論文の概要: Customer Price Sensitivities in Competitive Automobile Insurance Markets
- arxiv url: http://arxiv.org/abs/2101.08551v1
- Date: Thu, 21 Jan 2021 11:07:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 07:48:36.160912
- Title: Customer Price Sensitivities in Competitive Automobile Insurance Markets
- Title（参考訳）: 競争力のある自動車保険市場の顧客価格感性
- Authors: Robert Matthijs Verschuren
- Abstract要約: 保険業者は、政策ステークホルダーの滞在意欲に対するプレミアム・チェンジの間接効果を取り入れるための需要ベースの戦略をますます採用している。
本稿では,顧客価格のセンシティビティを考慮し,プレミアム更新オファーを最大化する最適多時期利益を導き出す因果推論手法を検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Insurers are increasingly adopting more demand-based strategies to
incorporate the indirect effect of premium changes on their policyholders'
willingness to stay. However, since in practice both insurers' renewal premia
and customers' responses to these premia typically depend on the customer's
level of risk, it remains challenging in these strategies to determine how to
properly control for this confounding. We therefore consider a causal inference
approach in this paper to account for customer price sensitivities and to
deduce optimal, multi-period profit maximizing premium renewal offers. More
specifically, we extend the discrete treatment framework of Guelman and
Guill\'en (2014) by Extreme Gradient Boosting, or XGBoost, and by multiple
imputation to better account for the uncertainty in the counterfactual
responses. We additionally introduce the continuous treatment framework with
XGBoost to the insurance literature to allow identification of the exact
optimal renewal offers and account for any competition in the market by
including competitor offers. The application of the two treatment frameworks to
a Dutch automobile insurance portfolio suggests that a policy's competitiveness
in the market is crucial for a customer's price sensitivity and that XGBoost is
more appropriate to describe this than the traditional logistic regression.
Moreover, an efficient frontier of both frameworks indicates that substantially
more profit can be gained on the portfolio than realized, also already with
less churn and in particular if we allow for continuous rate changes. A
multi-period renewal optimization confirms these findings and demonstrates that
the competitiveness enables temporal feedback of previous rate changes on
future demand.
- Abstract（参考訳）: 保険業者は、政策ステークホルダーの滞在意欲に対するプレミアム・チェンジの間接効果を取り入れるため、より需要ベースの戦略を採用する傾向にある。
しかし、実際には、保険業者のリニューアル・プレミアと顧客のリアクションは、通常、顧客のリスクレベルに依存しているため、これらの戦略では、この不確実性に対する適切なコントロール方法を決定することが困難である。
そこで本稿では,顧客価格のセンシティビティを考慮し,プレミアム更新オファーを最大化する最適多時期利益を導き出す因果推論手法を検討する。
具体的には, エクストリームグラディエントブースティング (XGBoost) による Guelman と Guill\'en (2014) の離散的処理フレームワークを拡張し, 反事実応答の不確かさをよりよく説明するために, 多重計算により拡張する。
さらに,xgboostを用いた継続的処理フレームワークを保険文献に導入し,適切な更新提案の特定と,競合オファーを含む市場での競合に対する説明を可能にした。
オランダの自動車保険ポートフォリオへの2つの治療枠組みの適用は、市場における政策の競争性が顧客の価格感度に不可欠であること、XGBoostが従来のロジスティック回帰よりもこれを記述するのが適切であることを示唆している。
