导读:本文包含了索赔频率论文开题报告文献综述及选题提纲参考文献，主要关键词:Boosting算法,泊松提升模型,回归树模型,交强险
索赔频率论文文献综述
张连增,申晴[1]（2019）在《泊松提升模型在中国车险索赔频率预测建模中的应用》一文中研究指出为研究泊松提升模型在中国车险定价中的应用,将Boosting算法加入到SBS(Standardized binary split)回归树中,基于中国某公司2016年28个省份交强险保单数据,以样本内外损失函数的最小化为标准,对相关模型进行比较以选择相对较优的模型,应用得到的模型对各个变量进行单变量预测。研究结果表明:泊松提升模型优于SBS回归树模型,不存在过拟合的前提下,泊松提升模型的预测效果会随着树的深度或者迭代次数的增大而变得更优,确定了深度为3,迭代次数为15的泊松提升模型(即PBM3)为最优模型。(本文来源于《统计与信息论坛》期刊2019年09期）
张连增,申晴[2]（2019）在《我国交强险索赔频率影响因素分析——基于GAM和广东、河南、湖北、山东的经验数据》一文中研究指出为分析我国交强险各因素对索赔频率的影响,以2016年广东、河南、湖北、山东四省的保单数据为样本,采用广义可加模型(GAM)对其保单中的驾驶员年龄、汽车车龄和汽车重量进行非参数分析,并对公路里程数等变量进行参数分析。结果表明:索赔频率有明显的地区差异,公路里程数对索赔频率有正向的影响,其中除汽车车型对索赔频率没有影响外,其余变量均有显着影响。(本文来源于《财经理论与实践》期刊2019年04期）
张连增,申晴[3]（2019）在《提升算法对传统车险索赔频率建模模型的改进——基于我国五省交强险保单数据》一文中研究指出广义线性模型作为非寿险定价的经典模型,在非寿险定价中得到了广泛的应用。近年来,以提升算法为代表的机器学习算法在保险领域取得了很好的效果,为保险产品定价提供了一种新的选择。本文将提升算法思想分别融入到回归树模型和广义线性模型(GLM)中去,用得到的新模型对我国车险索赔频率进行预测建模分析,并与传统的回归树模型和GLM进行比较。结果表明,加入提升算法后传统车险索赔频率建模模型的效果得到了很大的改善,并且在不存在过拟合的前提下,随着模型深度和迭代次数的增加,模型的效果也在不断优化。(本文来源于《保险研究》期刊2019年07期）
曾宇哲,吴嫒博,郑宏远,罗来娟[4]（2019）在《基于机器学习的车险索赔频率预测》一文中研究指出近年来,广义线性模型已被广泛用于车险定价,而一些研究结果显示机器学习在某些方面优于广义线性模型,但这些结果都只是基于某个单一数据集。为了更全面地比较广义线性模型与机器学习方法在车险索赔频率预测问题上的效果,对7个车险数据集进行了比较测试,包括深度学习、随机森林、支持向量机、XGboost等机器学习方法;基于相同的训练集,建立不同的广义线性模型预测索赔频率,根据最小信息准则(AIC)选取最优的广义线性模型;通过交叉验证调参获得机器学习最佳参数和模型。研究结果显示:在所有的数据集上XGboost的预测效果一致地优于广义线性模型;对于某些自变量较多、变量间相关性强的数据集,神经网络、深度学习和随机森林的预测效果比广义线性模型更好。(本文来源于《统计与信息论坛》期刊2019年05期）
曾欢琴,吴黎军[5]（2018）在《Weibull计数模型下索赔频率的Bühlmann-starb信度估计》一文中研究指出在Bühlmann-starb信度模型下运用平衡损失函数对索赔频率进行信度估计,得到索赔频率的Bühlmannstarb信度估计。此结果推广了在平方损失函数下索赔频率的Bühlmann-starb信度估计,并得到索赔频率服从Weibull计数模型时的参数估计。(本文来源于《洛阳理工学院学报(自然科学版)》期刊2018年03期）
曾宇哲,吴嫒博,郑宏远,罗来娟[6]（2018）在《基于机器学习的车险索赔频率研究》一文中研究指出我国机动车辆保险行业发展迅速、规模巨大,车险的保费收入在财产险中一直位居首位,近几年来,其比重达到70%以上。车险费率厘定一直是保险公司的重点研究方向,其核心是对保险损失进行预测,包含索赔强度预测和索赔频率预测。本文重点研究索赔频率的预测方法,传统上最为广泛使用的是广义线性模型,但其过多依赖于模型的分布假设,且不能很好的刻画解释变量之间的相依性问题。近年来,随着大数据和机器学习的迅速发展,有不少学者尝试将机器学习算法应用到车险领域,研究结果显示机器学习在某些方面优于广义线性模型,但这些结果一般只基于某个单一数据集。本文将在六个来自不同国家不同类型的车险数据上比较广义线性模型与机器学习方法的效果,其中包括深度学习算法、随机森林、支持向量机、xgboost等机器学习方法。特别的,其中一个数据集为车险团体客户数据,它与通常的散车业务有很大的不同,例如其不能使用从人因子,同一车队内的车辆索赔有相依关系(组内不独立性)等,这使得普通广义线性模型并不能很好地处理这一数据。本文的具体方法为:首先基于训练集,建立不同的广义线性模型预测索赔频率,根据最小信息准则(AIC)选取最优的广义线性模型;然后应用机器学习算法(包括深度学习算法、随机森林、支持向量机、xgboost等),通过交叉验证确定模型参数。最后基于测试集,计算广义线性模型和机器学习的均方误差,比较机器学习算法与广义线性模型的性能。本文的结果显示在所有的数据集上,xgboost的预测效果一致的优于广义线性模型。但是对于某些自变量较多、变量间相关性强、索赔频率数据越大的数据集,神经网络、深度学习和随机森林的预测效果比xgboost更好。此外,支持向量机的效果要次于广义线性模型。(本文来源于《2018中国保险与风险管理国际年会论文集》期刊2018-07-18）
