基于Bootstrap方法的随机性准备金进展法及R实现_张连增
贝叶斯随机模型在未决赔款准备金中的应用
表 1参 数估 计 结 果
参数 2 3 d 6 B , 1 O
估计值 标 准差
续表
0 3 l .3 7 O 0 [8 .24
0 3 1 .2 2 0 0 7 .2 8 L
0 3 5 .09 00 2 6 .2 3
0 2 9 . 14 0 0 34 .2 3
事故年 效应 , , 表示第 个 发展年效应。 设 :属 =00, u表示第 . 则
1 个事故年在第 1 个发展年 的赔款 支出的对数 。 wib g 软件 中实现 。 在i n u s
( 1 续表) 表 和 由上述 参 数估 计 结 果 可 进 一 步 得 未 决 赔 款 准 备 金 的 估 计值 如 表 2 。
0
—0 06 .0 0 0 2 .3 6 ~ .9 3 0 3 5 00 2 .4 2
屈
0 08 .0 3 0 04 .4 3
属。
的异 厨 陛。
未知参数都看成是随机变量 , 即对于固定效应 以及随机效应 都假 定其 服从 正 态分 布 。
三 、 实证 分 析
本例数据来源于孟生旺的《 非寿险精算学》 假设所有保险事故在第1 , 0
个发展 年 都 能理赔 结 案 。 假设 发 生于 第 f 事 故年 的第 , 个 个发 展 年的索 赔 额
的 总和 提 存 足 够 的赔 款 准备 金 。 传统 的 准备 金 计提 方 法 , 多数 主要 考虑 发展 因子 的 影 响 因 素 , 本 文 引入 贝叶 斯 随 机模 型 ,在 准备 金 计提 过 程 中 , 同时 考 虑 发展 年 和 事 故年 的 影 响 。
【 关键词 】随机模 型 未决赔 款 准备金
, ~
电大金融本科金融理论前沿课题形成性考核册答案附题目
电大【金融理论前沿课题】形成性考核册答案电大【金融理论前沿课题】形考作业一答案:一、名词解释1.金融行为学:P1是行为理论与金融分析相结合的研究方法和理论体系。
它分析人的心理、行为以及情绪,对人的金融决策、金融产品的价格以及金融市场开展趋势的影响,是心理学与金融学相结合的研究成果。
2.边际消费倾向递减规律:P2人们新增收入中用于新增消费的比重,此比重趋于递减之中,也就是说,随人们收入的增加,增量收入中用于消费的局部在减少。
3.资本边际效率递减规律:P2资本边际效率指新增单位的投资所带来的收益。
递减是说随着投入的增加,每单位投资的收益在减小4.流动性偏好:人们对现金具有特殊的偏好,是因为现金的流动性最强;偏好的理由在于提取现金为了交易,或投机或才防患于未然——慎重。
5.选择性偏差:P5指人们常根据自己对特定事件的代表性观点,来估计*事件发生的概率。
6.锚定效应和调整:P5指人们的思维固定于*种方法,然后根据新情况进展调整,但调整对信息的反响是迟钝的。
7.过度反响与反响缺乏:P12是解释投资者行为对新增信息反响程度的两个概念。
投资对收益的过度反响,是股票价格暂时偏离其根本价值的结果;投资者对极端收入的过度反响,是因为投资者不能认识到极端收入回复到平均水平的围和程度。
过度自信的投资者当对新信息重视不够时,各种收入为正投资,当过度看重信息时,为负投资。
8.动量效应:P13市场价格的惯性趋势,是投资者在投资期对信息反响缺乏够导致的投资行为惯性的结果。
9.魅力股与价值股:P14是LSV使用的两个描述股票特征的两个概念。
前者指过去业绩颇佳。
预计未来业绩也好的股票;后者指业绩相反的股票。
10.DHS模型:P16是Daniel;Hirshleifer和Subrahmanyam等1998年对于短期动量和长期反转问题提出的一种基于行为金融学的解释。
在分析投资者对信息的反响程度时更强调过度自信和有偏差的自我归因。
11.可变性研究:P22行为金融学对可变性的形容主要指利率期限构造的可变性研究和股票市场的可变性研究。
基于Bootstrap方法的FDI与GDP因果关系的检验
基于Bootstrap方法的FDI与GDP因果关系的检验作者:刘源谢水园来源:《中国市场》2011年第26期[摘要]在小样本的情况下,总体分布的情况未知时,传统的经济计量分析的结果变得不可靠。
本文为此提供了一种新的思路,Bootstrap方法的原理是通过再抽样,对总体分布进行估计,可以有效挖掘样本信息。
由于完全依赖样本的经验分布,所以对数据没有过高的要求。
本文将该方法用于对FDI与中国经济增长关系的检验。
[关键词]Bootstrap;小样本;Granger因果关系检验[中图分类号]F273 [文献标识码]A [文章编号]1005-6432(2011)26-0168-031 Bootstrap方法的基本原理2.2 数据平稳性检验2.2.1 根据数据的水平值,一阶差分和二阶差分趋势图,为ADF检验选取恰当的形式GDP和FDI的水平值、一阶差分、二阶差分趋势图下图显示GDP的水平值和一阶差分序列均含时间趋势项和截距项,二阶差分围绕0值波动,所以不含时间趋势项和截距项。
FDI的水平值有时间趋势,含截距项。
一阶差、二阶差分均不含时间趋势项和截距项。
2.2.2 在Eviews中对GDP和FDI数据进行单位根检验从表2可知:在1%的显著性水平上,GDP为I(2)过程,FDI为I(1)过程。
