Optimal Risk Mitigation by Deep Reinsurance
创建于 更新于
摘要
本文提出了一种基于深度神经网络的再保险（reinsurance）最优策略框架，通过在目标函数中将终端财富的期望效用与经改造的Gerber–Shiu惩罚（近似破产概率的替代损失）线性加权，实现在风险（破产概率）与效用（终端财富期望效用）之间的可调权衡；提出用连续的替代损失gγ替换指示函数以便采用经验风险最小化与SGD进行训练，并在Cramér–Lundberg+Ornstein–Uhlenbeck示例中展示了Pareto前沿、最优留存率曲线及时间变化暴露下的非线性最优策略行为，数值中最终选择γ=10并证明算法策略类能逼近最优值 [page::2][page::6][page::14]
