An Observation-Driven State-Space Model for Claims Size Modeling
用于赔款金额建模的观测驱动状态空间模型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：摘要研究随观测和时间更新的状态空间模型，支持时间序列方法分类；保险赔款应用本身不足以归入尾部或系统性风险。
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…
用于赔款金额建模的观测驱动状态空间模型
- 研究问题
- 如何构造解析可处理的赔款金额动态模型，使潜在状态随实际观测更新，并允许赔款方差具有更灵活的变化方式？
- 方法与思路
- 作者开发 Gamma–Gamma 观测驱动状态空间模型，使状态动态受到观测影响，并讨论该模型与随数据更新保费的演化可信度方法的联系。
- 材料陈述的贡献
- 摘要称，所给模型版本具有完整的解析可处理性，在既有模型基础上允许灵活的方差行为，并与演化可信度方法相衔接。
- 阅读关注点
- 应核对状态更新和预测分布的具体表达、方差灵活性的参数限制，以及解析可处理性包含哪些计算和保费更新步骤。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未给出模型方程、估计性质、实际赔款验证或尾部风险结论。
原文摘要
State-space models are popular models in econometrics. Recently, these models have gained some popularity in the actuarial literature. The best known state-space models are of Kalman-filter type. These models are so-called parameter-driven because the observations do not impact the state-space dynamics. A second less well-known class of state-space models are so-called observation-driven state-space models where the state-space dynamics is also impacted by the actual observations. A typical example is the Poisson-Gamma observation-driven state-space model for counts data. This Poisson-Gamma model is fully analytically tractable. The goal of this paper is to develop a Gamma- Gamma observation-driven state-space model for claim size modeling. We provide fully tractable versions of Gamma-Gamma observation-driven state-space models, and these versions extend the work of Smith and Miller (1986) by allowing for a fully flexible variance behavior. Additionally, we demonstrate that the proposed model aligns with evolutionary credibility, a methodology in insurance that dynamically adjusts premium rates over time using evolving data.