本研究对比了梯度提升树（GBT）、多层感知器（MLP）和基于Transformer（TRF）的深度学习方法在多险种保险定价中的预测性能。传统实务中，各险种及索赔频率与严重度往往独立建模，忽略了风险间潜在依赖关系。本研究旨在利用深度学习架构联合建模多个保障责任及频率-严重度组件，以提升纯保费估计的稳健性。
研究基于健康险、机动车第三者责任险及车联网数据三组真实精算数据集，采用泊松偏差评估频率、伽马偏差或RMSE评估严重度。结果表明，所有模型均校准良好（实际/预测比接近1），且具备风险区分能力（基尼系数显著）。TRF模型在多数险种和组件上表现最优，排名高于MLP和GBT，尤其善于捕捉险种间及风险组件间的相互依赖关系。MLP性能次之，GBT紧随其后。模型得分相关性分析显示，深度学习模型（MLP与TRF）之间相关性更强，而TRF与两者均较一致，可能整合了不同模型捕捉的异构特征。
变量重要性方面，对于车联网数据，设备相关变量对频率影响显著，而严重度的变量重要性分布更均匀。TRF模型由于结构复杂，变量解释需借助替代模型。
研究指出，TRF虽预测优势明显，但计算复杂度高、实施难度大，且深度学习模型的可解释性工具尚不如GBT成熟。未来可探索Tweedie回归直接建模纯保费，或引入概率深度学习量化预测不确定性。总体而言，联合建模方法为多险种定价提供了更优的预测能力和风险理解，值得业界关注。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6651.html
微信扫一扫 