さらに、両方のフレームワークの効率的なフロンティアは、実現したよりもはるかに多くの利益を得ることができることを示しています。
複数周期の更新最適化がこれらの結果を確認し、競争性が将来の需要に対する過去のレート変化の時間的フィードバックを可能にすることを示す。
関連論文リスト
- Influencing Long-Term Behavior in Multiagent Reinforcement Learning [59.98329270954098]
時間的アプローチが無限に近づくと、他のエージェントの制限ポリシーを考えるための原則的枠組みを提案する。
具体的には、各エージェントの行動が他のエージェントが行うポリシーの制限セットに与える影響を直接考慮し、各エージェントの平均報酬を最大化する新しい最適化目標を開発する。
我々の遠視評価により、様々な領域における最先端のベースラインよりも長期的性能が向上した。
論文 参考訳（メタデータ） (2022-03-07T17:32:35Z) - Online Learning with Knapsacks: the Best of Both Worlds [54.28273783164608]
オンライン学習の課題として,意思決定者が,リソース制約の有限セットに違反することなく,期待する報酬を最大化したい,という課題を提起する。
当社のフレームワークは,意思決定者がそのエビデンスを柔軟かつコスト論的に扱えるようにします。
論文 参考訳（メタデータ） (2022-02-28T12:10:48Z) - Monotonic Improvement Guarantees under Non-stationarity for
Decentralized PPO [66.5384483339413]
我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。
本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
論文 参考訳（メタデータ） (2022-01-31T20:39:48Z) - Conditional Expectation based Value Decomposition for Scalable On-Demand
Ride Pooling [11.988825533369683]
従来のライドプーリングアプローチは、現在のマッチが車/ドライバーの将来的な価値に与える影響を考慮していない。
我々は,新たなアプローチである条件付き期待値分解(CEVD)がNeurADPを最大9.76%上回っていることを示す。
論文 参考訳（メタデータ） (2021-12-01T15:53:16Z) - Frequency-Severity Experience Rating based on Latent Markovian Risk
Profiles [0.0]
潜在マルコフリスクプロファイルに基づく新しい共同体験評価手法を提案する。
潜在プロファイルはHidden Markovモデルで時間とともに進化し、顧客のクレームエクスペリエンスの更新をキャプチャする。
以上の結果から, リスク・プリームは, 標準的な信頼性・プリームの動的, 経験的, 重み付けされた混合に繋がることが明らかとなった。
論文 参考訳（メタデータ） (2021-09-03T10:03:40Z) - Policy Gradient Bayesian Robust Optimization for Imitation Learning [49.881386773269746]
我々は、期待される性能とリスクのバランスをとるために、新しいポリシー勾配スタイルのロバスト最適化手法PG-BROILを導出する。
その結果,PG-BROILはリスクニュートラルからリスク・アバースまでの行動のファミリを創出できる可能性が示唆された。
論文 参考訳（メタデータ） (2021-06-11T16:49:15Z) - Multiple Dynamic Pricing for Demand Response with Adaptive
Clustering-based Customer Segmentation in Smart Grids [9.125875181760625]
本稿では,小売市場における需要応答に対する現実的なマルチダイナミックな価格設定手法を提案する。
提案するフレームワークは,実世界のデータセットに基づくシミュレーションによって評価される。
論文 参考訳（メタデータ） (2021-06-10T16:47:15Z) - Adaptive Epidemic Forecasting and Community Risk Evaluation of COVID-19 [9.11149442423076]
本稿では、公共衛生データを第3のクライアントデータとシームレスに統合し、コミュニティを再オープンするリスクを正確に見積もるフレキシブルなエンドツーエンドソリューションを提案する。
中心となるのは、トランスミッションとモビリティのトレンドを自動キャプチャする最先端の予測モデルだ。
論文 参考訳（メタデータ） (2021-06-03T19:26:37Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳（メタデータ） (2021-06-01T12:01:51Z) - An Artificial Intelligence Framework for Bidding Optimization with
Uncertainty inMultiple Frequency Reserve Markets [0.32622301272834525]
周波数プリザーブは、電力グリッドの周波数偏差に反応するために、電力生産または消費をリアルタイムで調整するリソースです。
多段階市場における価格ピークを生かした入札戦略を3つ提案する。
また、これらの3つの戦略を実装するAIベースの入札最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T12:04:29Z) - Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。
選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文 参考訳（メタデータ） (2020-12-21T01:01:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。