非寿险准备金评估中，链梯法（Chain-Ladder）因其简便稳健而长期占据主导地位。然而，它基于聚合数据（如按事故年、进展年汇总的累积赔款），难以充分利用个别索赔的丰富信息。近年来，机器学习在个别索赔准备金领域虽有探索，但面临数据外推、偏误控制等难题。这篇论文（Richman & Wüthrich, 2026）提出了一种创新思路：通过重构链梯法的估计流程，建立从聚合到个别索赔的自然桥梁，从而为机器学习在准备金评估中的落地开辟新路径。
核心思想：从逐步外推到一次性预测
传统链梯法通过估计各进展期的进展因子（如 fj），将最新观察到的累积赔款逐步向前滚动，直至最终赔款。论文证明，这种逐步外推等价于一种“反向递归”过程：从已完全发展的最古老事故年出发，逐步向后估计“投影至最终因子”（PtU因子），从而直接由当前观察值预测最终赔款。这一等价性并非新发现（此前有文献提及），但论文认为在机器学习时代，这种结构具有关键优势——它允许我们在个别索赔层面直接建立从当前特征到最终赔款的映射，而无需外推动态协变量（如赔案状态、已发生赔款等），从而规避了传统方法中最棘手的难题。（原文下载，请扫码加入知识库）
个别索赔准备金框架
基于上述思想，论文设计了一个递归学习算法。对每个进展期 j，利用已完全发展的索赔数据（真实最终赔款）以及前序递归中已预测最终赔款的索赔数据，训练一个回归模型（如神经网络），输入为截至第 j 期的个别索赔特征（累积赔款、赔案状态、静态协变量等），输出为最终赔款的预测值。该模型逐一预测最近一个未完全发展事故年的个别索赔最终赔款，并将此预测值作为后续递归训练的一部分。这样，所有观测信息（包括未决索赔）均被有效利用，且模型可灵活处理各种动态、静态协变量。
实证验证
论文使用两个小型真实数据集（意外险和责任险）进行概念验证，并与传统链梯法比较。在意外险数据中，新方法的总准备金预测误差（-296）远低于链梯法的RBNS准备金误差（-774），且接近真实未决负债。在责任险数据中，由于引入了已发生赔款信息，预测精度进一步提升，尤其在最新事故年效果明显。论文还通过偏误控制（平衡校正）有效抑制了递归方法可能带来的偏差传播。
局限与展望
目前方法仅针对已报告未决赔款（RBNS），未涉及已发生未报告（IBNR）准备金。此外，递归结构需谨慎处理偏误，模型架构仍较简单（马尔可夫假设），未来可借助Transformer等序列模型利用完整赔案历史。尽管存在这些局限，该方法为精算实务中引入机器学习提供了极具前景的路径：它既保持了链梯法的可解释性和稳健性，又能够利用丰富的个别索赔数据，有望推动准备金评估向更精细、更智能的方向发展。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6342.html
微信扫一扫 