张连增,谢厚谊[7]（2018）在《回归树方法在车险索赔频率预测建模中的应用》一文中研究指出近20年来广义线性模型在车险定价领域已成为被广泛使用的标准模型。但随着大数据时代的来临,数据记录变得越来越多,可用于车险定价的解释变量个数也变得越来越多,然而变量间的相关关系却通常很强。在这种情形下,亟待寻找新的定价方法,以实现更为精准的车险定价。本文应用机器学习领域中的回归树方法对车险索赔频率进行了预测建模,研究结果表明回归树方法在车险定价领域是广义线性模型很好的辅助与参考。(本文来源于《保险研究》期刊2018年01期）
孟生旺,李政宵[8]（2017）在《索赔频率与索赔强度的相依性模型》一文中研究指出为了解决索赔频率与索赔强度之间的相依性问题,本文提出了一种相依性调整模型,即首先在索赔频率和索赔强度相互独立的假设下预测纯保费,然后通过索赔频率与索赔强度之间的相关关系对独立性假设下的纯保费预测值进行调整。与现有模型相比,该模型的优点是可以将纯保费的预测值分解为两部分,即独立性假设下的纯保费和相依性对纯保费的影响,便于模型的解释和应用。本文将该方法应用于一组实际数据,并与其他方法进行了比较。实证研究结果表明,本文对纯保费的预测结果在一定程度上优于现有模型,而且更加清晰地揭示了索赔频率与索赔强度之间的相依性对纯保费预测值的影响,即纯保费较低的保单受相依性的影响较大,而纯保费较高的保单受相依性的影响较小。(本文来源于《统计研究》期刊2017年01期）
李政宵,孟生旺[9]（2016）在《考虑空间效应的贝叶斯分层模型与索赔频率预测》一文中研究指出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.(本文来源于《数学的实践与认识》期刊2016年10期）
张连增,孙维伟,段白鸽[10]（2012）在《GLM与GAM在车险索赔频率建模中的应用及其比较》一文中研究指出车险费率改革是近年来保险业较为关注的热门话题,对汽车保险进行定价和费率改革的基础在于风险分析。车辆、驾驶人以及行车环境等因素构成汽车保险定价所依赖的风险系统。通过对GLM-logistic回归模型和GAM-logistic回归模型的介绍,并将半参数光滑方法应用于汽车保险索赔频率建模的影响因素分析中,且以国外某汽车保险数据为样本构建汽车保险索赔频率的影响因素模型;继而在对两种模型进行比较研究的基础上,应用R软件进行实证分析,并对索赔发生概率进行了预测。结果表明:基于半参数方法的GAM-logistic回归模型比GLM-logistic回归模型更具有优势,对模型的预测效果更好。(本文来源于《现代财经(天津财经大学学报)》期刊2012年12期）
索赔频率论文开题报告
（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：
为分析我国交强险各因素对索赔频率的影响,以2016年广东、河南、湖北、山东四省的保单数据为样本,采用广义可加模型(GAM)对其保单中的驾驶员年龄、汽车车龄和汽车重量进行非参数分析,并对公路里程数等变量进行参数分析。结果表明:索赔频率有明显的地区差异,公路里程数对索赔频率有正向的影响,其中除汽车车型对索赔频率没有影响外,其余变量均有显着影响。
（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。
索赔频率论文参考文献
[1].张连增,申晴.泊松提升模型在中国车险索赔频率预测建模中的应用[J].统计与信息论坛.2019
[2].张连增,申晴.我国交强险索赔频率影响因素分析——基于GAM和广东、河南、湖北、山东的经验数据[J].财经理论与实践.2019
[3].张连增,申晴.提升算法对传统车险索赔频率建模模型的改进——基于我国五省交强险保单数据[J].保险研究.2019
[4].曾宇哲,吴嫒博,郑宏远,罗来娟.基于机器学习的车险索赔频率预测[J].统计与信息论坛.2019
[5].曾欢琴,吴黎军.Weibull计数模型下索赔频率的Bühlmann-starb信度估计[J].洛阳理工学院学报(自然科学版).2018
[6].曾宇哲,吴嫒博,郑宏远,罗来娟.基于机器学习的车险索赔频率研究[C].2018中国保险与风险管理国际年会论文集.2018
[7].张连增,谢厚谊.回归树方法在车险索赔频率预测建模中的应用[J].保险研究.2018
[8].孟生旺,李政宵.索赔频率与索赔强度的相依性模型[J].统计研究.2017
[9].李政宵,孟生旺.考虑空间效应的贝叶斯分层模型与索赔频率预测[J].数学的实践与认识.2016
[10].张连增,孙维伟,段白鸽.GLM与GAM在车险索赔频率建模中的应用及其比较[J].现代财经(天津财经大学学报).2012
标签：Boosting算法; 泊松提升模型; 回归树模型; 交强险;