GDP和FDI之间的关系并不是协整的,因而经典假设下的Granger检验的有效性值得怀疑。
下面尝试采用Bootstrap 方法来构建新的临界值来完成检验。
由于完全依赖样本数据,无需假定误差项服从正态分布。
对非平稳数据,即使变量间缺乏协整关系,也可得到较为可靠的结论。
2.3 Bootstrap 方法下的 Granger 因果检验:基于F统计量和R语言的仿真环境2.3.1 Granger因果关系检验的原理2.3.3 R语言下的Bootstrap仿真实现(限于篇幅,只介绍思路)2.3.4 Bootstrap仿真结果3 结论Granger非因果关系检验广泛用于时间序列数据的分析中,严格的检验其实还有好多工作要做,通常需要以谨慎的态度来进行。
双复合泊松风险保险公司最优投资策略
∑ ” . 表示第k 次索赔, 2f表示到 ,() v
, , )上强 度 为 A F P 的泊松 过程 , F
时刻 t 止发 生 的索 赔 的 次数 , 2 t 为 Ⅳ ( )是 概率 空 间 (
=
该 模 型最 大 的缺陷 为没 有索 赔 发 生 , 而且 也
不 能刻 画索 赔 的发 生对 投资 过程 产 生 的影 响 . 国
{ : s≤ t 是 由 Ⅳ ()生成 的 域 . 0≤ } 2t 显
设 在 风 险 资 产 上 的 投 资 为 r(n维 列 向 7
然应 有 A E( l X)>A E( ). Y 2
21 0 1年 2月
重 庆 文 理 学 院 学 报 (自然科 学版 )
Ju a o hnqn nvrt o r n cecs( a rl c neE io ) o r l f ogigU i sy f t a dS i e N t a Si c dt n n C e i A s n u e i
[ 者 简 介 ] 宗 岐 (9 9一) 男 , 西 宝 鸡 人 , 教 , 士 , 要 从 事 金 融 数 学 方 面 的 研 究 作 孙 17 , 陕 助 硕 主
设 保 险公 司 的初 始 财 富 w 0> 0, 们 将 初 我
始 财 富 的一 部分 P o 0 <P <1 用 于投 资 n W( ) 个
早 在 上世 纪 8 O年 代 开 始 , a br、 r- L m et Ho f f
ln e [ a d r
、
Ka a e ] Kr u [ h n o s
运作提 供 了很好 的机会 . 险公 司作 为特 殊 的投 保
非寿险未决赔款准备金评估的广义线性模型平滑性改进_闫春
的效果 。 Bjo rkw all( 2011) [ 5]在 GL M 框架的基础上 , 应用指 数平滑手段 对 GLM 中线 性预估量的 参数矩阵进 行处理 , 将离散的参数连续化 , 并给出基于样本选择模型平滑程 度 的算法 , 提高了模型的评估效果 。 国内 学者在准备 金评估模 型的平滑 化研究 方面研 究 较少 , 未 决赔款准 备金评 估模型 的平滑 化研究 进程较 为 缓慢 。 为此 , 本文将以准备金评估模型中的平滑问题为 研 究内容 , 首先研究了确定性模型中平滑化方 法的应用 , 然 后介绍一种 G LM 框架下 的指数平滑 化模型 , 并结合利 用 Bo o tstrap 方法 , 给出模型的相关估计方法 。
第 32 卷第 1 期 (总第 241 期 ) 系 统 工 程 2014年 1月 System s Engineering 文章编号 : 1001-4098( 2014) 01-005906
V o l. 32, N o. 1 Ja n. , 2014
* p
( 0, 1)
时 , 其就是 TW 类分布 ( Tw eedie类分布 ) , p = 0, 1, 2, 3 分别 对应 为正 态 、 Poisso n、 Gamma 、 逆 高斯 分 布 。 在 具体 运用该模型时 ,需事先确定 p 值 , 这可由数据样本确定 ,也 可由精算人员确定 。 模型中采用的典则连接为对数连接 。 不同 的线 性估 计量 Z i j , 考虑 的影 响 因素 是 不同 的 , 其主要有以下几种 :
60
系 统 工 程 2014年 fj = fs j , 根据链梯法 ,有 _ i j = Di , t - i f t- i f t - i+ 1… f j - 1 Ci , j = _ i , j - _ i , j - 1 模型中截断点 m 的选择是由相关 精算人员根据 流量三角 形的具 体数据 决定的 。 之 所以有截 断点 的存 在是为 了排 除过于早 期的数据对 未来预测 的影响 。 由于 m 值 选择的 主观性 , 该平 滑化链 梯法模 型难以 引入极 大似然估 计等 统计方 法 , 但是比 较适 合与 Bay esian 分 析结合 , 具 体见 V e rra ll 和 Eng land( 2005) [ 6 ]和 V er rall( 2007) [ 7]。
随机准备金-拔靴法bootstrapping方法
灰色区域的LDF是通过拔靴带法得到的一个拔靴带样本
14
© 2012 CPCR. All rights reserved.
