王玲副教授在国际权威期刊发表稳健退保决策研究成果 中央财经大学

高校级国际合作科研管理通知公告北京

AI摘要

中央财经大学保险学院副教授王玲与澳门城市大学、香港中文大学学者合作,在国际权威期刊European Journal of Operational Research发表研究论文。该研究针对可变年金中投保人提前退保行为,提出一种结合生成对抗网络与深度最优停止方法的机器学习框架,用于学习稳健退保策略。研究采用带梯度惩罚的Wasserstein生成对抗网络提高训练稳定性,并理论证明算法局部收敛性。模拟实验及基于恒生指数历史数据的案例表明,该方法有助于降低模型估计偏差造成的退保率与资金需求低估风险,为保险公司评估退保风险、制定资金储备方案提供新的量化工具。

关键词: 可变年金, 退保风险, 生成对抗网络, 深度最优停止, 机器学习
【AI摘要】中央财经大学保险学院副教授王玲与澳门城市大学、香港中文大学学者合作,在国际权威期刊European Journal of Operational Research发表研究论文。该研究针对可变年金中投保人提前退保行为,提出一种结合生成对抗网络与深度最优停止方法的机器学习框架,用于学习稳健退保策略。研究采用带梯度惩罚的Wasserstein生成对抗网络提高训练稳定性,并理论证明算法局部收敛性。模拟实验及基于恒生指数历史数据的案例表明,该方法有助于降低模型估计偏差造成的退保率与资金需求低估风险,为保险公司评估退保风险、制定资金储备方案提供新的量化工具。
关键词:可变年金 退保风险 生成对抗网络 深度最优停止 机器学习

近日,保险学院副教授王玲与澳门城市大学助理教授贾博文、香港中文大学教授王海婴合作,在国际权威期刊European Journal of Operational Research发表题为“Generative adversarial network stopping for robust surrendering”的研究论文。

可变年金是金融保险市场中较为常见的产品,这类产品将市场投资与一定的收益保障相结合,兼具投资与养老保障功能。投保人的提前退保行为会直接影响保险公司的资金安排、准备金评估和风险管理。针对金融市场模型的模糊性,以及传统方法在模型不确定性与多资产情境下求解稳健退保决策面临的困难,研究团队提出了一种用于研究稳健退保决策的机器学习框架。该框架将生成对抗网络与深度最优停止方法相结合,通过生成器、判别器和决策网络的协同训练,在控制生成数据与真实数据分布差异的同时,构造不利市场情景,学习稳健退保策略。研究采用带梯度惩罚的 Wasserstein 生成对抗网络,以提高训练稳定性,并从理论上证明了算法的局部收敛性。模拟实验及基于恒生指数历史数据校准的案例表明,该方法有助于降低模型估计偏差造成的退保率与资金需求低估风险,为保险公司评估退保风险、制定资金储备方案提供新的量化工具。

撰稿:王玲;审稿:马冰
编辑:王鑫宇;审核:李营

主办单位:中央财经大学宣传部、新闻中心

投稿信箱 : xwzx@cufe.edu.cn

新闻热线:010-62288972 010-62288142

来源:中央财经大学 | 查看原文