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 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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".