针对LDF的拔靴带法举例
得到的未来赔款预测的一个拔靴带样本如下:
年度 1 2 3 4 1 1000 1200 1000 1200 2 1500 1600 1400 1680 3 终极 准备金 1600 1600 0 1700 1700 0 1493.333 1493.333 93.33333 1785 1785 585 Total: 678.3333
以上仅是一个拔靴带样本,我们需要重复m次,比如10 万次,得到总准备金的均值约是693,标准差约是88 本质上类似于针对LDF的随机链梯法
15
© 2012 CPCR. All rights reserved.
E&V提出的拔靴带法举例
已知的实际累积赔款三角形如下:
年度 1 2 3 4 1 1000 1200 1000 1200 2 1500 1600 1400 3 1600 1700 Ult 1600
重新构造一个增量三角形
年度 1 2 3 4 1 1,078.88 1,242.02 1,000.00 1,192.34 2 474.02 454.93 410.63 3 94.79 74.04 Ult -
重构增量三角形的算法为 ������‘ = ������ + ������ ∙ ������
3
© 2012 CPCR. All rights reserved.
拔靴带法的典故
术语“Bootstrap”来自短语“to pull oneself up by one's bootstraps” 源自西方神话故事“ The Adventures of Baron Munchausen”,男爵掉到了深湖底,没有工具,所以他 想到了拎着鞋带将自己提起来 计算机的引导程序boot也来源于此 意义:不靠外界力量,而靠自身提升自己的性能,翻译 为自助/自举
中国信贷增长与保险发展关系的动态分析——基于bootstrap仿真的实证研究
中国信贷增长与保险发展关系的动态分析——基于
bootstrap仿真的实证研究
贺磊
【期刊名称】《财经理论与实践》
【年(卷),期】2013(034)003
【摘要】采用基于bootstrap仿真的Wald检验、似然比检验、Lagrange数乘检验三种Granger因果检验方法对1985~2010年我国保险与银行信贷Granger 因果关系及其动态变化进行分析,并对两者相互累积作用进行bootstrap模拟估计,结果表明:在全样本情形下我国信贷发展不是保险的Granger原因,而我国保险发展是银行信贷的Granger原因;保险与银行信贷Granger因果关系随保险发展发生了结构性变化;除2004年之外,信贷对保险的累积作用均呈正向作用,而保险对信贷的累积作用呈现上下波动的不稳定特征.
【总页数】5页(P35-39)
【作者】贺磊
【作者单位】中南大学商学院,湖南长沙 410083
【正文语种】中文
【中图分类】F840.32
【相关文献】
1.我国保险市场与信贷市场作用关系的动态分析基于bootstrap仿真的实证分析[J], 贺磊;王雄
2.山东信贷增长与经济发展关系的实证研究——基于VAR模型 [J], 顾小云
3.贷款利率、GDP变化与中国商业银行信贷增长的关系——基于1993-2008年时间序列数据的实证研究 [J], 高玮
4.中国“211”高校科研效率评价和外部影响因素分析--基于Bootstrap-DEA方法的实证研究 [J], 叶刘刚;白福臣
5.基于bootstrap分析方法的中国股票型公募基金业绩实证研究 [J], 甘甜;冯硕因版权原因,仅展示原文概要,查看原文内容请购买。
经济统计学中的bootstrap方法
经济统计学中的bootstrap方法引言:经济统计学是应用统计学原理和方法来分析和解释经济现象的学科。
在经济统计学中,bootstrap方法是一种重要的统计推断技术。
本文将介绍bootstrap方法的基本原理、应用领域以及优缺点。
一、bootstrap方法的基本原理bootstrap方法是由统计学家Bradley Efron于1979年提出的一种非参数统计推断方法。
它的基本原理是通过从原始样本中有放回地抽取大量的重复样本,构建一个与原始样本具有相同分布特征的抽样分布,从而进行统计推断。
具体而言,bootstrap方法包括以下几个步骤:1. 从原始样本中有放回地抽取n个样本观测值,构成一个bootstrap样本。
2. 根据bootstrap样本计算所关心的统计量,如均值、方差等。
3. 重复步骤1和步骤2,得到大量的bootstrap样本和对应的统计量。
4. 利用bootstrap样本和对应的统计量构建抽样分布,通过对抽样分布进行分析和推断。
二、bootstrap方法的应用领域bootstrap方法在经济统计学中有广泛的应用,特别是在以下几个方面:1. 参数估计:bootstrap方法可以用于估计参数的标准误、置信区间等。
通过构建抽样分布,可以对参数进行推断,从而得到更准确的估计结果。
2. 假设检验:bootstrap方法可以用于检验统计假设的显著性。
通过构建抽样分布,可以计算出统计量的分布特征,从而进行假设检验。
3. 预测分析:bootstrap方法可以用于预测模型的准确性和稳定性。
通过构建抽样分布,可以评估模型的预测误差和置信区间,从而提高预测的准确性。
4. 非参数统计:bootstrap方法可以用于非参数统计推断。
由于bootstrap方法不依赖于任何分布假设,因此适用于各种复杂的经济统计问题。
三、bootstrap方法的优缺点bootstrap方法作为一种强大的统计推断技术,具有以下优点:1. 不依赖分布假设:bootstrap方法不需要对数据的分布做出假设,适用于各种类型的数据。
蒙特卡洛和bootstrap 等概率方法
蒙特卡洛和bootstrap 等概率方法全文共四篇示例,供读者参考第一篇示例:蒙特卡洛和bootstrap是常用的概率方法,它们在统计学和金融等领域有着广泛的应用。
在这篇文章中,我们将介绍蒙特卡洛方法和bootstrap方法的基本概念、原理及其在实际中的应用。
蒙特卡洛方法是一种基于随机抽样的统计模拟方法,通过生成大量随机数来近似求解复杂的数学问题。
蒙特卡洛方法通常用于求解无法通过解析方法获得精确解的概率分布或数值问题。
它的核心思想是通过生成大量的随机样本,通过样本的统计特性来估计目标量。
蒙特卡洛方法在金融风险管理、物理学、生物学等领域中有着广泛的应用。
在金融领域,蒙特卡洛方法被广泛应用于风险管理、期权定价等问题。
通过蒙特卡洛模拟可以估计不同投资组合的风险暴露度,制定有效的风险控制措施。
蒙特卡洛方法还可以用于股票价格模拟、利率建模等问题。
与蒙特卡洛方法类似,bootstrap方法也是一种基于数据的统计方法,它通过重复抽样的方式来估计统计量的分布。
bootstrap方法的主要思想是通过自助法(bootstrap)生成大量的重复样本,用这些样本来计算目标量的统计特性。
bootstrap方法在参数估计、假设检验、置信区间估计等问题中有着广泛的应用。
在金融领域,bootstrap方法常用于估计参数的置信区间、模型选择、风险度量等问题。
通过bootstrap方法可以对回归模型进行检验和验证,评估模型的拟合度和预测能力。
bootstrap方法还可以用于人口统计学、市场营销等领域。
第二篇示例:蒙特卡洛方法和bootstrap方法是统计学中常用的概率方法,它们通过模拟随机事件来估计各种参数和进行推断。
在实际应用中,这两种方法常常被用于数据分析、风险管理、金融建模等领域。
本文将分别介绍蒙特卡洛方法和bootstrap方法的原理和应用,并比较它们的优缺点。
蒙特卡洛方法是一种通过重复随机抽样的方法来估计不确定性的统计方法。
3-2013年春季中国精算师资格考试指南
20133年春季中国精算师资格考试指南201第I部分中国精算师资格考试---准精算师部分考试时间:3小时考试形式:选择题考试要求:本科目是关于风险管理和精算中随机数学的基础课程。
通过本科目的学习,考生应该掌握基本的概率统计知识,具备一定的数据分析能力,初步了解各种随机过程的性质。
考生应掌握概率论、统计模型和应用随机过程的基本概念和主要内容。
考试内容:A、概率论(分数比例约为35%)1.概率的计算、条件概率、全概公式和贝叶斯公式(第一章)2.联合分布律、边缘分布函数及边缘概率密度的计算(第二章)3.随机变量的数字特征(§3.1、§3.2、§3.4)4.条件期望和条件方差(§3.3)5.大数定律及其应用(第四章)B、数理统计(分数比例约为25%)1.统计量及其分布(第五章)2.参数估计(第六章)3.假设检验(第七章)4.方差分析(§8.1)C、应用统计(分数比例约为10%)1.一维线性回归分析(§8.2)2.时间序列分析(平稳时间序列及ARIMA模型)(第九章)D、随机过程(分数比例约为20%)1.随机过程一般定义和基本数字特征(第十章)2.几个常用过程的定义和性质(泊松过程、更新过程、马氏过程、鞅过程和布朗运动)(第十一章)E、随机微积分(分数比例约为10%)1.关于布朗运动的积分(§11.5、第十二章)2.伊藤公式(§12.2)考试指定教材:中国精算师资格考试用书:《数学》肖宇谷主编,李勇权主审,中国财政经济出版社2010版,所有章节。
A2金融数学考试时间:3小时考试形式:选择题考试要求:本科目要求考生具有较好的数学知识背景。
通过学习本科目,考生应该熟练掌握利息理论、利率期限结构与随机利率模型、金融衍生工具定价理论、投资组合理论的主要内容,在了解基本概念、基本理论的基础上,掌握上述几部分内容涉及的方法和技巧。
考试内容:A、利息理论(分数比例约为30%)1.利息的基本概念(分数比例约为4%)2.年金(分数比例约为6%)3.收益率(分数比例约为6%)4.债务偿还(分数比例约为4%)5.债券及其定价理论(分数比例约为10%)B、利率期限结构与随机利率模型(分数比例约为16%)1.利率期限结构理论(分数比例约为10%)2.随机利率模型(分数比例约为6%)C、金融衍生工具定价理论(分数比例约为26%)1.金融衍生工具介绍(分数比例约为10%)2.金融衍生工具定价理论(分数比例约为16%)D、投资理论(分数比例约为28%)1.投资组合理论(分数比例约为12%)2.资本资产定价(CAPM)与套利定价(APT)理论(分数比例约为16%)考试指定教材:中国精算师资格考试用书《金融数学》:徐景峰主编,杨静平主审,中国财政经济出版社2010年版,所有章节。
基于Bootstrap方法的FDI与GDP因果关系的检验
年 份
1 9 98 l9 9 0 1 91 9 19 9 2
的经验 分布 ,所 以对数据 没有 过 高的要 求。本 文将该 方 法用 于对 F I 中国经济增 长 关 系的检 验 。 D与
1 B osrp方 法 的基 本原 理 o tt a
假 定一 次 样 本 观 测 值 :(。 :… , ),总 体 分 布 为 ,, F x 是 ii 的 。 ( ) ( ), .d . 0 F 为总体 参数 , ) ( 是该 样本 对
l5 . 6 7 0 3 2 0 . 0 6 95
B o t p分 布进 而近似 总体 分布 R X, )得 到参数 0的分 o tr sa ( F
2 F I 中 国 经 济 增 长 关 系 的 检 验— — 基 于 D 与 B o tt p方法 o ssr a
2 1 数据 . 本 文选取从 18 - 2 0 9 0 0 9年 的 G P和 F I D D 数据 ,分析 之前 调整 经过 平减指 数 和固定 资产投 资价 格指数 ,使 之具
61 O . 1 0 7 4
2 5 . 3 2 3 5 2 3 . 8 2 6 8 2 0 . 8 4 0 2 22 . 2 3 6 4 23 . 0 3 0 2
2 38 0l 5 .
