Reinsurance with Neural Networks
创建于 更新于
摘要
本报告提出一种基于深度学习的再保险策略优化框架，目标函数结合终端财富的期望效用和修改后的Gerber–Shiu惩罚函数，实现终端财富最大化与破产概率最小化的权衡。通过将破产概率的非平滑指标函数替换为平滑的代理损失函数，构建了可通过经验风险最小化及随机梯度下降解决的数值模型。数值实验证明该方法在Cramér–Lundberg模型结合均值回复Ornstein–Uhlenbeck过程的风险干扰下，有效拟合了最优保留水平并形成Pareto前沿，显著优于无再保险方案，为实际保险风险管理提供新的机器学习视角与工具[page::0][page::2][page::4][page::6][page::10][page::13].
