Deep Quantile and Deep Composite Model Regression
深度分位数回归与深度拼接模型回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接建模条件分位数和赔款分布，并研究尾部及期望短缺，因此对应分布效应与尾部风险方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
深度分位数回归与深度拼接模型回归
- 研究问题
- 保险赔款的主体与尾部可能具有不同分布和协变量效应，如何通过随协变量变化的拼接点，对条件赔款分布进行联合建模？
- 方法与思路
- 作者以条件分位数确定拼接点，刻画分位数及其两侧期望短缺组成的三元组的严格一致评分函数，再用于神经网络回归拟合。
- 材料陈述的贡献
- 摘要称论文建立相关三元组的可诱导性结果，并据此开展深度拼接回归；在一份事故保险数据上报告优于传统方法的表现。
- 阅读关注点
- 应核对两侧期望短缺的定义、评分函数成立条件、主体与尾部分布如何拼接，以及应用比较采用的损失函数和样本划分。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未提供比较数值与基准细节，单一数据上的优势不能据此推广。
原文摘要
A main difficulty in actuarial claim size modeling is that there is no simple off-the-shelf distribution that simultaneously provides a good distributional model for the main body and the tail of the data. In particular, covariates may have different effects for small and for large claim sizes. To cope with this problem, we introduce a deep composite regression model whose splicing point is given in terms of a quantile of the conditional claim size distribution rather than a constant. To facilitate M-estimation for such models, we introduce and characterize the class of strictly consistent scoring functions for the triplet consisting a quantile, as well as the lower and upper expected shortfall beyond that quantile. In a second step, this elicitability result is applied to fit deep neural network regression models. We demonstrate the applicability of our approach and its superiority over classical approaches on a real accident insurance data set.