实际 G P D
44 6 5 5. 2 4 8 .6 7 39 5 1 2 2 7. 3 5 8 .6 7 34
[ 摘
一
要 ]在 小样本 的情 况下 ,总体 分布 的情况 未知 时 ,传 统 的经济 计量 分析 的 结果 变得 不 可 靠。 本 文为此 提 供 了
种新 的思路 ,B o t p方法 的原理 是通过 再抽 样 ,对 总体 分布 进行 估计 ,可 以有效 挖掘样 本信 息 。 由于 完全依 赖 样 本 ot r sa [ 关键词 ]B o t p otr ;小样 本 ;G a gr因果关 系检 验 sa rn e [ 图分类号 ]F 7 中 23 [ 文献 标识码 ]A [ 文章编 号 ] 10 0 5—6 3 (0 1 6— 1 8—0 4 2 2 1 )2 0 6 3
索赔准备金评估的非线性分层增长曲线模型研究
索赔准备金评估的非线性分层增长曲线模型研究作者:段白鸽张连增来源:《财经理论与实践》2013年第04期摘要:考虑损失流量三角形中同一事故年的损失随时间反复观测的纵向特征,将损失流量三角形视为分层数据,结合损失进展的增长曲线,提出了关于索赔准备金评估的两种非线性分层增长曲线模型,并应用R软件对精算实务中的实例给出了数值分析。
提出的非线性分层模型为考虑多个事故年的损失进展建模提供了一种自然灵活的框架,使得建立的模型易于理解,同时在分层建模中纳入了增长曲线,也有效避免了尾部进展因子的选定问题。
关键词:分层模型;索赔准备金评估;纵向数据;信度理论增长曲线中图分类号:F840.4 文献标识码: A 文章编号:1003-7217(2013)04-0023-07一、引言及文献综述在非寿险精算学中,随着随机性准备金评估技术的发展,索赔准备金的理论与实践正经历着一个大的变革。
如:Barnett和Zehnwirth(2000)提出准备金评估的回归分析模型[1];England和Verrall(2002, 2007)提出基于GLM的准备金评估随机性方法[2,3];Clark (2003)提出为损失进展过程建模的两类非线性增长曲线,并使用极大似然估计方法估计模型参数[4];Meyers(2007)提出为损失进展数据建模的贝叶斯方法[5];Bjrkwall等(2011)在GLM框架下,提出损失进展模式的各种光滑模型[6]。
这些建模方法表明,统计建模技术将越来越多地补充或取代传统基于表格程序估计最终损失的预测方法。
然而,这些研究都是针对损失流量三角形建立模型假设来评估准备金,并结合随机模拟方法来得到准备金的预测分布。
这种主流的评估方法大多没有体现出流量三角形数据随时间反复观测的纵向特征。
分层模型作为分析纵向数据的一种自然方式,可以把损失流量三角形视为分层数据,每个事故年对应的数据可作为一个“目标”,应用分层模型评估索赔准备金,这样不但体现了同一事故年损失数据的纵向特征,以反映组内数据的相关性,而且也考虑了不同事故年由未观测到的特征所导致的异质性。
大额索赔条件下的车险费率厘定
王 缔,男 ,辽宁鞍山人,博士生,研究方向:非寿险精算,机器学习。
58
张连增,王 缔:大额索赔条件下的车险费率厘定
和正常索赔两类,然后分别对不同分类部分运用指 数族分布(例如伽玛分布)建立模型[8]75-126。
(一)索赔频率分布模型 对于广义计数分布的一种流行方法是用一个复
合求和的形式,具体公式如下:
犕
犖 = ∑犣犼 犼=1
(1)
根据犕 和犣具体形式的选择不同,可以得到不同的分
布形式。索赔频率模型通常采用的分布为负二项分
布、零膨胀泊松分布或者 Hurdle泊松分布等。
1.负二项分布模型。假定 犖狘Θ~犘(λ·Θ),其
针对索赔次数,本文分别对其建立泊松模型、负 二项模型、零 膨 胀 泊 松 模 型、零 膨 胀 负 二 项 模 型 和 Hurdle模型,并且 对 这 些 模 型 进 行 分 析 比 较,得 到 合理的预测模型。针对索赔额,本文建立分类索赔 模型。分类索赔模型就是将索赔额转化为大额索赔
收稿日期:2018-06-03 基金项目:国家自然科学基金青年项目《基于相依结构的多元索赔准备金评估随机性方法研究》(71401041);南开大学基
摘要:车险费率厘定是财险公司设计产品的核心内容之一。在传统的纯保费预测模型中,通常建立复合 泊松-伽玛模型,该方法没有考虑到大额索赔出现的情况。为此,提出了一种处理大额索赔的频率-强度方 法。基于一组机动车损失数据,对索赔频率和索赔强度分别建模。比较不同分布的索赔频率模型,得到零膨 胀负二项模型效果较好;在索赔强度建模中,得到大额索赔伽玛模型比伽玛模型效果好。实证检验了带有大 额索赔的频率-强度模型在车险费率厘定中的优越性。
一个基于bootstrap方法的经济时间序列问题研究
一个基于bootstrap方法的经济时间序列问题研究作者:潘海涛温小霓古佳来源:《商场现代化》2009年第05期[摘要] 本文通过研究一个具体的经济时间序列数据,首先运用Box-Jenkins方法进行建模并给出结论,但通过模拟发现系数并不满足通常的大样本理论下的渐进正态的结论,从而得出相应结果不可信的结论,然后采用bootstrap方法进行估计,得出可信的结论,并对于广大科技工作者给出建议。
