基于模型平均与网格图方法的保险厚尾数据建模

《Risks》:Model Averaging and Grid Maps for Modeling Heavy-Tailed Insurance Data

【字体: 大 中 小 】 时间:2026年01月12日 来源:Risks 1.5

编辑推荐:

  本研究提出了一种实用方法,旨在通过模型平均(Model Averaging)与网格图(Grid Map)可视化技术改进厚尾保险索赔数据的风险量化,以解决精算建模与模型拟合文献中传统的单一"最优"模型选择策略存在的缺陷。本研究以丹麦火灾损失数据(Danish f

  
本研究提出了一种实用方法,旨在通过模型平均(Model Averaging)与网格图(Grid Map)可视化技术改进厚尾保险索赔数据的风险量化,以解决精算建模与模型拟合文献中传统的单一"最优"模型选择策略存在的缺陷。本研究以丹麦火灾损失数据(Danish fire loss data)为研究对象,开展了数据驱动的实证分析,拟合了以下三类模型:(i)16种标准单分布模型,(ii)256种复合分布(Composite Distributions)模型,以及(iii)256种混合分布(Mixture Distributions)模型;其中,针对复合分布与混合分布模型,研究人员重点关注了以信息准则(Information Criterion)即赤池信息准则(Akaike Information Criterion, AIC)与贝叶斯信息准则(Bayesian Information Criterion, BIC)排序的前20个领先模型。研究通过奥卡姆窗(Occam's Window)内的AIC与BIC加权平均方法(基于加权点估计)明确处理了模型选择不确定性(Model Selection Uncertainty),同时利用网格图将信息准则与风险度量(Risk Measures)进行同步可视化绘制,具体包括风险价值(Value-at-Risk, VaR)与尾部风险价值(Tail Value-at-Risk, TVaR)在95%和99%分位点阈值下的数值,以揭示模型拟合优度与尾部风险权衡(Critical-fit versus Tail-risk Trade-offs)的关键特征。研究观察到,复合模型的模型平均风险度量与经验值更为接近。具体而言,所有类别模型的模型平均估计值均与经验VaR0.95高度一致,但对TVaR0.99呈保守性高估态势,这有利于促进更安全的资本准备金储备。网格图与模型平均结果表明,相较于单一分布拟合,混合分布与复合分布模型能更好地捕捉丹麦火灾索赔数据的厚尾特性。
本研究聚焦于保险厚尾数据建模中单一"最优"模型选择策略的局限性问题,旨在通过模型平均与网格图可视化方法改进风险量化精度。研究背景方面,精确建模厚尾索赔数据对保险行业至关重要,支撑风险评估、保费厘定与资本配置。在保险精算实践中,使用轻尾分布(如正态分布)建模厚尾索赔可能导致TVaR低估10%-20%,造成准备金不足;而过度保守的厚尾分布又会导致资本过剩,阻碍竞争性定价。传统基于AIC或BIC的模型选择方法存在过拟合或欠拟合风险,导致损失分布泛化能力较差。单一"最优"模型选择忽略了竞争模型的信息,产生预测信心膨胀和有偏的风险度量。尽管此前Blostein与Miljkovic(2019)、Grün与Miljkovic(2019)以及Marambakuyana与Shongwe(2024)等研究在丹麦火灾数据和南非出租车索赔数据上开展了复合分布与混合分布建模,但这些研究均依赖单一最优模型选择,未能处理模型选择不确定性。因此,本研究旨在填补丹麦火灾损失数据尚未应用模型平均和网格图分析的研究空白。

研究人员以丹麦火灾索赔数据(2492条观测值,以百万丹麦克朗计)为研究对象,系统回答了三个研究问题:(RQ1)单一模型、复合模型和混合模型在模型平均和网格图技术下的性能比较;(RQ2)模型平均与网格图在模型选择中是否存在显著差异;(RQ3)模型平均和网格图如何影响厚尾数据的整体风险评估。研究得出以下核心结论:复合模型在平衡拟合优度和风险控制方面表现最优;模型平均与网格图相比传统单模型选择具有统计和实践层面的显著优势;模型平均通过加权竞争模型有效降低了模型不确定性和过度自信。该论文发表在《Risks》期刊。

研究采用的主要技术方法包括:基于最大似然估计(Maximum Likelihood Estimation, MLE)的参数估计方法,利用nlm()和nlminb()优化函数求解参数;信息准则比较方法,计算AIC = 2NLL + 2p和BIC = 2NLL + plog(n)以平衡模型拟合与复杂度;模型平均加权方法,采用公式β?i(x) = exp(-ΔJi/2)/Σexp(-ΔJi/2)进行AIC/BIC加权,其中ΔJi为模型i与最优模型的信息准则差值;奥卡姆窗修剪方法,设定δ ≤ 10的阈值筛选合理模型子集,避免权重稀释;网格图可视化方法,将AIC/BIC与VaR/TVaR在95%和99%阈值下进行二维散点图绘制,展示拟合与尾部风险的权衡关系。样本数据来源为经典公开数据集——丹麦火灾索赔数据。

