現代精算預測建模(從統計模型到機器學習算法)

前言
第1章 機器學習基礎
1.1 機器學習簡介
1.1.1 機器學習和其他相關領域的關系
1.2 參數模型
1.2.1 多元線性回歸
1.2.2 廣義線性模型
1.2.3 基擴展模型
1.2.4 混合效應模型
1.2.5 邏輯回歸
1.2.6 線性判別分析
1.3 深度學習
1.3.1 建立深度學習模型的一般步驟
1.3.2 全連接神經網絡
1.3.3 圖像和文本數據
1.3.4 數據預處理
1.4 非參數模型
1.4.1 k近鄰分類
1.4.2 基於核密度估計的分類與回歸
1.4.3 支持向量機
1.4.4 決策樹
1.5 提升算法
1.5.1 函數型梯度下降算法
1.5.2 梯度提升樹
1.6 無監督學習
1.6.1 奇異值分解
1.6.2 主成分分析
1.6.3 自編碼
1.6.4 聚類
1.7 模型評估與比較
1.7.1 樣本外偏差統計量
1.7.2 Diebold-Mariano檢驗
1.7.3 預測結構分析與校準
1.7.4 Murphy圖
1.7.5 基尼系數
1.8 通用模型解釋方法
1.8.1 變量重要性
1.8.2 部分依賴效應
1.8.3 全局代理模型
第2章 保險損失預測建模
2.1 索賠頻率預測建模
2.1.1 統計回歸模型
2.1.2 提升算法
2.1.3 深度學習
2.1.4 零調整泊松模型
2.2 索賠強度預測建模
2.2.1 連續型分布
2.2.2 混合模型
2.2.3 案例分析
2.3 索賠頻率-強度相依性建模
2.3.1 條件相依建模
2.3.2 Copula模型
2.3.3 兩類模型的比較
2.4 純保費的Tweedie回歸模型
2.4.1 Tweedie覆合泊松模型
2.4.2 使用EM算法擬合Tweedie覆合泊松模型
2.4.3 模擬數據示例
2.4.4 實際數據示例
第3章 含有潛變量的加性樹保險損失預測模型
3.1 含有潛變量的回歸模型概述
3.2 含潛變量的加性樹模型
3.2.1 含潛變量的參數回歸模型
3.2.2 含潛變量的加性樹模型
3.3 IRGB算法
3.3.1 與EM算法的比較
3.3.2 IRGB算法的實現
3.3.3 其他考慮因素
3.4 IRGB算法證明
3.4.1 IR-MLE算法
3.4.2 回顧IR-MLE算法的證明
3.4.3 IRGB算法的證明
3.5 應用
3.5.1 混合專家模型
3.5.2 零膨脹泊松回歸
3.5.3 Tweedie覆合泊松回歸
第4章 基於賠案文本的索賠金額預測
4.1 背景介紹
4.2 損失Dirichlet多項式混合模型
4.2.1 LDMM模型中的相關分布
4.3 參數估計方法
4.3.1 用於最大後驗（MAP）估計的EM算法
4.3.2 後驗分布的Gibbs采樣器
4.4 後驗預測分布與風險度量
4.5 模型選擇
4.6 所用分布
第5章 基於駕駛行為風險的車險定價
5.1 背景介紹
5.2 車聯網數據描述
5.2.1 汽車保險定價的傳統協變量
5.2.2 車聯網數據中的變量
5.2.3 車聯網數據清洗
5.3 給定駕駛員條件下駕駛行為數據的分類
5.3.1 問題設定和數據預處理
5.3.2 基於卷積神經網絡的分類
5.3.3 擬合與結果
5.3.4 數據隱私問題
5.4 車聯網數據的熱圖壓縮及其在索賠頻率預測中的應用
5.4.1 可用的索賠數據及泊松索賠次數回歸建模
5.4.2 基準模型：基於經典精算協變量的泊松廣義線性模型
5.4.3 車聯網數據的壓縮：速度-加速度熱圖
5.4.4 用熱圖增強廣義線性模型
5.5 速度-加速度熱圖的穩健性
5.5.1 理論分析
5.5.2 數值結果
5.6 單個行程的駕駛行為風險評分及其在索賠頻率預測中的應用
5.6.1 典型駕駛員的選擇
5.6.2 一維卷積神經網絡
5.6.3 信度平均風險評分
5.6.4 基於信度平均風險評分的索賠頻率預測建模
5.7 總結與展望
附錄
附錄A 強化學習
附錄B 計算環境構建
附錄C 車聯網數據預處理
參考文獻