Modelling of unearned premium risk with dependence
Notice bibliographique
Résumé
La prime non-acquise, ou plus particulièrement le risque associé, n’a que récemment reçu de l’attention des régulateurs. Les pertes non-acquises se produisent après la date d’évaluation pour des contrats souscrits avant cette dernière. Étant donné qu’un modèle d’acquisition inadéquat et une modélisation approximative du passif des primes peut mener à une réserve inexacte pour le risque de la prime non-acquise, un modèle individuel non-homogène des pertes incluant la dépendance entre les couvertures est proposé pour établir une façon alternative d’évaluer ce risque. La survenance des pertes est analysée en termes de la saisonalité et de la fréquence d’implication de couvertures multiples. Des distributions homogènes et non-homogènes sont ajustées aux distributions marginales. Des copules sont ajustées par paire de couvertures en utilisant des méthodes basées sur le rang ainsi qu’une fonction de queue (tail function). Cette approche est appliquée à une base de données automobile récente d’Ontario. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Risque de la prime non-acquise, Réserves actuarielles, Modélisation prédictive, Dépendance
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».