政策提供科学依据。从险种性质、保险责任、保单条款、事故预防技术服务、安责险实施模式、基础数据、被保险人的风险状况7个方面,分析了影响我国煤矿安责险费率厘定与定价的主要因素,这些因素决定了煤矿安责险费率厘定的目标与定位,是确定精算方法、精算假设、精算模型的依据。遵循非寿险精算的原理和方法,应用GAMLSS和期望值模型厘定了煤矿安责险的基准费率和浮动费率。基于在线大样本问卷调查获取的数据,以及2009年-2019年分地区统计的全国煤矿事故发生数据,建立了基于零膨胀负二项分布的GAMLSS模型,使用RS算法对损失频率进行估计,使用期望值模型估计损失程度,厘定了基于3种类型10个风险因子的煤矿安责险费率表。模型表明,煤矿安责险的损失频率具有明显的过离散、零膨胀的非泊松分布特征,而目前煤矿安责险费率厘定通常应用的GLM模型不能充分识别这一特征,导致费率厘定存在偏差,GAMLSS能较好地纠正这种偏差,使煤矿安责险的费率厘定更加精准。将费率厘定结果与现行费率水平进行比较分析,认为除个别地区外,现行煤矿安责险的费率水平总体偏高;提高投保率是降低费率水平的关键,煤矿安责险亟需增量扩面;煤矿安责险费率的合理浮动范围为0.5~3。为解决煤矿安责险费率厘定的重点和难点问题,建议降低煤矿投保安责险的成本负担、出台煤矿投保安责险的激励约束政策、引导煤矿尽快将已投保的与安全生产相关的其他险种调整为安责险、建立全国煤矿安责险信息管理平台、建立煤矿安责险费率第三方发布机制,提高费率厘定水平和能力。基于风险理论、人-机-环境-管理系统理论、三类危险源理论,建立了适用于安责险费率厘定的煤矿安全风险评价模型,并提出了基于煤矿安全风险等级的费率浮动方案。从煤矿事故可能性、煤矿事故后果严重性两个方面,构建了煤矿安全风险评价指标体系;运用德尔菲法、层次分析法,通过对若干煤矿进行较为充分的实证检验,对其进行量化,确定了煤矿安全风险评估值;根据煤矿安全风险评估值的大小,将煤矿安全风险划分为5个等级,等级越高,费率的上浮系数就越大,浮动费率就越高;反之,浮动费率就越低;根据煤矿安全风险等级的不同,煤矿安全风险等级调整系数保持0.5-3的浮动范围。基于计划行为理论和消费者行为理论,建立了煤矿投保安责险决策的二分类Probit离散选择模型,研究了煤矿安责险市场价格的影响机制。应用大样本问卷调查的数据,经过拟合优度检验和对若干煤矿进行较为充分的实证检验,分别建立了基于Probit的煤矿投保安责险决策影响因素模型、煤矿首次投保安责险决策影响因素模型、煤矿续保安责险决策影响因素模型,确定了煤矿是否会投保安责险、首次投保、续保的15个、14个、6个主要决策变量以及各变量对决策的影响程度。模型结果显示,三个模型的解释变量具有较好的一致性;不管是首次投保,还是续保,煤矿都很关注政策性因素和安责险产品的风险补偿能力,并取决于决策人对安责险的认知和重视程度;首次投保时,保险公司营销力度和煤矿之间的比较心理较为重要,但续保时这些因素就变得不再显着。有关结论有助于厘清煤矿对安责险的投保偏好和价格敏感度,为优化煤矿安责险产品设计和市场定价、制定完善有关政策提供了定量依据。对模型结果进一步分析后认为,煤矿最关注安责险的风险补偿功能,对事故预防功能也较为期待,但由于安责险的事故预防功能没有发挥出来,所以煤矿对这项服务没有形成体验、对比和评价;煤矿对安责险的投保行为高度依赖国家政策;安责险产品消费市场不够成熟。针对这些问题,讨论了对策措施,建议各级应急管理部门和行业主管部门把安责险信息管理平台作为有力的监管工具,加大对事故预防技术服务的监管力度,加快培育事故预防技术服务专家和机构;发挥煤矿安责险的事故预防功能;政府加强对煤矿安责险的推动落实和支撑保障;建立以事故预防技术服务效果为导向的市场优胜劣汰机制;完善安责险产品设计,提高投保服务、理赔服务、事故预防技术服务的水平,逐渐培养煤矿对安责险的消费心理和消费习惯,使投保安责险从外在强制变成内在需要,从而使安责险市场进入可持续发展的良性循环。
