基于机器学习的非寿险准备金智能化评估方法研究

摘要

在实务中定期的准备金评估是一个工作量很大的事情，需要专门的评估人员完成，若能利用机器学习算法实现准备金的智能化和自动化评估对于保险公司来说具有一定的现实意义。 本文围绕算法与往期评估数据结合实现智能化评估这一研究思路，主要介绍了研究这一问题所用到的精算知识、算法方面的知识、数据及自动化实现。在精算方面，主要介绍了流量三角形和确定性评估方法，包括链梯法、准备金进展法、案均法、B-F法等，并从数据、假设和适用条件三个方面对他们进行比较，同时简单介绍了流量三角形这一有力的评估工具，上述评估方法都必须借助这一工具完成。在算法方面，概述了人工智能的发展、人工智能与机器学习的关系及建模过程和相关概念，详细介绍了实现自动化评估的机器学习算法，包括概率神经网络、决策树算法、支持向量机和广义回归神经网络。其中概率神经网络、决策树和支持向量机用于模式识别，广义回归神经网络用来数值预测。从分类和预测两个角度对同一问题进行研究的目的，一方面是为了更好的发现研究本身可能存在的问题，另一方面是为了对比算法与问题的匹配性。最后，利用MATLAB软件编写程序，将收集到的数据代入算法得出结果，结果表明，概率神经网络、决策树和支持向量机选择的因子与人工选择的因子完全相同，而广义回归神经网络预测的因子比人工选择的因子偏大。 通过研究发现，算法与历史数据结合的方法在一定程度上能够解决智能化评估的问题，但不是最理想的方法。主要原因： 1）数据之间存在不一致性且不易收集，数据间的不一致性会使模型的泛化能力大大降低； 2）虽然用算法直接学习历史数据会提高学习效率，但算法仅仅“模仿”人，理想情况下也只是达到“被模仿者”的水平，无法克服传统评估方法的缺陷。要想在实务中实现智能化评估还需要深入研究，进行相关理论的创新。

目录

声明

第一章 绪 论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 研究内容与研究思路

第二章 非寿险准备金评估方法

2.1 相关概念

2.2 非寿险责任准备金评估方法

第三章 人工智能与机器学习理论概述

3.1 人工智能发展

3.2 神经网络与神经元简介

3.3 建模步骤及相关概念

第四章 智能化评估实现

4.1 算法理论

4.2 数据

4.3 自动化评估实现

第五章 结论与展望

5.1 结论与政策建议

5.2 本研究的创新点

5.3 不足与展望

参考文献

科研及获奖情况

附录

致谢