A Hybrid Framework for Reinsurance Optimization: Integrating Generative Models and Reinforcement Learning
结合生成模型与强化学习的再保险优化混合框架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：摘要直接以破产概率、资本约束、巨灾冲击和尾部风险为再保险优化的核心对象，支持风险方向分类。
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…
关注这篇论文的作者
结合生成模型与强化学习的再保险优化混合框架
- 研究问题
- 如何在资本与破产概率约束下，根据多险种、多年度赔款的联合分布动态调整再保险条款，以兼顾预期盈余和尾部风险？
- 方法与思路
- 作者用变分自编码器学习赔款联合分布，再用 PPO 强化学习调整合约参数，并在模拟及疫情、巨灾压力情景下比较方案。
- 材料陈述的贡献
- 摘要称该框架在所设情景中较比例再保险和超额赔款基准实现更高盈余及更低尾部风险，并展示动态再保险设计的可行性。
- 阅读关注点
- 应核对赔款生成机制、约束实施方式和奖励函数，检查基准方案是否充分优化，以及压力情景、训练与评估样本的分离。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未经核实；证据来自模拟和压力测试，摘要未提供数值，不能判断真实业务中的普遍优势。
原文摘要
Reinsurance optimization is a cornerstone of solvency and capital management, yet traditional approaches often rely on restrictive distributional assumptions and static program designs. We propose a hybrid framework that combines Variational Autoencoders (VAEs) to learn joint distributions of multi-line and multi-year claims data with Proximal Policy Optimization (PPO) reinforcement learning to adapt treaty parameters dynamically. The framework explicitly targets expected surplus under capital and ruin-probability constraints, bridging statistical modeling with sequential decision-making. Using simulated and stress-test scenarios, including pandemic-type and catastrophe-type shocks, we show that the hybrid method produces more resilient outcomes than classical proportional and stop-loss benchmarks, delivering higher surpluses and lower tail risk. Our findings highlight the usefulness of generative models for capturing cross-line dependencies and demonstrate the feasibility of RL-based dynamic structuring in practical reinsurance settings. Contributions include (i) clarifying optimization goals in reinsurance RL, (ii) defending generative modeling relative to parametric fits, and (iii) benchmarking against established methods. This work illustrates how hybrid AI techniques can address modern challenges of portfolio diversification, catastrophe risk, and adaptive capital allocation.