Conformal prediction of future insurance claims in the regression problem

要約

現在の保険文献では、回帰問題における保険請求の予測は、統計モデルでしばしば実行されます。
このモデルベースのアプローチは、（i）モデルの誤り、（ii）選択効果、および（iii）有限サンプルの妥当性の欠如など、いくつかの欠点に悩まされる可能性があります。
この記事では、適合予測を採用することにより、これら3つの問題を同時に説明します。これは、有効な予測のための一般的な機械学習戦略です。
提案された方法は、モデルフリーであり、チューニングパラメーターフリーの両方です。
また、事前に割り当てられたカバレッジ確率レベルで有限サンプルの妥当性を保証します。
シミュレートされたデータと実際のデータの両方に基づいた例は、特にヨーロッパの保険規制のソルベンシー資本要件、Solvency II、提案された方法の優れたパフォーマンスと保険の申請を実証するために提供されています。

要約(オリジナル)

In the current insurance literature, prediction of insurance claims in the regression problem is often performed with a statistical model. This model-based approach may potentially suffer from several drawbacks: (i) model misspecification, (ii) selection effect, and (iii) lack of finite-sample validity. This article addresses these three issues simultaneously by employing conformal prediction — a general machine learning strategy for valid predictions. The proposed method is both model-free and tuning-parameter-free. It also guarantees finite-sample validity at a pre-assigned coverage probability level. Examples, based on both simulated and real data, are provided to demonstrate the excellent performance of the proposed method and its applications in insurance, especially regarding meeting the solvency capital requirement of European insurance regulation, Solvency II.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google