數據挖掘在非壽險分類費率厘定中的運用研究.pdf

1、要廣義線性模型(GLMs)從根本上說，屬于一種分類費率厘定模型。它是非壽險定價的重要方法，目前更作為個人車險、其他個險險種以及部分商業(yè)險種定價的標準方法。 分類費率厘定模型建立在損失數據采集和風險分類基礎之上，這就決定了保險人經營過程中，保單信息的缺失、風險識別和分類的有效性，都將直接影響模型的準確性。另外，分類費率厘定模型很難直接評估各種風險因素對風險分類有效性的影響程度，并預測它們對未來損失產生的影響。本文在實證分析基礎上，

2、說明了分類費率厘定模型的這些缺陷不可避免的也存在于GLMs定價中。 數據挖掘(DM)是一個從已知數據集合中發(fā)現各種模型、概要和導出值的過程。通過這一技術，人們在計算機幫助下利用一系列工具對數據進行分析，然后根據反饋的內容從新的視角來考察原始數據的信息。數據挖掘過程一般包括數據取樣、數據研究、數據調整、模型構建和模型評估五個步驟。本文在SASR環(huán)境下，探討了數據挖掘的各步驟，并闡釋了它們在精算學及非壽險定價中的意義。 最后

3、，文章運用SASREnterpriseMinerTM，利用數據挖掘技術進行了一系列實證分析。本文重新構建了基于回歸算法、決策樹算法和神經網絡算法的六個費率厘定模型，就各模型的改進方法給予了必要說明。最后文章從識別度、區(qū)分度、準確度、穩(wěn)定性和可解釋性五個方面分析比較了幾個模型，并闡釋了各模型存在優(yōu)劣的內在原因。 數據挖掘技術可以極大的改進傳統(tǒng)的非壽險費率厘定方法，幫助精算師自動實現一些重要的費率厘定過程，調整費率結構并建立一個較為