非寿险精算中的应用分层模型.docVIP

非寿险精算中的应用分层模型 　　【摘 要】本文结合非寿险精算中普遍存在的具有层次性和相关性的数据结构，在分层模型的全新视角下，充分借鉴分层模型的理论研究成果，对分层模型在非寿险定价与索赔准备金评估中的应用研究的最新成果进行了系统梳理和总结，并将贝叶斯方法、随机模拟、信度理论、数据分析技术、科学计算等融合其中，在此基础上，提出了一些有待深入探索和进一步扩展的新思路，这对提升我国非寿险精算学科的统计分析体系，促进我国非寿险精算学科的发展具有重要的科学研究意义。 　　【关键词】非寿险；分层模型；贝叶斯方法 　　一、引言 　　分层模型是20世纪90年代在国际上形成并正被迅速推广应用的新的统计分析技术。分层模型通过设置自身的概率子模型来确定模型参数的方式，扩展了标准的线性模型、广义线性模型和非线性模型。这些标准模型在进行统计分析时，通常要求观测数据来自独立（ 随机） 变量，而在很多精算和统计问题中，更多需要处理纵向数据、空间聚类数据、甚至更一般的聚类数据，这些数据都不满足独立性假设，且具有一定的层次结构。由数据的层次结构，可将数据划分为不同层次的目标组，进而引入分层模型的概念。这种分层建模方式可以将复杂问题分解为相互联系的各个组成部分，为科学研究提供了一种新的分析框架。 　　在非寿险精算学中，定价与索赔准备金评估是两大核心专题。定价是否充足合理，直接影响到财险公司产品竞争力和公司盈利水平20世纪90年代，英国精算师把GLM引入到非寿险定价中，20年来GLM在很多国家的非寿险定价实务中取得了长足发展。尽管如此，GLM仍存在一定的缺陷，如当某些分类解释变量在某些水平上的数据量很少时，会使得这些水平参数估计的标准误差很大。另外，在这种情况下，直接应用GLM也会面临待估计参数个数过多的问题。为了解决这一问题，精算师试图将信度理论融入到GLM框架中，涌现出了一些统计模型与方法的应用研究，如广义线性混合模型，分层广义线性模型等。作为更一般意义下的分层建模技术，不但为具有相关性和层次结构的非寿险经验数据提供了一种处理大规模分类问题的自然方式，而且HGLM能提供贝叶斯信度建模的统一框架，也很容易将信度理论融入到GLM或非线性建模框架中。这些优势注定了分层建模技术成为当前国际精算理论研究的热点问题。 　　索赔准备金通常是财险公司资产负债表中份额最大的负债。在确定财险公司的经营业绩和偿付能力方面，都依赖于索赔准备金负债的准确评估，因此合理评估该负债对财险公司意义重大。目前，关于索赔准备金评估的随机性方法研究已经成为非寿险精算热点之一，尤其在采用严格的统计模型与方法度量准备金的波动性，进而模拟准备金的预测分布方面，已经取得了很大进展。在这方面的研究中，针对损失流量三角形（ 按事故年和进展年对?p失数据整理得到的二维数据表） 建立模型假设，并结合随机模拟方法来得到准备金的预测布。这种主流的评估方法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，进而应用分层模型来研究索赔准备金的评估问题，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，这是一个新的研究思路，有待于深入探索。另外，近年来贝叶斯方法已经成为分层模型中的重要方法之一。如果能把HGLM非线性分层模型与贝叶斯方法结合起来，应用马尔可夫蒙特卡罗随机模拟方法，可以设想这为得到准备金的预测分布提供了另一种思路。最后，在准备金评估中，结合损失进展过程的建模方法，如各种增长曲线模型和光滑模型等，将这些模型纳入分层建模技术中，也可以有效避免尾部进展因子的选定问题，这些问题的深入探索已成为索赔准备金评估的最新研究方向. 　　二、分层模型 　　分层模型的基本思想在于： 模型的某些参数本身需要建模，即在分层模型中，一些模型参数不是通过样本数据来估计，而是通过模型的超参数使用极大似然估计或相关的优化技术来估计，这些模型自带的参数有时也称为随机效应； 另外一些参数是通过样本数据直接估计的，这些参数也称为固定效应，从中可以看出，分层模型的核心思想是通过在预测量中引入随机效应，来体现目标组内数据的相关性和不同目标组间的异质性。这一部分将从以下个方面对分层模型的理论进行系统梳理和总结。 　　（一）从LM到一般化的分层线性模型的理论研究 　　对于某些不满足独立性并具有层次性的数据结构（如聚类数据、纵向数据），标准的LM不再适合。LM要求观测变量具有独立性，即模型中只含固定效应变量，因而没有考虑数据间的相关性和层次结构。作为推广，在线性混合效应模型中，既含固定效应变量，又含随机效应变量，且随机效应变量服从正态分布。有关随机效应的经典