Learning Fair Decisions with Factor Models: Applications to Annuity Pricing
利用因子模型学习公平决策：年金定价应用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：摘要明确将方法用于基于死亡率建模的年金定价；因子属于死亡率模型，证据不足以另归为金融因子研究。
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…
利用因子模型学习公平决策：年金定价应用
- 研究问题
- 在基于死亡率模型的年金定价中，如何减少不同人口群体的预期决策误差差异，同时兼顾模型的预测准确性？
- 方法与思路
- 作者在因子模型相关决策中加入公平性正则化，以各人口群体预期决策误差平衡作为决策误差平等准则。
- 材料陈述的贡献
- 摘要称澳大利亚死亡率数据分析显示，该公平决策模型降低群体决策误差差异，并较传统及公平因子基准改善预测。
- 阅读关注点
- 应核对决策误差如何定义和映射至年金价格、公平性权重如何选择，以及精度评价、群体划分和样本外验证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出数值与评价设计，单一误差平等准则不涵盖所有公平概念。
原文摘要
Fairness-aware statistical learning is essential for mitigating discrimination against protected attributes such as gender, race, and ethnicity in data-driven decision-making. This is particularly critical in high-stakes applications like insurance underwriting and annuity pricing, where biased business decisions can have significant financial and social consequences. Factor models are commonly used in these domains for risk assessment and pricing; however, their predictive outputs may inadvertently introduce or amplify bias. To address this, we propose a Fair Decision Model that incorporates fairness regularization to mitigate outcome disparities. Specifically, the model is designed to ensure that expected decision errors are balanced across demographic groups - a criterion we refer to as Decision Error Parity. We apply this framework to annuity pricing based on mortality modelling. An empirical analysis using Australian mortality data demonstrates that the Fair Decision Model can significantly reduce decision error disparity while also improving predictive accuracy compared to benchmark models, including both traditional and fair factor models.