DeepTriangle：损失准备金的深度学习方法

对于DeepTriangle，我们报告了来自集合的平均预测。AutoML模型是通过自动搜索一组常见的机器学习技术开发的。在我们使用的实现中，它训练并交叉验证了一个随机林、一个极端随机林、一个梯度提升机的随机网格、一个深度前馈神经网络的随机网格以及其中的堆叠集合[]。这些算法的详细信息可在Friedman等人【10】中找到。由于机器学习技术产生标量输出，因此我们使用迭代预测方案，其中时间步的预测用于下一个时间步的预测。我们看到，DeepTriangle改进了流行的链梯和ODP模型、常见的机器学习模型和贝叶斯随机模型的性能。除了所有公司的汇总结果外，我们还定性调查了DeepTriangle了解单个公司发展模式的能力。图4和图5分别显示了1767公司商用汽车线和337公司工人赔偿线的paidloss开发和索赔未决开发。我们看到，该模型很好地捕捉了1767公司的发展模式。然而，它无法预测337公司职工薪酬账簿的亏损率。分配；相反，它们是用来反映优化神经网络的随机性的。我们【16】，进一步的研究可以研究这些技术对储量可变性的适用性。https://github.com/kasaai/deeptriangle.10在132个4 6 8 10 2 4 6 8 10 2 4 6 8 10 2 4 6 6 10 2 6 10 0.20.60.20.40.6损失率4 6 8 10 2 6 8 10 2 6 6 6 10 2 6 10 2 6 6 6 6 10 0.20.40.20.4发展滞后于预期的95%间隔期。图4。

1767公司意外开发年，商用车。第11页，共132页，第6页，第8页，第2页，第4页，第6页，第10页，第2页，第4页，第4页，第6页，第4页，第4页，第6页，第4页，第4页，第6页，第2页，第4页，第6页，第6页，第2页，第6页，第10页，第10页，第2页，第4页，第2页，第4页，第4页，第6页，第4页，第8页，第4页，第8页，第4页，第8页，第4页，第8页，第4页，第8页，第4页。337公司意外发展年，工人赔偿。第12页，共135页。结论：根据我们的指标，在没有专家输入的情况下，能够获得与现代随机储备技术相当的性能。这意味着可以在desiredexpert review实现模型更新和报告生成的自动化）。通过利用神经网络，我们可以根据可用数据合并多个模型。总之，该框架在保持准确性的同时提供了自动化和可扩展性。在本文中，我们分析了一个具有有限特征的聚合数据集，因为它是公开可用的，并且经过了很好的研究，但可以扩展DeepTriangle以合并其他数据，例如索赔计数。深度神经网络可以用来扩展最近的工作，例如Wüthrich[32]，应用于自由文本字段和图像。虽然本研究侧重于预测点估计值，但未来的扩展可能包括输出分布，以解决储量的可变性。致谢：我们感谢Sigrid Keydana、Ronald Richman、匿名评论员以及志愿者的评论和讨论。利益冲突：作者声明没有利益冲突。参考文献1。Abadi、Martín、Ashish Agarwal、Paul Barham、Eugene Brevdo、Zhifeng Chen、Craig Citro、Greg S。

科拉多、安迪·萨德、杨庆佳、拉斐尔·乔泽福维奇、卢卡斯·凯撒、曼朱纳·库德勒、乔什·莱文伯格、蒲公英·马内、拉贾特蒙加、雪莉·摩尔、德里克·默里、克里斯·奥拉、迈克·舒斯特、乔纳森·什伦斯、贝诺伊特·施泰纳、伊利亚·萨茨凯、库纳尔·塔瓦尔、保罗·塔克、文森特·范霍克、维杰伊·瓦苏德万、费尔南达·维加斯、奥利奥·维亚尔斯、皮特·沃登、马丁·沃特伯格、马丁·威克、袁、韦克、，和郑晓强。TensorFlow：异构系统上的大规模机器学习。tensor Flow提供的软件。组织。2、Avanzi、Benjamin、Greg Taylor、Phuong Anh Vu和Bernard Wong。2016年，具有相关性的随机损失准备金：一种灵活的多元tweedie方法。保险：数学与经济学71，63–78.3。卡鲁阿纳，里奇。多任务学习。机器学习28（1），41–75.4。Levent Koc、Jeremiah Harmsen等人。。2016年，推荐系统的广泛深入学习。第一届推荐系统深度学习研讨会论文集-DLRS 2016。内政部：10.1145/2988450.2988454.5。Chollet、Francois和JJ Allaire。2018年，与R.Manning出版社进行深度学习。Chollet、Francois、JJ Allaire等。。2017年，与keras的R接口。https://github.com/rstudio/keras.7.Chukhrova，Nataliya和Arne Johannssen。2017，《随机索赔服务中的状态空间模型和卡尔曼滤波：预测、滤波和平滑》。风险5（2），30.8。序列建模的递归神经网络。英国，彼得·D和理查德·维拉尔。普通保险中的随机索赔准备金。英国精算杂志8（3），443–518.10。Friedman、Jerome、Trevor Hastie和Robert Tibshirani。2001，《统计学习要素》，第1卷。Springerseries位于美国纽约州纽约市统计局：。第13页，共1311页。加布里埃利，安德烈。2019