本文的计算均由R软件编程实现。
[关键词] 时间序列 MA过程 R软件 Bootstrap数据为1952年~2005年我们历年第三产业从业人数(百分比)数据。
(数据来自国家统计局网站)一、时间序列建模、估计和诊断首先绘制原始的散点图,显然原数据不平稳,我们再绘制其增长率的时序图:可以看到,不平稳的情况得到了很大的改善,因此,下面我们对我国第三产业从业人数的增长率进行研究。
我们考察其自相关和偏自相关图:我们可以看到,这个序列是一个MA(1)过程。
进行参数估计,我们用两种估计方法,条件似然法CSS和精确似然法ML。
结果见表1。
我们再对这两个模型作残差的自相关图诊断。
我们可以看到,CSS和ML方法建立的模型的残差均未显示序列相关,说明这两个模型拟合的很好经受住了检验。
因此得到最终拟合的模型:Xt为第三产业从业人数增长率:Xt=εt+0.4465εt-1,t=1,2,…,(CSS);Xt=ε+0.4645εt-1,t=1,2,…,(ML)。
但是我们看到,两个估计方法估计系数的置信区间均含0,这意味系数似乎应显著为0。
那么这个结果可信吗?需注意,时间序列的理论只是论证大样本情形下,ARMA类模系数会渐进正态,但样本量要大到何种程度时,才会渐进正态,这是不得而知的,也正因为如此,我们通常估计的系数的标准误未必是可信的,况且,我们的样本量不大(仅32个),因此,上面的结果是值得怀疑的。
其实,bootstrap方法的另一个吸引人之处是可帮助我们不必纠缠理论上的困惑而用大量的模拟得到我们的所需。
自助法(Bootstraping)
⾃助法(Bootstraping)⾃助法(Bootstraping)是另⼀种模型验证(评估)的⽅法(之前已经介绍过单次验证和交叉验证:)。
其以⾃助采样法(Bootstrap Sampling)为基础,即有放回的采样或重复采样。
(注:这是⼀种样本内抽样的⽅法,即将样本看作总体并从中进⾏抽样。
)具体做法是:在含有 m 个样本的数据集中,每次随机挑选⼀个样本,将其作为训练样本,再将此样本放回到数据集中,这样有放回地抽样m 次,⽣成⼀个与原数据集⼤⼩相同的数据集,这个新数据集就是训练集。
这样有些样本可能在训练集中出现多次,有些则可能从未出现。
原数据集中⼤概有 36.8% 的样本不会出现在新数据集中。
因此,我们把这些未出现在新数据集中的样本作为验证集。
把前⾯的步骤重复进⾏多次,这样就可以训练出多个模型并得到它们的验证误差,然后取平均值,作为该模型的验证误差。
如果需要在多个不同的模型中进⾏选择,那么事先留出测试集,然后在剩余的数据集上⽤⾃助法验证模型,选择验证误差最⼩的模型作为最好的模型,然后⽤训练集+验证集数据按最好模型的设置训练出⼀个新的模型,作为最终的模型,最后⽤测试集测试最终的模型。
为什么原数据集中⼤概有 36.8% 的样本不会出现在新数据集中?假设数据集中有m个样本,那么每次每⼀个样本被抽取到的概率是1/m,抽样m次,某个样本始终不被抽取到的概率是(1-1/m)m。
当m的取值趋近于⽆穷⼤时,样本未被抽中的概率为e的负⼀次⽅,结果约等于0.368。
优点:训练集的样本总数和原数据集⼀样都是 m个,并且仍有约 1/3 的数据不出现在训练集中,⽽可以作为验证集。
缺点:这样产⽣的训练集的数据分布和原数据集的不⼀样了,会引⼊估计偏差。
⽤途:⾃助法在数据集较⼩,难以有效划分训练集/验证集时很有⽤;此外,⾃助法能从初始数据集中产⽣多个不同的训练集,这对集成学习等⽅法有很⼤的好处。
总结:Bootstraping通过重复抽样,避免了Cross Validation造成的样本减少的问题。
广义线性混合模型在保险索赔中的应用及R实现
作者: 张连增 孙维伟
作者机构: 南开大学经济学院,天津300071
出版物刊名: 江西财经大学学报
页码: 48-58页
年卷期: 2013年 第4期
主题词: 财产保险 费率厘定 索赔次数 差别化定价
摘要:目前国内保险财险公司对汽车保险等业务进行定价和费率厘定最常用的是广义线性模型。
然而,数据的特点、实务的需要和技术的发展使得广义线性混合模型成为更适合对保险数据进行统计建模的工具。
将广义线性混合模型应用于保险索赔业务中,以一组实际的保险数据为样本,利用R软件进行实证分析。
该研究对保险公司的精算人员进行非寿险分类费率厘定的模型创新具有重要的参考价值。
低利率环境对我国寿险公司偿付能力的影响
低利率环境对我国寿险公司偿付能力的影响
张连增;韩志颖
【期刊名称】《南京审计学院学报》
【年(卷),期】2018(015)004
【摘要】我国经济运行处于“新常态”下,可能会保持较长时间的低利率环境.分别从寿险公司负债角度的产品特征和资产角度的资金运用两方面分析低利率环境可能给寿险公司的偿付能力带来的影响,选取样本公司进行实证研究,并用情景测试法模拟低利率环境下的利率波动影响,结果显示:在低利率环境下,为了提高偿付能力水平,寿险公司应该合理确定产品的预定利率,避免过度销售万能险产品;应合理配置各类资产投资比例,实现资产端与负债端的协调联动.