李秋楠[4](2019)在《基于改进的隐马尔科夫链的车辆行驶风险评估模型研究》文中研究说明随着我国工业及制造业的不断发展,中国山成为汽车产销量最大的国家,然而其所面临的道路交通安全问题也日益凸显。目前道路交通事故已成为威胁人民公共安全的最严重问题之一。车队的安全管理始终是公司及社会关注的重点问题,大多数车队管理还存在着管理理论和措施粗放落后的问题,不能满足车辆安全管理过程中的精细化和智能化需求。在整个道路交通系统中,影响交通安全的因素有很多种,其中由驾驶员和机动车相互影响而造成的交通事故尤为严重。此外,传统的车险大多是根据车辆的价格和去年事故发生状况来进行定价的。这种事后分析的方法对具有弹性的车辆风险无法进行很好的预估,车辆无法差异性定价从而导致车险行业不断亏损并面临巨大的风险。因此,车辆管理部门及各大保险公司为了解决此类问题开始对车辆风险进行研究。本文依托现代大数据理论及人工智能技术,提出“基于改进的隐马尔可夫链的运营车辆风险评估模型”。首先对车联网报警数据进行数据预处理,经过剔除无关指标与异常值后形成建模所需的集市数据。按照对车辆风险影响的大小将指标划分为A类指标与B类指标构建指标体系。其次利用随机森林计算B类指标之间的转移矩阵,利用隐马尔科夫模型修正转移矩阵并计算出B类到A类的发射矩阵,构建随机森林改进的隐马尔科夫模型。进而运用该模型所得数据进行聚类分析判断车辆每日发生隐患次数,并用朴素贝叶斯分类器进行修正。最后结合管理学的海因里希法则构建车辆风险评估的组合模型并计算车辆风险得分。将所得评分结果与原始数据采用关联规则方法对组合模型进行结果验证,验证结果表明模型对测试车辆的风险评估结果关联度较高,认为模型有效。本文采用车辆行驶的实时报警数据,结合多种算法建立组合的运营车辆风险评估模型,通过模型的自适应调整,不断更新修正数据与风险的相关系数,将传统的静态评估转换为风险因素的动态智能评估。将传统的车辆风险事后分析的方式转变为事前分析。该模型有利于车队安全管理系统对车辆进行及时监控,有利于保险公司根据风险评估结果对不同车辆进行差异化定价,同时也有助于驾驶员自身优化驾驶行为。为公共交通安全及车辆保险行业发展开辟了新途径。本文仍有几点不足之处,主要体现在两方面:第一,从数据集方面来看,风险指标仍不够全面,未考虑到路况、天气及驾驶员等客观因素指标。第二,由于模型处于初步探索阶段,目前只建立了两个层次的指标体系,未将指标划分为多个层次。指标之间很可能存在多种层次的关系,仍需进一步进行探究。
殷崔红,杨亮,肖川[5](2019)在《索赔次数的开放式混合泊松分布研究》文中研究表明本文建立了索赔次数的多风险类别混合泊松分布。首先,考虑索赔次数的零膨胀、厚尾性和异质性等特征,建立风险类别待定的开放式混合泊松分布(OMP分布),开放式结构使该分布对实际数据的多样特征和风险类别具有良好的自适应性;其次,定义混合权重参数的iSCAD惩罚函数,实现对权重参数的筛选;最后,借助EM算法求得分布参数,实现对各风险类别下索赔次数的估计。借助iSCAD惩罚函数,本文给出最优混合数,避免传统混合分布中主观选择的弊端,克服传统混合分布中结构复杂、参数估计没有显式表达式、估计结果不便于解释等问题。基于三组风险特征多样数据的实证分析,本文发现OMP分布可以显着改进现有模型的拟合效果。
张硕[6](2018)在《几类基于整数值自回归时间序列的信度模型分析》文中研究说明本文主要研究了两类基于整数值自回归时间序列的信度模型.对于保单持有人不同时期索赔次数之间的相依关系,我们分别利用一类混合INAR(1)过程和门限SETINAR(2,1)过程来进行描述,在此基础上得到了相应贝叶斯保费的计算公式,并通过数值模拟验证了所得结论的合理性和优越性.此外,本文还研究了一类非标准更新风险模型的破产问题,其中理赔额及其到达时间间隔之间可以具有任意的相依结构,在这个假设条件下,我们得到了聚合理赔额的精细大偏差公式.