基于神经网络的双过离散泊松索赔准备金模型。SSRN 3365517.12提供。加布里埃利、安德烈、罗纳德·里希曼和马里奥·伍思里奇。2018年，超分散泊松储备模型的神经网络嵌入。SSRN提供。13、加布里埃尔·利、安德里亚和马里奥·Vüthrich。2018年，个人索赔历史模拟机。风险6（2），29.14。古德费罗、伊恩、约舒亚·本吉奥和亚伦·考维尔。2016年，深度学习。麻省理工学院出版社剑桥。15、郭、程和Felix Berkhan。2016。分类变量的实体嵌入。更正abs/1604.06737.16。Lakshminarayanan、Balaji、Alexander Pritzel和Charles Blundell。2017年。使用深度集成进行简单且可扩展的预测不确定性估计。《I.Guyon，U.V.Luxburg，S.Bengio，H.Wallach，R.Fergus，Associates，股份有限公司》第17页。LeCun、Yann、Yoshua Bengio和Geoffrey Hinton。2015年，深度学习。《自然》521（7553），436.18。公告23（2），213–225.19。马丁内克，拉斯洛。2019年，利用naic索赔数据分析随机储备模型。风险7（2），62.20。梅耶斯，格伦。2015年，使用贝叶斯MCMC模型的随机损失准备金。保险精算协会。21.研究/索引。cfm？fa=loss\\u reserves\\u数据。米兰达、玛丽亚·多洛雷斯·马丁内斯、延斯·珀奇·尼尔森和理查德·韦拉尔。2012年，双链梯。ASTINBulletin:IAA杂志42（1），59–76.23。奈尔、维诺德和杰弗里·辛顿。直线单元改进了受限玻耳兹曼机器。《第27届国际机器学习会议（ICML-10）》第807-814.24页。佩雷曼斯、克里斯、斯特凡·范·艾尔斯特和蒂姆·威尔东克。一种稳健的通用多元链梯法。风险6（4），108.25。Quarg、Gerhard和Thomas Mack。2004年，慕尼黑链梯。Bl"atter der DGVFM 26（4），597–630.26。Reddi、Sashank J.、Satyen Kale和Sanjiv Kumar。2018年，关于亚当与超越的融合。

在国际学习表征会议上。27、Richman、Ronald和Mario V Wuthrich。2018年，lee-carter模型的神经网络扩展到多种群。SSRN 3270877.28提供。Srivastava、Nitish、Geoffrey Hinton、Alex Krizhevsky、Ilya Sutskever和Ruslan Salakhutdinov。2014年，《辍学：防止神经网络过度拟合的简单方法》。机器学习研究杂志15（1），1929-1958.29。Srivastava、Nitish、Elman Mansimov和Ruslan Salakhutdinov。2015年，使用lstms进行视频表示的无监督学习。更正abs/1502.04681.30。Sutskever、Ilya、Oriol Vinyals和Quoc V Le。2014。使用神经网络的序列到序列学习。《神经信息处理系统的改进》，第3104–3112.31页。H2O。ai团队。2018年。h2o:h2o的R接口。R软件包版本3.20.0.8.32。Wüthrich，Mario V.2018a。个人索赔保留中的机器学习。斯堪的纳维亚精算杂志，1–16.33。Wüthrich，Mario V.2018b。神经网络在链梯储备中的应用。《欧洲精算杂志》8（2），407–436.34。伍思里奇、马里奥五世和克里斯托夫·布瑟。2019年。非寿险定价数据分析。瑞士金融机构研究论文（16-68）。