【总页数】9页(P53-61)
【作者】张连增;韩志颖
【作者单位】南开大学金融学院,天津300350;南开大学金融学院,天津300350【正文语种】中文
【中图分类】F832;F840.622
【相关文献】
1.新兴市场环境下我国寿险公司真实偿付能力的实证研究 [J], 王倩;齐玮
2.保险投资对我国寿险公司偿付能力影响的实证研究 [J], 杨景陆;
3.低利率环境对我国寿险公司偿付能力的影响 [J], 张连增;韩志颖;
4.偿二代下我国寿险公司偿付能力影响因素实证研究 [J], 李晶;尹成远
5.从日本和德国经验看低利率环境对寿险公司的影响 [J], Dirk Nieder
因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2011 年 4 月 第 33 卷 第 4 期
Joumal of Shanxi Finance and Economics University
Apr., 2011 Vol. 3 3 No. 4
金 融·投 资
基 于 Bootstrap 方 法 的 随 机 性 准 备 金 进 展 法 及 R 实现
张连增, 段白鸽
(南开大学 经济学院, 天津 300071 )
[摘
要]在传统准备金进展法的基础上, 结合模型假设提出了一种新的思路, 将传统的确定性准备金进展法合理转化为随
机性方法, 并将 Bootstrap 方法应用于准备金进展法中, 得到了未决赔款准备金的预测分布, 进而由该分布得到了各个分位数以 及相关的分布度量 (如均值、 方差等 ) , 最后通过精算实务中的数值实例加以实证分析。 [关键词]确定性准备金进展法; 过度分散泊松模型; 预测均方误差; Bootstrap 方法 [中图分类号]F842 [文献标识码] A [文章编号] 1007- 9556 (2011 ) 04- 0018- 07
n-j
(13 ) (14 )
I i, j
γ +…+γ =1
P 1
P n
对于增量已报案赔款 X , 过度分散泊松模型可 以表述为: 对所有的 i 和 j, XIi, 而且都服从 j 相互独立, 过度分散泊松分布, 参数由式 (15 ) 、 (16 ) 、 (17 ) 确定。 ·19·
I I E (XIi, ) Var (XIi, ) (XIi, ) (15 ) j =m i, j, j =IE j =Im i, j
P i, j n
^
n
^
^
n
^
^
(11 )
三、 基于 Bootstrap 方法的随机性准备金进展法
和增量已报案赔款 XIi, i ≥ 1, j ≥ 1, i+j≤n+1 ) 都 j(
服 从过度 分 散泊松 (Over-dispersed Poisson ) 分 布 [3]。 对于增量已决赔款 XPi, j, 过度 分 散泊松 模型 可 以 表 述为: 对 所 有 的 i 和 j, XPi, 而且都服 从过 j 相互 独 立 , 度分散泊松分布, 参数由式 (12 ) 、 (13 ) 、 (14 ) 确定。
② 形, 进而得到各进展年支付率的算术平均数, 即: P X i, j+1 POi, (i≥1, j≥ 1, i+j≤n ) (4 ) j→j+1= RVi, j P i, 1 I i, 1
^
^
^
^
(10 )
^
RV = ∑ i=1 P i, CV = ∑ i=2(P i, IBNR = ) , n , n -Pi, n+1-i ∑i=2 (P i, ) n-Ii, n+1-i (一 ) 随机性准备金进展法的模型假设 设 事 故 年 i 在 第 j 个进 展年的增 量已 决 赔款 X
P Pi, i≥ 1, j≥ 1, i+j≥n+1 ) j+1 =Pi, j+X i, Fra bibliotek+1(
表示事故年 i 在第 j 个进展年的增量已决赔
款流量三角形, Ii, j 表 示 事 故 年 i 在 第 j 个进 展年的 累计已报案赔款流量三角形, XIi, j 表示事故年 i 在 第 j 个进展年的增量已报案赔款流量三角形 (i≥1, j≥ 1, i+j≤n+1 ) 。事故年 i 在第 j 个进展年的已发生已 报 案 未 决 赔款 准 备 金 流 量 三 角 形记 为 RVi, j =Ii, j -Pi, j (i≥1, j≥ 1, i+j≤n+1 ) 。准备金进展法的基本思想是 考察已报案 未决赔款准 备金的进展 情况。事故年 i 在 第 j 个进 展年的 已 发 生 已 报 案 未 决 赔款 准 备 金 RVi, j 在下一进 展年 j+1 一部分 转化为下 一进展年的 增量已决赔款 X
[基金项目]教育部重大项目 “金融信用风险的量化研究” (309009); 南开大学经济实验教学中心教学改革项目 “非寿险精算 理论研究: 准备金评估随机性方法及软件 R 实现” [作者简介]张连增 (1968- ) , 男, 山东莱芜人, 南开大学经济学院风险管理与保险学系教授, 研究方向是精算理论、 非寿险 精算; 段白鸽 (1983- ) , 女, 山西临汾人, 南开大学经济学院风险管理与保险 学系博士研究生, 研究方向是风险 管理与精算。
