In this article, we apply non-convex regularization methods in order to obtain stable estimation of loss development factors in insurance claims reserving. Among the non-convex regularization methods, we focus on the use of the log-adjusted absolute deviation (LAAD) penalty and provide discussion on optimization of LAAD penalized regression model, which we prove to converge with a coordinate descent algorithm under mild conditions. This has the advantage of obtaining a consistent estimator for the regression coefficients while allowing for the variable selection, which is linked to the stable estimation of loss development factors. We calibrate our proposed model using a multi-line insurance dataset from a property and casualty insurer where we observed reported aggregate loss along accident years and development periods. When compared to other regression models, our LAAD penalized regression model provides very promising results.


翻译:在本条中,我们采用非碳氢化合物的正规化方法,以便在保留保险索赔时对损失发展系数进行稳定的估计; 在非碳氢化合物的正规化方法中,我们侧重于使用日志调整绝对偏差(LAAD)的罚款,并讨论优化LAAD的受罚回归模型,我们证明,在温和条件下,这与协调的回归算法相吻合;这有利于为回归系数取得一致的估算值,同时允许与损失发展系数的稳定估算有关的变量选择;我们用从一个财产和伤亡保险人那里得到的多线保险数据集校准我们提议的模型,我们在该数据集中观察到事故年份和发展时期的总损失;与其他回归模型相比,我们的回归模型提供了非常有希望的结果。

0
下载
关闭预览

相关内容

专知会员服务
61+阅读 · 2020年3月4日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
已删除
将门创投
6+阅读 · 2019年1月11日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年2月8日
Arxiv
0+阅读 · 2021年2月4日
VIP会员
相关VIP内容
专知会员服务
61+阅读 · 2020年3月4日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
相关资讯
已删除
将门创投
6+阅读 · 2019年1月11日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员