A Posteriori Risk Classification and Ratemaking with Random Effects in the Mixture-of-Experts Model
含随机效应的专家混合模型：事后风险分类与保险费率制定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：摘要利用多年投保人索赔历史并引入个体随机效应，对应重复观测的面板建模方向。
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…
含随机效应的专家混合模型：事后风险分类与保险费率制定
- 研究问题
- 如何利用投保人的历史索赔记录进行事后风险分类和车险费率制定，并在大型保险组合中估计个体风险的后验分布？
- 方法与思路
- 作者在Mixed LRMoE回归模型中加入投保人随机效应，采用随机变分期望条件最大化算法估计参数及随机效应后验。
- 材料陈述的贡献
- 摘要称框架可扩展至大型保险组合，并在真实多年车险数据中取得更好拟合，生成反映投保人索赔历史的后验保费。
- 阅读关注点
- 应核对随机效应与重复索赔的建模、变分近似误差、拟合比较基准，以及后验保费的样本外表现和风险校准。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未说明比较模型或验证指标，更好拟合不足以证明费率公平。
原文摘要
A well-designed framework for risk classification and ratemaking in automobile insurance is key to insurers' profitability and risk management, while also ensuring that policyholders are charged a fair premium according to their risk profile. In this paper, we propose to adapt a flexible regression model, called the Mixed LRMoE, to the problem of a posteriori risk classification and ratemaking, where policyholder-level random effects are incorporated to better infer their risk profile reflected by the claim history. We also develop a stochastic variational Expectation-Conditional-Maximization algorithm for estimating model parameters and inferring the posterior distribution of random effects, which is numerically efficient and scalable to large insurance portfolios. We then apply the Mixed LRMoE model to a real, multiyear automobile insurance dataset, where the proposed framework is shown to offer better fit to data and produce posterior premium which accurately reflects policyholders' claim history.