Arbres de décision pour la fréquence dans le cadre de la modélisation des réserves en assurance non-vie
Bibliographic record
Abstract
Les compagnies d'assurance non-vie doivent constamment s'assurer que les obligations financières sont respectées. Pour ce faire, les actuaires doivent vérifier régulièrement s'il y a suffisamment de liquidités dans la réserve. Basé sur la granularité de la base de données, presque tous les modèles peuvent être divisés en deux grandes catégories : individuel et collectif. Dans ce projet, on a décidé d'utiliser l'approche individuelle pour ses nombreux avantages malgré qu'elle soit rarement utilisée en industrie. On pose que la réserve suit une structure fréquence-sévérité où la fréquence est modélisée avec la méthode d'apprentissage statistique arbres de décision en ligne avec des publications récentes comme, par exemple, (Wuthrich, 2018). La sévérité est modélisée à l'aide des modèles linéaires généralisés pour réserves individuelles. On présente les résultats d'une analyse empirique utilisant un portfolio réel d'un grand assureur Canadien tout en quantifiant le risque associé à la réserve. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Réserves individuelles, Réserve RBNS, Réserve IBNR Modèles linéaires généralisés, Arbres de décisions, Arbres de régression, Modèle fréquence-sévérité
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.022 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".