薛智雯[7](2018)在《基于ARIMA-SVM的车险索赔次数预测》文中进行了进一步梳理我国的保险市场较国外起步与发展较晚,但经过二十多年的发展,已经逐渐走向成熟。近几年,随着经济的快速发展,保险逐步被分为寿险和非寿险两个大类。机动车辆保险作为非寿险中的一个重要的组成部分,而且也是非寿险中相对年轻的险种,极具发展潜力。随着私家车的数量逐渐增加,购买机动车辆保险的人也越来越多,作为购买商品的车主,都希望买到极具性价比的机动车辆保险。而对于出售这种商品的保险公司,也都希望定出既能实现保费收入规模又能兼具市场竞争的价格。在机动车辆保险定价中,机动车辆保险索赔次数的历史经验和未来索赔的预测都是重要的定价因素。对保险公司来讲能够了解掌握机动车辆保险的索赔次数的变化趋势,从而制定相关的定价策略,定出合理的价格是公司收益的保障。关于机动车辆索赔次数的研究也有很多,传统的经典索赔次数分布便是其中之一。本文同样介绍了传统的经典索赔次数分布中的泊松分布、负二项分布和混合泊松分布,并详细介绍了这几类分布在处理索赔次数拟合中的原理和步骤,同时也使用泊松分布、负二项分布和混合泊松分布对某财产保险公司某分公司1997年至2016年机动车辆的索赔次数进行了分析和拟合预测,发现泊松分布、负二项分布和混合泊松分布在处理该类问题时,预测结果的平均绝对百分误差(MAPE)较大,分析其原因主要在于对大数定律的依赖和对纵向的历史经验运用不足,仅仅是一个横截面层次的考量。机动车辆保险索赔次数作为十分复杂的非线性动态系统,随着时间的变化也不断变化,所以索赔次数的序列也可以看做时间序列,作为处理时间序列的ARIMA模型在对索赔次数的预测问题中也应该有重要的应用。本文对时间序列模型进行了详细的介绍,主要包括三个方面:首先是关于自回归模型(AR),移动平均模型(MA)和自回归移动平均模型(ARIMA)数学原理的详细介绍。其次,是关于自回归移动平均模型ARIMA(p,d,q)中各个参数确定的介绍。最后,是关于ARIMA模型的建模步骤的介绍。在介绍完时间序列模型之后,本文运用时间序列ARIMA模型同样对某财产保险公司某分公司1997年至2016年机动车辆索赔次数进行了分析和拟合预测,结果发现时间序列ARIMA模型对索赔次数的预测效果要好于泊松分布、负二项分布和混合泊松分布,但是与真实值还是有较大的平均绝对百分误差(MAPE),分析其原因主要在于ARIMA模型在处理平稳的线性时间序列效果较好,对索赔次数序列中包含的非线性部分并没有做很好地处理。虽然时间序列ARIMA模型对平稳的线性时间序列(差分后的时间序列)有着很好的处理能力,ARIMA模型也能够很好地处理机动车辆索赔次数时间序列的线性部分,但原始的索赔次数时间序列既包含线性部分,又包含非线性部分。所以在处理原始的索赔次数时间序列拟合问题的过程中,还需要借助其它方法去处理时间序列中非线性部分的问题,并对非线性部分的信息尽可能地提取。支持向量机(SVM)作为一种新兴的小样本处理方法,得到了极大的认可。同时支持向量机(SVM)依据统计学习理论为基础,在处理小样本非线性问题上有很好的表现,且在全局最优解层面寻求结果也使其具有良好的推广能力和泛化能力。所以,针对机动车辆索赔次数这类小样本数据的预测问题上,通过结合ARIMA模型和支持向量机(SVM)模型二者的优点后,本文又提出运用ARIMA和支持向量机(SVM)组合模型预测的方式对索赔次数进行预测。结合本文对机动车辆保险索赔次数组合预测的思路,本文通过结合ARIMA模型和支持向量机(SVM)模型各自的优势,提出了ARIMA-SVM组合预测模型和相应的建模步骤。最后,通过运用ARIMA-SVM组合预测模型对某财产保险公司某分公司1997年至2016年机动车辆索赔次数进行了分析和拟合预测,最后的实证结果表明,组合预测模型对索赔次数的拟合效果的确比单一的时间序列ARIMA模型和经典索赔次数分布模型都要好,而且ARIMA-SVM组合预测模型不仅克服了单一ARIMA模型对时间序列非线性部分信息提取不充分的问题,也避免了经典索赔次数分布模型横向拟合处理尾部风险数据能力不足的问题。本文总共分为七个章节,每个章节的内容互相关联,但又都有自己的主要观点:第一章概要介绍了本文的研究背景和意义,着重介绍了本文的研究对象和方法,并通过对国内外相关文献关于研究对象的各种处理方法的介绍,提出了本文的研究思路和章节安排。第二章对机动车辆保险做了详细的介绍,主要是包括机动车辆保险的概念和特征,以及造成这些特征的主要因素,也正是这些特征的复杂性也导致了索赔次数后续实证过程中的复杂性。第三章为了处理索赔次数问题和后续模型的对比分析,故对传统的经典索赔次数分布做了详细的介绍,主要包括索赔次数的简介,几类经典的索赔次数分布:泊松分布、二项分布、负二项分布和混合泊松分布等,并在此章详细介绍了这几类分布的数学原理。第四章考虑到机动车辆索赔次数具有时间序列的特性,考虑使用经典的时间序列ARIMA模型进行预测。所以,第四章对ARIMA模型做了很细致的介绍,包括自回归模型(auto-regressive model,AR),移动平均模型(moving average model,MA)和自回归移动平均模型(auto-regressive moving average model,ARIMA),并分别对各个模型的原理和参数确定做了分析,最后对其在时间序列预测中的建模步骤和流程也做了介绍和说明。第五章本章对支持向量机(SVM)做了全面详细的介绍,首先介绍了其统计学习的理论基础,推广性的界、VC维、经验风险最小化准则(ERM)和结构风险最小化准则(SRM);其次对支持向量机(SVM)的基本思想、优点和核函数也给出了详细的介绍;然后针对支持向量机(SVM)分类和回归两个大的方面,展开了相关的原理、数学表达式以及实际运用方面的详述;最后就支持向量机(SVM)和时间序列ARIMA模型组合预测原理也进行了分析,相关的建模流程和步骤也一并给予了体现。第六章本章先通过几类经典索赔次数分布、单一ARIMA模型和ARIMA-SVM组合预测模型对实证数据做了实证分析,再借助平均绝对百分误差(MAPE)值来比较各个分布模型的拟合效果。最后通过实证分析得出了相应的实证结论,针对索赔次数这类小样本的数据,传统的经典索赔次数分布拟合效果不好,特别是在对尾部风险数据的拟合上,有很大的误差。这种带有时间序列性质的数据,运用ARIMA模型预测其效果要比传统索赔次数分布要好。但一般的时间序列ARIMA模型仅对平稳的线性时间序列(差分后的时间序列)有很好的处理能力,而对原始时间序列非线性部分则需要通过其它方法处理,本文中非线性支持向量机—径向基核函数支持向量回归机则是对其非线性部分处理的良好方法之一,在径向基ARIMA-SVM模型的实证结果也说明了其处理该类问题的能力。第七章总结了论文所做的工作,并提出在机动车辆索赔次数预测过程中,还需要进一步解决的问题。本文的创新之处:索赔次数的预测方法有很多,但大多数是基于某种概率分布的拟合预测去实现的。基于概率分布去拟合预测索赔次数时存在明显的两个缺点:(1)运用特定的概率分布和用样本数据去估计参数的方法需要满足大数定律,所以针对小样本的数据,其拟合效果不会很好;(2)特定的概率分布在处理具有偏尾性质的样本数据时,对尾部数据的拟合效果很差,但机动车辆索赔次数的尾部数据对车险公司又有很重要的风险防范意义,不容忽视。概率分布去拟合索赔次数的方法,是从截面数据的角度去考量的,但本文认为历史数据的历史信息不容忽视。因为时间序列的方法对索赔次数的预测能充分运用历史经验数据,所以本文提出了ARIMA模型的预测方法。同时,考虑到ARIMA模型在处理线性和非线性混合系统时,对非线性部分的信息提取不充分的问题,本文提出运用支持向量机(SVM)的方法去处理非线性部分,最终在ARIMA-SVM组合预测的方法下,索赔次数的预测效果比经典概率分布下的预测效果更好。本文的不足之处:(1)虽然从预测原理和实证结果来看,本文的组合预测方法都有不错的效果,但是考虑到本文的数据选取量远远不足以或者接近大数定律的要求,当数据足够充分时,本文组合预测的时间序列方法是否比经典分布的方法效果更好不得而知;(2)本文只选取了经典分布模型作为本文模型的对比分析模型,但实际上关于索赔次数的分布模型有很多,而且都是在经典分布模型基础上进行优化的模型,可是本文并未纳入这些模型作为对比分析。(3)组合预测的模型有很多种,但就哪一种组合预测模型更适合机动车辆索赔次数这类数据,本文并未做分析与探讨,还有待后续研究。
戴安舒[8](2017)在《二维质保产品的索赔数据分析与柔性预防性维修策略设计研究》文中研究指明随着经济全球化的深入,信息和通讯技术取得了巨大的进步与发展。除了低价格、高质量和卓越的性能外,完善的售后服务在刺激购买需求中起到了关键作用。在此背景下,越来越多的制造商开始提供质保服务。针对当前制造行业质保管理研究现状和存在的实际问题,本文对二维质保产品的现场可靠性建模、质保索赔预测和质保政策的优化设计进行了深入研究,主要研究成果如下:首先,提出了基于二维质保数据的产品现场可靠性模型。文中将产品使用率作为一个随机变量。为了全面掌握产品使用率信息,利用索赔数据和保养数据对使用率的分布进行拟合,探讨了使用率对产品失效过程的影响。由于获取质保期之外的产品失效数据难度大、成本高,故采用随机期望-极大化算法估计可靠性模型中的参数。仿真研究和案例分析皆表明本文提出的模型比传统的基于极大似然估计法的可靠性模型的估计精度要高。其次,针对二维质保产品的索赔数据随季节波动的现象,建立了季节指数模型。首先利用使用率对失效率函数进行调整,然后引入季节指数模型对二维质保产品下的索赔数据进行建模。案例研究表明,对于呈现季节性波动的质保索赔数据,该模型相较传统的非齐次泊松过程和自回归移动平均模型,能够达到更高的预测精度。第三,建立了二维质保新产品的索赔预测模型。