研究结果部分严格按照原文结构展开。

"数据描述(Data Descriptive)":研究人员首先对丹麦火灾索赔数据进行描述性统计分析。数据显示中位数为1.63百万丹麦克朗,最大值达263.25百万丹麦克朗,均值被极端值推高至3.06百万丹麦克朗,偏度19.90,峰度549.57,变异系数2.60,呈现显著的厚尾特征。均值超额图(Mean Excess Plot)显示尾部存在异常值,暗示单一分布难以充分捕捉其变化模式;带有正态分布覆盖的直方图直观展示了数据偏离正态的特征;肘部法则(Elbow Method)聚类分析表明最优聚类数为k=3,提示数据可能存在多峰结构。

"单一分布平均(Single Distributions Averaging)":基于表2的AIC和BIC权重分析,仅Burr分布满足奥卡姆窗筛选条件(δ ≤ 10),成为唯一合理模型。表3显示Burr分布的VaR和TVaR值比经验值高出8%-140%,提供了保守的资本安全缓冲。图2直观展示了Burr分布权重高度集中,其余15个模型权重几近为零的特征。

"复合分布平均(Composite Distributions Averaging)":表4显示Inverse Burr-Burr以AIC权重0.580领先,Weibull-Inverse Weibull则以最低BIC获选。经奥卡姆窗筛选后仅余11个模型,模型平均估计值(表5)与经验VaR较为接近,但对TVaR0.99存在高估。特别地,模型平均结果表明保险公司可预期最坏1%的索赔规模约为75.63百万丹麦克朗。图3揭示了Inverse Burr-Burr在AIC中权重最高,而Inverse Burr-Inverse Weibull在AIC与BIC间达到更好平衡。

"混合分布平均(Mixture Distributions Averaging)":表6中Burr-Burr混合模型以AIC权重0.922和BIC权重0.431显著领先。表7显示模型平均估计与经验VaR0.95接近,但对VaR0.99和TVaR0.95高估,对TVaR0.99则低估。图4确认了Burr-Burr的领先地位。

"网格图分析(Grid Mapping Analysis)":图5展示了所有模型的AIC和BIC全景视图,复合模型集中在7640-7650区间,混合模型以Burr-Burr最优(7586.95),但尾部风险更高。图6(95%阈值)显示复合模型在较低信息准则与适中风险度量间达成平衡,而图7(99%阈值)揭示混合模型的VaR可达60百万、TVaR超200百万丹麦克朗,过度激进的资本要求可能损害竞争优势。

讨论部分围绕三个研究问题展开。针对RQ1,模型平均确认Burr类模型在各品类中均受偏好,复合模型在奥卡姆窗内最有效地平衡了可解释性与风险控制,其网格图和Q-Q图与经验分位数贴近,单模型变异大,混合模型中等效率。针对RQ2,模型平均与网格图联合使用相比传统单模型选择具有统计和实践显著优势:单模型Burr的TVaR0.99达130.99百万丹麦克朗(比经验值54.60高140%),而AIC加权复合平均为75.41、BIC加权为64.96,更为适中;网格图直观暴露了奥卡姆窗内先前被隐藏的模型(如inverse Burr–inverse Weibull),其在数据拟合和尾部风险间的平衡优于任何单一最优模型。针对RQ3,模型平均通过加权竞争模型有效缓解了模型不确定性,降低了过度自信和偏差;网格图则通过平衡拟合与风险度量,识别出信息准则较低且不对尾部风险过度估计或低估的模型。研究强调了设定资本要求和触发机制时适当模型选择的关键性,这直接决定公司的盈利能力。

研究结论部分翻译如下:本数据驱动研究实施了模型平均和网格图两种方法,为显著正偏、具有极端右尾异常值、大峰度及可能两到三个聚类(即多峰)的丹麦火灾索赔数据拟合了最适合的分布。单分布中Burr分布领先,但相比经验风险值过于保守。权重集中于单一模型存在过拟合风险。定价方面,TVaR(131百万丹麦克朗)显示出更大的风险敞口,意味着由于厚尾行为需要更高的保费,也需要更大的准备金来覆盖未来的极端索赔,并要求显著提高偿付能力资本。Burr-Burr混合模型在丹麦火灾索赔数据中领先,拥有六个合理模型和跨模型类别的最低信息准则值。模型平均基于加权点估计产生的风险估计倾向于更接近经验值;需要注意的是,这些估计对VaR0.95准确,但对VaR0.99和TVaR0.95高估,对TVaR0.99则低估。尽管混合模型在所有模型类别中具有最低的AIC或BIC,复合模型的模型平均风险估计呈现出更稳定的估计值(接近经验值)。网格图突出了混合模型和复合模型的性能,如Burr-Burr在低AIC或BIC与适中VaR或TVaR间紧密聚类,优于单模型。复合模型在拟合优度、简约性和尾部风险控制间提供了更好的平衡。其适中的AIC或BIC结合适中的VaR或TVaR,表明这些模型在代表丹麦火灾索赔厚尾特性的同时,缓解了过于自信或有风险的尾部估计。这对于稳定的风险量化是理想的——不会过低或过高,而是接近经验值。这些结果指导保险公司设定准备金,Burr类模型为丹麦火灾索赔提供了保守的尾部风险估计。总体而言,混合模型和复合模型能更好地捕捉丹麦火灾索赔数据的厚尾特性,其中Burr-Burr等模型对极端尾部有轻微的高估或低估,而单模型如指数分布则表现出差得多的拟合。模型平均在网格图支持下增强了风险量化,但保守的TVaR估计暗示需要为极端损失准备更高的准备金。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号