An Interpretable Deep Learning Model for General Insurance Pricing
创建于 更新于
摘要
本文提出了可解释的精算神经加法模型（ANAM），结合深度学习与加法模型的优势，通过单变量子网络和二元交互作用子网络独立学习各因子影响，实现模型的透明解释。采用格点回归确保单调性，通过惩罚项促进平滑及稀疏性，并设计三阶段变量选择流程保障计算效率和模型简洁。实验结果表明，ANAM在合成及真实数据上均优于传统和黑箱模型，兼具高预测力和完整可解释性，满足精算定价领域特定需求 [page::0][page::1][page::3][page::5][page::13][page::17][page::21]