由于新产品和上一代产品间具有性能相似的零部件和生产技术,所以在建立新产品索赔预测模型时,上一代产品的索赔数据具有重要的参考价值。本文考虑了使用率对产品老化的影响,构建了基于非齐次泊松过程的索赔预测模型,并结合上一代产品的质保索赔数据,利用带约束的极大似然方法估计预测模型中的参数。数据试验的结果表明,本文提出的考虑使用率的二维质保新产品的索赔预测模型的精度高于传统的索赔预测模型。第四,对二维质保产品的柔性预防性维修策略进行了研究。本文考虑了不同类型消费者的个性化需求,以预防性维修次数和维修度为决策变量,以制造商利润最大化为目标建立了二维质保产品的柔性预防性维修策略的优化模型。结合算例,探讨了预防性维修费用承担比例、成本参数和质保期边界参数的变化对优化结果的影响。结果显示,在二维质保政策中运用合理的柔性预防性维修计划不仅可以提高利润,又可为质保政策的设计提供指导。
徐羽[9](2017)在《零调整回归模型及信度理论在车险保费厘定中的应用》文中认为当前,机动车辆保险已成为中国财产保险业务中最大的险种。而机动车辆保险中很重要的一环就是保险费率厘定与保费计算。尤其是在当今大数据时代,在定价方法从精算方法向大数据建模方法转变的国际趋势下,如何充分利用大数据信息,制定出较传统精算风险定价方式更为精准的保费定价,如何细分客户来开发更具个性化的专属产品,是机动车辆保险业务中很关键的问题。索赔额是车险保费定价需要考虑的关键指标之一。由于索赔额数据大多表现为多零以及拖尾现象,也考虑到分位数回归相比传统的线性回归对数据分布的假定更宽松,具有更好的稳健性,能够提供更多的信息,所以有些学者在对机动车辆理赔数据进行分析时引入了零调整分位数回归模型。信度模型是一种经验估费模型。随着精算学不断的发展,经典的信度理论不断地被加以推广,其中之一就是分位信度模型。本文将零调整模型和信度模型用于车辆保险的保费厘定问题。讨论了分位保费原理下基于对数线性分位数回归的两种保费定价—分位保费和分位信度保费;也讨论了纯保费原理下基于机器学习回归方法的保费厘定。期望本文讨论的方法能给机动车辆保险业务提供一定的参考。另外我们也应用分位数回归对我国的社会保险支出数据进行了简单的拟合和预测。文中的数据处理基于开源软件-R语言。
孙维伟,张连增[10](2017)在《车险费率厘定精算技术的研究与应用评述》文中指出精算技术为中国车险市场费率改革提供必要支持,可以确保费率厘定的科学性与合理性。首先,本文系统梳理了车险分类风险费率厘定精算统计模型的发展历程,并回顾参数估计方法。其次,论述了车险个体风险费率厘定的精算模型与方法,并重点评述了信度理论与奖惩系统的研究。进而,归纳出车险费率厘定精算统计模型的研究热点与发展方向。最后,指明现有研究对中国车险费率厘定精算方法的启示,并提出相关建议。
二、风险非同质时索赔次数的分布拟合及其EM算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、风险非同质时索赔次数的分布拟合及其EM算法(论文提纲范文)
(2)车险综合改革下的自主定价研究(论文提纲范文)
一、引 言 |
二、开放式混合泊松回归(OMPR)模型 |
三、实例分析 |
(一)数据来源及整理 |
(二)保单分类 |
(三)基于保单分类的影响因素分析 |
1.低风险类。 |
2.一般风险类。 |
3.异常风险类。 |
四、结论与建议 |
(一)合理使用开放式混合模型实现保单分类 |
(二)采用主成分降维的方式设置精简的影响结构 |
(三)根据不同因素的影响强度设定费率调整系数 |
(四)根据保单的风险等级及影响因素实现分类定价 |
(3)我国煤矿安全生产责任保险费率厘定与定价机制研究(论文提纲范文)
摘要 |
abstract |
1 引言 |
1.1 选题背景及研究意义 |
1.2 国内外研究述评 |
1.2.1 国外研究综述 |
1.2.2 国内研究综述 |
1.2.3 国内外研究评价 |
1.3 研究内容及方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 技术路线 |
1.4 本章小结 |
2 我国煤矿安责险费率厘定与定价的影响因素 |
2.1 险种性质因素 |
2.1.1 安责险坚持保本微利的定价原则 |
2.1.2 安责险费率受到高度监管和政策扶持 |
2.2 保险责任因素 |
2.2.1 安责险保险责任的前提条件 |
2.2.2 安责险保险责任的具体内容 |
2.2.3 安责险保险责任的主要特点 |
2.2.4 安责险保险责任的免除条款 |
2.3 保单条款因素 |
2.3.1 安责险的保障对象 |
2.3.2 安责险的赔偿标准 |
2.3.3 其他保单条款 |
2.4 事故预防技术服务因素 |
2.5 安责险实施模式因素 |
2.6 基础数据因素 |
2.6.1 基础数据的内容与要点 |
2.6.2 基础数据的现状总结 |
2.7 被保险人的风险因素 |
2.7.1 煤矿行业风险因素 |
