Category Archives: 保险

【专题】2023年保险合伙人白皮书及优增深度洞察报告PDF合集分享（附原数据表）

By tecdat1月 10, 2024保险, 大数据部落, 经济, 行业报告, 金融，保险 & 银行优增, 保险, 合伙人

2023年，中国经济从高速向高质量转型，众多保险公司将队伍转型视为寿险行业供给侧改革的关键。

【专题】再制造发展下中国车险行业的机遇与挑战报告PDF合集分享（附原数据表）

By tecdat10月 17, 2023保险, 大数据部落, 新能源汽车 & 智能汽车, 经济, 行业报告, 金融，保险 & 银行中国, 保险, 再制造, 再制造发展, 车险

本报告合集探讨了汽车再制造产业与车险行业的合作前景，提出了一些关键建议，以促进两个领域的融合发展。

Python用 PyMC3 贝叶斯推理案例研究：抛硬币和保险索赔发生结果可视化

By tecdat8月 11, 2023Python辅导, 保险, 大数据部落, 技术支持, 数理统计, 经济, 计算机科学CS辅导, 计算机科学与技术PyMC3, 保险, 保险索赔, 抛硬币, 贝叶斯, 贝叶斯推理

在这里，我们将帮助客户将 PyMC3 用于两个贝叶斯推理案例研究：抛硬币和保险索赔发生。

R语言用Copulas模型的尾部相依性分析损失赔偿费用

By tecdat4月 16, 2021保险, 大数据部落, 数理统计, 经济, 金融copula, Copulas, 尾部相依性, 损失, 相依性, 赔偿

两个随机变量之间的相依性问题备受关注,相依性(dependence)是反映两个随机变量之间关联程度的一个概念。

R语言泊松Poisson回归模型预测人口死亡率和期望寿命

By tecdat12月 25, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术Poisson, R语言, 人口死亡率, 回归, 期望寿命, 死亡率, 泊松, 泊松Poisson回归

本文我们讨论了期望寿命的计算，人口统计模型的起点是死亡率表。

R语言对股票风险“溃疡指数”（ Ulcer Index）曲面图可视化

By tecdat12月 7, 2020保险, 可视化和设计, 大数据部落, 经济R语言, Ulcer Index, 可视化, 曲面图, 溃疡指数, 股票, 风险

目标函数的平滑度对于优化的成功至关重要。可视化目标函数是一种检查平滑度的简便方法。

R语言人口期望寿命统计预测方法

By tecdat12月 1, 2020保险, 数理统计, 经济R语言, 期望寿命, 统计预测, 预测

本文对人口统计预测方法进行讨论。

R语言Lee-Carter模型对年死亡率建模预测期望寿命

By tecdat10月 21, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术Lee-Carter, R语言, 寿命, 年死亡率, 建模, 预测

正如有配偶的寿命之间存在很强的相关性，我们可能会问，孩子和孙子的出生是否具有对一个人的剩余生命的影响（或者我们是否可以像这样假设独立性）。

广义线性模型(GLMs)算法和零膨胀模型分析

By tecdat8月 24, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术广义线性模型, 模型, 算法, 线性, 零膨胀模型

广义线性模型（GLM） 是通过连接函数,把自变量线性组合和因变量的概率分布连起来

R语言逻辑回归和泊松回归模型对发生交通事故概率建模

By tecdat7月 21, 2020保险, 数理统计, 经济, 计算机科学与技术R语言, 交通事故, 保险, 回归, 泊松, 逻辑回归

我们已经看到了如何考虑风险敞口，计算包含风险敞口的多个数量（经验均值和经验方差）的非参数估计量。让我们看看如果要对二项式变量建模。

非参数模型厘定保险费率：局部回归、广义相加模型GAM、样条回归

By tecdat7月 16, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术保险, 回归, 非参数

公司必须使用细分技术才能生存。现在，问题在于，我们不能确定指数衰减是溢价随年龄变化的正确方法。一种替代方法是使用非参数技术来可视化年龄对索赔频率的真实影响。

小数定律的保险业应用：泊松分布模拟索赔次数

By tecdat7月 13, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术, 金融保险, 小数定律, 模拟, 泊松, 索赔

在保险业中，由于分散投资，通常会在合法的大型投资组合中提及大数定律。在一定时期内，损失“可预测”。

R语言多分类logistic逻辑回归模型在混合分布模拟个人风险损失值评估的应用

By tecdat7月 7, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术Logistic, R语言, 个人风险损失值, 单个风险损失值, 回归, 多分类logistic逻辑回归, 混合分布, 逻辑回归

