[论文解读] Individual Claims Forecasting with Bayesian Mixture Density Networks

Kevin Kuo|arXiv (Cornell University)|Mar 5, 2020

Probability and Risk Models参考文献 19被引用 8

一句话总结

本文提出了一种贝叶斯混合密度网络（BMDN）框架，用于个体索赔预测，通过整合结构化与非结构化索赔数据，生成具有不确定性量化的多期现金流预测。通过将贝叶斯神经网络与混合密度输出相结合，该模型能够生成稳定、基于情景的未来支付预测，为传统汇总准备金方法提供一种灵活且可扩展的替代方案，并在个体层面风险分析方面展现出显著能力。

ABSTRACT

We introduce an individual claims forecasting framework utilizing Bayesian mixture density networks that can be used for claims analytics tasks such as case reserving and triaging. The proposed approach enables incorporating claims information from both structured and unstructured data sources, producing multi-period cash flow forecasts, and generating different scenarios of future payment patterns. We implement and evaluate the modeling framework using publicly available data.

研究动机与目标

• 开发一种灵活且可扩展的个体索赔预测框架，支持多期现金流预测与不确定性量化。
• 将多样化数据源（包括文本和图像等非结构化输入）整合至索赔准备金模型中。
• 生成稳定、基于情景的预测，反映过程不确定性与模型风险。
• 为未来基于公开可用数据的个体索赔准备金研究提供基准。
• 减少对现有框架中常见的定制化特征工程与复杂随机假设的依赖。

提出的方法

• 该框架采用贝叶斯神经网络（BNNs）来建模索赔特征与未来支付之间复杂的非线性关系。
• 使用混合密度网络（MDNs）对未来的支付条件分布进行参数化，从而实现概率性预测。
• 输出层生成对数正态分布混合体的参数，用于建模支付发生的概率及其严重性分布。
• 通过随机权重平均执行后验推断，实现对模型参数与预测结果的不确定性量化。
• 模型以索赔级别数据为训练数据，以发展年度作为时间索引，采用基于似然的目标函数进行训练。
• 通过从预测分布中抽样，生成多条未来现金流路径，支持情景分析。

实验结果

研究问题

• RQ1 贝叶斯混合密度网络能否有效利用多样化数据输入，对个体索赔进行多期现金流预测？
• RQ2 在汇总层面，所提出的BMDN框架与传统链梯法相比表现如何？
• RQ3 该模型在索赔预测中多大程度上能够整合非结构化数据（如理赔员备注与图像）？
• RQ4 在不同模型初始化与训练运行下，损失准备金估计的稳定性如何？
• RQ5 该模型能否生成内部一致、基于情景的预测，以同时反映过程不确定性与模型风险？

主要发现

• BMDN框架成功生成了多期、基于情景的未来索赔支付预测，其合理的抽样路径与观察到的索赔发展模式保持一致。
• 在10次独立训练运行中，该模型的准备金估计保持稳定，预测未付损失的平均值为102,502,710，与实际值109,216,388相比，偏差较小。
• 汇总预测误差为-6.15%（相对于实际未付损失），优于链梯法在相同模拟数据集上的-1.08%误差。
• 该模型通过模块化输入层（如卷积网络或循环网络）展示了整合非结构化数据的能力，增强了可扩展性。
• 支付概率、均值与方差的后验分布随时间推移而增加，反映出不确定性上升及未来支付可能性下降的趋势。
• 该框架支持对个体索赔生成情景，有助于风险管理和资源配置决策。