Modelling of unearned premium risk with dependence
Bibliographic record
Abstract
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
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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 teacher head, 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".