通常，我们在回归模型中一直说的一句话是“ 请查看一下数据 ”。

广义线性模型索赔频率预测：过度分散、风险暴露数和树状图可视化

By tecdat7月 3, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术, 金融R语言, 可视化, 广义线性模型, 树状图, 过度分散, 风险暴露

在精算科学和保险费率制定中，考虑到风险敞口可能是一场噩梦。不知何故，简单的结果是因为计算起来更加复杂，只是因为我们必须考虑到暴露是一个异构变量这一事实。

R语言通过伽玛与对数正态分布假设下的广义线性模型对大额索赔进行评估预测

By tecdat7月 1, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术R语言, 对数正态分布, 广义线性模型, 线性模型, 预测

我们已经很自然地认为，不仅可以用一些协变量来解释单个索赔的频率，而且可以用单个成本来解释。

R语言精算学：使用链梯法Chain Ladder和泊松定律模拟和预测未来赔款数据

By tecdat6月 24, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术, 金融Chain Ladder, R语言, 保险, 泊松, 精算学, 赔款, 链梯法

使用Chain Ladder方法完成流量三角形，即计算我们认为未来几年将支付的平均金额

R语言中的广义线性模型（GLM）和广义相加模型（GAM）：多元（平滑）回归分析保险资金投资组合信用风险敞口

By tecdat6月 18, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术, 金融GAM, glm, R语言, 保险, 信用风险敞口, 回归, 投资组合, 线性模型

在之前的课堂上，我们已经看到了如何可视化多元回归模型（带有两个连续的解释变量）。

R语言对巨灾风险下的再保险合同定价研究案例：广义线性模型和帕累托分布Pareto distributions分析

By tecdat6月 15, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术Pareto distributions, R语言, 保险, 再保险合同定价, 巨灾风险, 帕累托分布, 广义线性模型, 线性模型

本文为非人寿保险课程的一部分，该示例对1900 -2005年间的“ 美国标准化飓风损失 ”数据集进行研究（2008）。我们使用了广义线性模型和帕累托分布Pareto distributions分析。

R语言中GLM(广义线性模型)，非线性和异方差可视化分析

By tecdat6月 12, 2020保险, 可视化和设计, 大数据部落, 数理统计, 经济, 计算机科学与技术glm, R语言, 可视化, 回归, 广义线性模型, 异方差, 线性模型, 非线性

上周在 非人寿保险课程中，我们了解了广义线性模型的理论

R语言蒙特卡洛计算和快速傅立叶变换计算矩生成函数

By tecdat6月 7, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术, 金融R语言, 傅立叶变换, 矩生成函数, 蒙特卡洛

对精算科学来说，当我们处理独立随机变量的总和时，特征函数很有趣，因为总和的特征函数是特征函数的乘积。

R语言再保险合同定价案例研究

By tecdat5月 28, 2020保险, 大数据部落, 数理统计, 经济, 金融R语言, 保险, 再保险, 定价

拥有参数模型变得有趣，该模型应该比经验平均值更健壮。

R语言对混合分布中的不可观测与可观测异质性因子分析

By tecdat5月 25, 2020保险, 大数据部落, 数理统计, 经济, 计算机科学与技术R语言, 异质性因子, 混合分布

今天上午，在课程中，我们讨论了利率制定中可观察和不可观察异质性之间的区别（从经济角度出发）。

R语言泊松回归对保险定价建模中的应用：风险敞口作为可能的解释变量

By tecdat5月 22, 2020保险, 大数据部落, 数理统计, 经济, 金融R语言, 保险, 保险定价, 回归, 建模, 模型, 泊松回归

在保险定价中，风险敞口通常用作模型索赔频率的补偿变量。

Python时间序列选择波动率预测指数收益算法分析案例

By tecdat7月 31, 2019保险, 大数据部落, 数理统计, 经济, 计算机科学与技术python, 指数收益, 时间序列, 波动率, 预测

在传统的金融理论中，理性和同质的投资者是核心假设之一，表明每个投资者都有相同的信息，从而做出同样的决定。

用数据解读体育决策：挖掘体育赛事新价值

By tecdat7月 19, 2017保险, 大数据部落, 数理统计, 机器学习, 计算机科学与技术体育决策, 数据

在互联网时代，数据是最宝贵的资源，大数据引领传统产业，催生新的活力。几乎所有的产业都在拥抱了大数据，体育产业也与之密切相关，数据捕获、存储和分析技术的持续进步正在积极影响着体育行业的方方面面。