2.7.2 费率因子选择因素 |
2.7.3 被保险人安全风险评价 |
2.8 本章小结 |
3 我国煤矿安责险基准费率与浮动费率的厘定 |
3.1 费率厘定假设 |
3.2 费率厘定框架 |
3.2.1 费率厘定方法 |
3.2.2 风险因子选择 |
3.2.3 费率厘定步骤 |
3.3 费率厘定模型 |
3.3.1 损失频率估计模型 |
3.3.2 损失程度估计模型 |
3.4 损失频率估计 |
3.4.1 数据描述 |
3.4.2 索赔频率分布拟合 |
3.4.3 索赔频率参数估计 |
3.4.4 模型诊断 |
3.5 损失程度估计 |
3.5.1 数据描述 |
3.5.2 模型构建 |
3.6 费率厘定结果 |
3.6.1 基本假设 |
3.6.2 基准费率表 |
3.6.3 煤矿类型调整系数 |
3.6.4 风险运营调整系数 |
3.6.5 安全标准调整系数 |
3.6.6 浮动费率计算公式 |
3.7 费率厘定结果分析 |
3.7.1 计算结果与现行费率水平的比较 |
3.7.2 费率调整幅度的分析 |
3.8 费率厘定对策讨论 |
3.8.1 提高煤矿安责险投保率 |
3.8.2 建立全国煤矿安责险信息管理平台 |
3.8.3 建立煤矿安责险费率第三方发布机制 |
3.9 本章小结 |
4 基于煤矿安全风险评价的浮动费率厘定 |
4.1 研究框架设计 |
4.1.1 研究步骤 |
4.1.2 功能定位 |
4.1.3 基本原则 |
4.1.4 适用对象 |
4.1.5 评价方法 |
4.2 煤矿安全风险评价指标体系 |
4.2.1 理论依据 |
4.2.2 指标结构 |
4.2.3 煤矿事故可能性指标内容 |
4.2.4 煤矿事故后果严重性指标内容 |
4.3 煤矿安全风险评价指标权重 |
4.3.1 指标权重的确定方法 |
4.3.2 指标权重的计算 |
4.4 煤矿安全风险评价量化方法 |
4.4.1 量化公式 |
4.4.2 赋值方法 |
4.5 煤矿安全风险评价实证检验 |
4.5.1 检验结果 |
4.5.2 结果分析 |
4.6 安全风险等级与浮动费率厘定 |
4.6.1 煤矿安全风险等级调整系数表 |
4.6.2 煤矿安全风险等级调整系数的应用 |
4.7 本章小结 |
5 我国煤矿安责险合同费率的定价机制 |
5.1 研究框架设计 |
5.1.1 理论模型 |
5.1.2 变量选取 |
5.1.3 一次模型设计 |
5.2 数据收集与样本分析 |
5.2.1 问卷调查 |
5.2.2 变量统计特征描述 |
5.3 计量检验与结果分析 |
5.3.1 一次模型估计结果分析 |
5.3.2 应用Probit模型进行二次回归 |
5.3.3 应用Probit模型进行三次回归 |
5.3.4 拟合优度检验 |
5.4 首次投保决策模型与续保决策模型的比较分析 |
5.5 实证检验分析 |
5.6 模型结论与建议 |
5.6.1 发挥安责险事故预防功能 |
5.6.2 加大政府推动和政策支持力度 |
5.6.3 优化安责险市场环境 |
5.7 本章小结 |
6 结论与展望 |
6.1 研究结论 |
6.2 研究创新点 |
6.3 研究不足与展望 |
6.3.1 引入免赔额、限额和其他保险责任 |
6.3.2 改进损失程度估计模型 |
6.3.3 建立煤矿安全风险等级调整系数厘定模型 |
参考文献 |
附录 煤矿安责险投保和需求情况调查问卷 |
致谢 |
作者简介 |
(4)基于改进的隐马尔科夫链的车辆行驶风险评估模型研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 研究现状 |
1.3.1 车辆风险评估数据源现状 |
1.3.2 车辆风险评估方法研究现状 |
1.3.3 车辆风险评估应用方向研究现状 |
1.3.4 马尔科夫链研究现状 |
1.3.5 研究述评 |
1.4 本文的研究内容和论文框架 |
1.4.1 本文的研究内容 |
1.4.2 论文框架 |
1.5 本文的创新点 |
2 研究方法介绍 |
2.1 指标筛选研究方法介绍 |
2.1.1 随机森林的原理 |
2.1.2 随机森林模型的特点 |
2.1.3 随机森林模型的重要变量评分 |
2.1.4 随机森林模型的优点 |
2.2 状态转移关系研究方法介绍 |
2.2.1 隐马尔科夫模型(HMM)的概念 |
2.2.2 隐马尔科夫模型的五要素 |
2.2.3 隐马尔科夫模型可解决的三类问题 |
2.3 车辆日危险次数的判定方法介绍 |
2.3.1 聚类分析 |
2.3.2 朴素贝叶斯分类 |
2.4 结果验证方法介绍 |
2.4.1 关联规则的基本概念 |
2.4.2 关联规则步骤 |
2.4.3 Apriori核心算法 |
2.5 本章小结 |
3 车辆行驶风险数据介绍及预处理 |
3.1 数据来源 |
3.2 指标选择 |
3.3 数据预处理 |
3.3.1 处理空值数据 |
3.3.2 异常数据处理 |
3.4 本章小结 |
4 车辆行驶风险评估实证分析 |
4.1 车辆风险模型参数输入的构建 |
4.1.1 随机森林筛选重要变量 |
4.1.2 随机森林计算转移矩阵 |
4.2 改进的隐马尔科夫状态转移模型的构建 |
4.3 车辆日行驶危险次数判定 |
4.4 车辆风险评估 |
4.5 车辆风险评估模型结果验证 |
4.5.1 数据离散化 |
4.5.2 关联度分析 |
4.5.3 关联程度结果 |
4.6 本章小结 |
5 结论与展望 |
5.1 本文主要结论 |
5.2 今后工作的展望 |
参考文献 |
后记 |
(5)索赔次数的开放式混合泊松分布研究(论文提纲范文)
一、引言 |
二、模型建立 |
(一) OMP分布 |
(二) 相关分布 |
三、参数估计 |
(一) iSCAD惩罚函数 |
(二) EM算法 |
(三) 初始值的选取 |
(四) 模型评价 |
四、实例分析 |
(一) 零膨胀数据 |
(二) 厚尾数据 |
(三) 异质性数据 |
五、总结 |
(6)几类基于整数值自回归时间序列的信度模型分析(论文提纲范文)
提要 |
中文摘要 |
abstract |
文中部分缩写说明 |
第一章 前言 |
1.1 车险定价 |
1.2 信度理论 |
1.3 经典信度模型的推广 |
1.4 论文结构安排 |
第二章 基于混合INAR(1)过程的信度模型 |
2.1 引言 |
2.2 模型和性质 |
2.3 贝叶斯信度保费 |
2.4 数值模拟 |
2.5 附录 |
第三章 基于SETINAR(2,1)过程的信度模型 |
3.1 引言 |
3.2 模型介绍 |
3.3 贝叶斯信度保费 |
3.4 数值模拟 |
第四章 一类相依更新风险模型的精细大偏差 |
4.1 引言 |
4.2 预备知识和主要结果 |
4.3 主要结果的证明 |
第五章 结论与展望 |
参考文献 |
在学期间所取得的科研成果 |
致谢 |
(7)基于ARIMA-SVM的车险索赔次数预测(论文提纲范文)
摘要 |
abstract |
1.绪论 |
1.1 研究背景和意义 |
1.2 国内外索赔次数研究回顾 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 本文研究思路 |
1.3.1 本文的主要工作 |
1.3.2 本文的结构安排 |
2.机动车辆保险概述 |
2.1 机动车辆保险的概念和特征 |
2.2 影响机动车辆保险定价的因素 |
2.3 机动车辆保险的奖惩系统 |
3.索赔次数的经典分布模型 |
3.1 索赔次数的简介 |
3.2 经典分布模型 |
3.2.1 泊松分布 |
3.2.2 二项分布 |
3.2.3 负二项分布 |
3.2.4 二元混合泊松分布 |
4.ARIMA模型 |
4.1 ARIMA模型概念及模型简介 |
4.1.1 自回归模型AR(p) |
4.1.2 滑动平均模型MA(q) |
4.1.3 自回归移动平均模型ARIMA(p,d,q) |
4.1.4 ARIMA(p,d,q)模型的识别 |
4.2 ARIMA模型建模步骤 |
4.2.1 数据平稳性检验 |
4.2.2 对差分后平稳序列进行拟合 |
5.支持向量机(SVM)模型 |
5.1 统计学习的基本理论 |
5.1.1 VC维(函数的多样性) |
5.1.2 推广性的界 |
5.1.3 经验风险最小化准则(ERM) |
5.1.4 结构风险最小化准则(SRM) |
5.2 支持向量机 |
5.2.1 支持向量机的基本思想 |
5.2.2 支持向量机的优点 |
5.2.3 支持向量机分类(SVM) |
5.3 ARIMA和SVM组合预测模型(ARIMA-SVM) |
6.数据来源与实证分析 |
6.1 数据来源 |
6.2 几类经典的索赔次数分布对车险索赔次数的预测 |
6.3 几类经典的索赔次数分布对车险索赔次数拟合比较 |
6.4 ARIMA模型对车险索赔次数的预测 |
6.5 ARIMA-SVM组合预测模型对车险索赔次数的预测 |
7.结论 |
参考文献 |
致谢 |
(8)二维质保产品的索赔数据分析与柔性预防性维修策略设计研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 存在问题 |
1.3 研究目标、研究意义 |
1.3.1 研究目标 |
1.3.2 研究意义 |
1.4 论文研究的主要内容和方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.5 论文创新点 |
1.6 本章小结 |
第2章 相关研究综述 |
2.1 产品保证的概念与作用 |
2.1.1 产品保证的概念 |
2.1.2 产品保证的作用 |
2.2 产品保证政策与分类 |
2.3 可靠性工程学简述 |
2.3.1 可靠度 |
2.3.2 常用寿命分布 |