部分用准 备金支付率 (POi, ) 表示 , 对于仍为 j→j+1 比率 已报案未决赔款准备金的部分用准备金结转率 (CE- Di, ) 表示。 j→j+1-POi, j→j+1 比率 (二 ) 利用确定性准备金进展法评估准备金的主 要步骤 步骤一,利用给定的按事故年统计的累计已决 赔款和累计已报案赔款流量三角形得到已发生已报 案未决赔款准备金的流量三角形, 即: RVi, ( j≥ 1, i+j≤n+1 ) (1 ) j=Ii, j-Pi, j i≥ 1, 步骤二,将给定的按事故年统计的累计已决赔 款和累计已报案赔款流量三角形转化为增量已决赔 款和增量已报案赔款流量三角形, 即: X =Pi, X =Ii, ( j=1 ) (2 ) 1; 1 1≤ i≤ n, P I X i, X i, i ≥ 1, j≥2, i+j≤n+ j+1=Pi, j+1-Pi, j; j+1=Ii, j+1-Ii, j( 1 ) (3 ) 步骤三, 通过事故年 i 在第 j+1 个进展年的增量 已决赔款除以事故年 i 在 第 j 个进展年的已发生已 报案未决赔款准备金得到准备金支付率的流量三角
·18·
假设 IBNR 索赔 与 已 报 案 索赔 之 间 具有 稳 定 的 关 系。 对于大多数报案较快的险种来说, 在事故年的初 期可以积累大量赔案数据,这就为评估 IBNR 提供 了一个稳定的基础。 假设事故年和进展年的年数都为 n。 以 Pi, j 表示 事故年 i 在第 j 个进展年的 累计已决赔款流量三角 形, X
P j+1 i,
∑i=1 (CEDi, ) j→j+1-POi, j→j+1 n-j (7 )
n-j
上述式 (6 ) 表示准备金结转率的流量三角形, 式
^
^
, 另一部分仍为下一进展年已报
① 案未决赔款准备金 RVi, j+1 的一部分。 我们引入准备 ] 金 进 展 率 [2 ( CEDi, ) , 对于转化为已决赔款的 j→j+1 比率
一、 引言 通常情况下, 精算师在评估准备金时, 或者是使 用已决赔款数据, 或者是使用已报案赔款数据, 但这 种做法存在一些缺陷。 一方面, 对于历史数据中所包 含的已决赔款数据和已报案赔款数据之间的关系并 未有效使用,也就是未充分利用有关信息;另一方 面, 在实务操作中, 基于两类数据得到的最终损失存 在较大差异,导致精算师对于已决赔款数据和已报 案赔款数据的选择产生困惑。 传统的准备金进展法 [1]已经考虑到了两类数据 的关系。 在确定性准备金进展法中, 已决赔款和已发
[收稿日期]2011- 02- 19
生已报案未决赔款准备金数据的统计可以采用两种 形式, 即按报案年统计和按事故年统计。相应地, 准 备金进展法也就分为报案年准备金进展法和事故年 准备金进展法。 但是, 由于报案年准备金进展法无法 评估已发生未报案未决赔款准备金 (纯 IBNR ) , 因此 下面只对事故年准备金进展法进行介绍。 二、 确定性准备金进展法 (一 ) 确定性准备金进展法的基本思路 如果按事故年统计数据,则总会有新的索赔数 据不断进入统计范围,这就给准备金进展法的应用 造成了一定困难。 在应用事故年准备金进展法时, 要
P P E (XPi, ) Var (XPi, ) (XPi, ) 12 ) j =m i, j, j =PE j =Pm i, j ( P P mPi, j=μ i×γ j
∑ POi, j→j+1 POj→j+1= i=1 (1≤j≤n-1 ) (5 ) n-j 上述式 (4 ) 表示准备金支付率的流量三角形, 式 (5 ) 表示各进展年支付率的算术平均数。 步骤四, 通过事故年 i 在第 j+1 个进展年的已发 生已报案未决赔款准备 金除以事故 年 i 在第 j 个进
Stochastic Reserve Development Method and Its R Implementation Using Boot - strap ZHANG Lian- zeng, DUAN Bai- ge
(Dept. of Risk Management & Insurance, Nankai University, Tianjin 300071, China ) Abstract:This paper is based upon the traditional reserve development method, and with the proposed model assumptions, proposes an idea that the traditional reserve development method should be modified to stochastic method. It shows how the bootstrap method is applied to the reserve development method, in order to obtain the predictive distribution of the total reserve. The authors put forward the countermeasures and suggestions which have important significance as to the accuracy and sufficiency of the reserves liability. Key Words:traditional reserve development method; over- dispersed poisson model; mean square error of prediction; Bootstrap method