論文の概要: Insurance Reserve Intelligence Platform

• arxiv url: http://arxiv.org/abs/2609.30765v1
• Date: Fri, 25 Sep 2026 03:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.221996
• Title: Insurance Reserve Intelligence Platform
• Title（参考訳）: 保険情報プラットフォーム
• Abstract要約: 保険準備の見積は、プレミアム価格、可算性評価、財務報告、資本計画、リスク管理を支える基本的な作業である。 本稿では,古典的ティール方程式解法と物理インフォームドニューラルネットワーク(PINN)を組み合わせた寿命予備役モデルのための保険予備役インテリジェンスプラットフォームを提案する。 結果は、強い予測精度、物理の整合性、境界性能を示し、一方、単調性および分布外一般化の残りの制限を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Insurance reserve estimation is a fundamental actuarial task supporting premium pricing, solvency assessment, financial reporting, capital planning, and risk management. Classical reserve methods based on Thiele's differential equation provide a rigorous and interpretable foundation for life insurance valuation, but repeated reserve calculations become computationally expensive in sensitivity analysis, optimization, and large-scale scenario evaluation. This paper presents an Insurance Reserve Intelligence Platform for term-life reserve modelling that combines a classical Thiele-equation solver with a Physics-Informed Neural Network (PINN) enhanced by Knowledge-Informed Neural Network (KINN) losses. The framework includes synthetic policy generation, risk-adjusted premium calculation, classical reserve trajectory generation, reserve-ratio dataset construction, configurable neural training, validation diagnostics, sensitivity and elasticity analysis, prototype optimization workflows, and interest-rate scenario testing. A key refinement is the use of premium ratio and the explicit separation of pricing-time and scenario-time interest-rate semantics. The final model uses seven features: elapsed time, issue age, pricing interest rate, scenario interest rate, premium ratio, sum assured, and mortality intensity. It predicts a standardized reserve ratio instead of raw reserve values, improving numerical stability across policies with different sums assured. The model achieved an R2 of 0.9887, MAE of 785.48, and RMSE of 1212.76 on the test set. On 200 policies, PINN/KINN inference was approximately 119.53 times faster than the classical solver. Results show strong predictive accuracy, physics consistency, and boundary performance, while highlighting remaining limitations in monotonicity and out-of-distribution generalization.
• Abstract（参考訳）: 保険準備の見積は、プレミアム価格、可算性評価、財務報告、資本計画、リスク管理を支える基本的な作業である。 ティーレの微分方程式に基づく古典的リザーブ法は、生命保険評価の厳密で解釈可能な基礎を提供するが、繰り返しのリザーブ計算は、感度分析、最適化、大規模シナリオ評価において計算的に高価になる。 本稿では,古典的ティール方程式解法と,知識情報ニューラルネットワーク(KINN)の損失によって強化された物理情報ニューラルネットワーク(PINN)を併用した,長期保留モデルのための保険保留情報プラットフォームを提案する。 このフレームワークには、合成ポリシー生成、リスク調整されたプレミアム計算、古典的なリザーブ軌道生成、リザーブ比データセット構築、設定可能なニューラルトレーニング、バリデーション診断、感度と弾力性分析、プロトタイプ最適化ワークフロー、利子率シナリオテストが含まれる。 重要な改善点は、プレミアム比の使用と、価格とシナリオタイムの利子率のセマンティクスを明確に分離することである。 最終モデルは、経過時間、発行年齢、価格金利、シナリオ金利、プレミアム比率、保証金額、死亡率の7つの特徴を使用する。 生のリザーブ値の代わりに標準化されたリザーブ比率を予測し、異なる金額で保証された政策間の数値的安定性を向上させる。 R2は0.9887、MAEは785.48、RMSEは1212.76であった。 200のポリシーでは、PINN/KINN推論は古典的な解法よりも約119.53倍高速であった。 結果は、強い予測精度、物理の整合性、境界性能を示し、一方、単調性および分布外一般化の残りの制限を強調している。

関連論文リスト

• Insurance Pricing Optimization via Off-Policy Evaluation [0.0]
  我々は、意思決定問題として保険価格を定式化し、法外評価と価格管理のツールを用いて検討する。 本稿では,解釈可能なデータ共有型Lassoの定式化と,ニューラルネットワークに基づくフレキシブルなポリシーパラメータ化という,最適価格ルールの計算方法を提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:27:32Z)
• Ratio-Variance Regularized Policy Optimization [64.95520246570446]
  ポリシ比の分散を明示的に制約することは、信頼領域の制約に対する原則的な局所近似をもたらすことを示す。 本稿では,この制約を実装したR2bf VPO$(Ratio-Variance Regularized Policy Optimization)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T09:53:42Z)
• Robust and Consistent Ski Rental with Distributional Advice [13.811651343801579]
  スキーレンタル問題は不確実性の下でのオンライン意思決定の標準モデルである。 本稿では,未知品質の分布的アドバイスを決定論的アルゴリズムとランダム化アルゴリズムの両方に統合するフレームワークを提案する。 我々のフレームワークは、既存の点予測ベースラインよりも一貫性を著しく向上し、かつ、同等の堅牢性を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-31T04:04:21Z)
• An Optimised Greedy-Weighted Ensemble Framework for Financial Loan Default Prediction [0.8941624592392746]
  本研究では,ローンデフォルト予測のための最適化グレディウェイト・アンサンブル・フレームワークを提案する。 提案フレームワークは,経験的予測性能に基づいてモデル重み付けを動的に割り当てる。 クレジットアセスメント、リスク監視、財務上の意思決定をサポートする、スケーラブルなデータ駆動型アプローチを提供する。
  論文  参考訳（メタデータ） (2026-03-19T14:04:37Z)
• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)

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。