2.3.3 描述可修系统的随机过程模型 |
2.4 国内外研究现状及存在的问题 |
2.4.1 现场可靠性建模 |
2.4.2 质保索赔预测 |
2.4.3 基于维修策略的质保政策设计 |
2.5 本章总结 |
第3章 二维质保产品现场可靠性建模研究 |
3.1 引言 |
3.2 现场可靠性建模 |
3.2.1 符号说明与模型假设 |
3.2.2 使用率分布 |
3.2.3 加速失效时间模型 |
3.3 参数估计 |
3.4 数据试验 |
3.4.1 仿真实验 |
3.4.2 实例研究 |
3.5 本章总结 |
第4章 考虑季节性的二维质保索赔预测模型 |
4.1 引言 |
4.2 模型构建 |
4.2.1 失效率函数 |
4.2.2 季节指数法 |
4.3 比较与讨论 |
4.3.1 非齐次泊松过程 |
4.3.2 ARIMA模型 |
4.4 案例研究 |
4.5 结语与展望 |
第5章 二维质保新产品的索赔预测 |
5.1 引言 |
5.2 质保索赔预测模型 |
5.2.1 符号说明及模型假设 |
5.2.2 失效率函数 |
5.2.3 在保产品总数估计 |
5.2.4 质保索赔预测 |
5.3 数据试验 |
5.3.1 仿真研究 |
5.3.2 案例研究 |
5.4 本章小结 |
第6章 二维质保产品的柔性预防性维修策略研究 |
6.1 引言 |
6.2 柔性预防性维修策略优化 |
6.2.1 符号说明和模型假设 |
6.2.2 利润函数 |
6.2.3 产品失效建模 |
6.2.4 预防性维修期望成本 |
6.2.5 修正性维修期望成本 |
6.2.6 预防性维修策略优化模型 |
6.3 案例分析 |
6.4 参数敏感性分析 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 论文总结 |
7.2 未来的研究与展望 |
参考文献 |
发表论文和参与科研情况说明 |
1.攻读博士期间发表及完成论文情况 |
2.攻读博士学位期间参加的主要科研项目 |
致谢 |
(9)零调整回归模型及信度理论在车险保费厘定中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 分位数回归简介 |
1.1.1 分位数回归的起源与意义 |
1.1.2 分位数回归的国内外研究现状 |
1.2 信度理论综述 |
1.2.1 信度理论在精算中的应用 |
1.2.2 信度理论的研究进展及研究现状 |
1.3 保费计算原理 |
1.4 机器学习 |
1.5 论文主要研究内容 |
第2章 基本理论和方法 |
2.1 分位数回归 |
2.1.1 分位数的基本概念 |
2.1.2 分位数回归模型简介 |
2.1.3 分位数回归的优势 |
2.1.4 零调整分位数回归 |
2.2 经典信度理论 |
2.3 分位信度模型 |
2.4 机器学习回归方法 |
第3章 基于零调整回归和信度理论的机动车险保费厘定 |
3.1 数据来源说明 |
3.2 基于零调整对数线性分位数回归的分位保费厘定 |
3.2.1 描述性分析 |
3.2.2 费率因子的选取 |
3.2.3 分位保费厘定 |
3.2.4 分位信度保费厘定 |
3.3 基于机器学习回归的纯保费厘定 |
第4章 分位数回归在社会保险数据分析中的应用 |
4.1 数据说明 |
4.2 拟合分析 |
第5章 结论和展望 |
致谢 |
参考文献 |
附录1 攻读硕士期间发表的论文及其获奖情况 |
附录2 攻读硕士学位期间参加的科研项目 |
四、风险非同质时索赔次数的分布拟合及其EM算法(论文参考文献)
- [1]混合有偏抽样情形下的统计推断及其在新冠肺炎潜伏期数据分析中的应用[D]. 何阳. 江西财经大学, 2021
- [2]车险综合改革下的自主定价研究[J]. 殷崔红,ZHOU Jun,王晓全,刘圆. 保险研究, 2021(03)
- [3]我国煤矿安全生产责任保险费率厘定与定价机制研究[D]. 李德洁. 中国矿业大学(北京), 2020(01)
- [4]基于改进的隐马尔科夫链的车辆行驶风险评估模型研究[D]. 李秋楠. 东北财经大学, 2019(08)
- [5]索赔次数的开放式混合泊松分布研究[J]. 殷崔红,杨亮,肖川. 统计研究, 2019(03)
- [6]几类基于整数值自回归时间序列的信度模型分析[D]. 张硕. 吉林大学, 2018(12)
- [7]基于ARIMA-SVM的车险索赔次数预测[D]. 薛智雯. 西南财经大学, 2018(01)
- [8]二维质保产品的索赔数据分析与柔性预防性维修策略设计研究[D]. 戴安舒. 天津大学, 2017(11)
- [9]零调整回归模型及信度理论在车险保费厘定中的应用[D]. 徐羽. 武汉科技大学, 2017(02)
- [10]车险费率厘定精算技术的研究与应用评述[J]. 孙维伟,张连增. 数理统计与管理, 2017(02)