Risk Aggregation: A General Approach via the Class of Generalized Gamma Convolutions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Risk aggregation is virtually everywhere in insurance applications. Indeed, in the vast majority of situations, insurers are interested in the properties of the sums of the risks they are exposed to, rather than in the stand-alone risks per se. Unfortunately, the problem of formulating the probability distributions of the aforementioned sums is rather involved, and as a rule does not have an explicit solution. As a result, numerous methods to approximate the distributions of the sums have been proposed, with the moment-matching approximations (MMAs) being arguably the most popular. The arsenal of existing MMAs is quite impressive and contains such very simple methods as the normal and shifted-gamma approximations that, respectively, match the first two and three moments only, as well as such much more intricate methods as the one based on the mixed Erlang distributions (Cossette et al. 2016). Note, however, that in practice the sums of insurance risks can have numerous and just a few summands; in the latter case the normal approximation is very questionable. Also, in practice the distributions of the stand-alone risks can be light-tailed or heavy-tailed; in the latter case moments of higher orders (e.g., ≥2) may not exist, and so the approximation based on mixed Erlang distributions is of limited usefulness. In this paper we put forward a refined MMA method for approximating the distributions of the sums of insurance risks. Our method approximates the distributions of interest to any desired precision, works equally well for light- and heavy-tailed distributions, and is reasonably fast irrespective of the number of the involved summands. Address for Correspondence: efurman@mathstat.yorku.ca
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle