自编码器在死亡率预测中的应用研究

发布时间：2021-07-05 22:58

　　在全球人口预期寿命不断提高的背景下,死亡率下降导致的长寿风险会直接影响到寿险公司的稳健经营和偿付能力充足率,因此,量化管理长寿风险至关重要。长寿风险量化管理的基础是建立动态死亡率模型,对死亡率进行准确预测。传统的Lee-Carter模型基于确定的模型形式,获得了良好的预测效果。本文应用自编码器,建立死亡率的神经网络模型,使模型通过训练能够自行学习到死亡率的潜在特征,并将模型的拟合结果和预测结果与传统Lee-Carter模型进行比较分析。结果显示,自编码器对死亡率的拟合效果与Lee-Carter模型相近,而预测效果显著优于Lee-Carter模型,说明自编码器显著提高了对死亡率的预测性能,能够为长寿风险的量化管理提供精确的数据基础。 

【文章来源】：保险研究. 2020,(07)北大核心CSSCI

【文章页数】：11 页

【部分图文】：

死亡率的自编码器的网络结构图

其中,εt是标准正态随机变量。用该随机游走模型进行17期的预测,得到未来各时期的死亡率编码κ t nn,i 。最后,用自编码器网络的解码部分对预测得到的κ t nn,i 进行解码,即可得到未来各时期的预测死亡率。其中,预测流程如图2所示:四、实证分析

另外,从表1中还可以得到:Lee-Carter和自编码器模型的训练集误差平方和比较相近,且具体数值都较小。另外,图3展示了基于各个年度,自编码器的误差与Lee-Carter模型的误差的差值。除了个别年度外,差值都在(-0.01,0.01)之间,且集中分布于delta=0处。由此得出结论:自编码器拟合死亡率的能力,与Lee-Carter模型的拟合能力相近,二者都具有优良的拟合性能。继续分析模型对测试集死亡率的预测能力。将自编码器拆分成编码过程和解码过程,将训练集的死亡率数据输入到训练好的编码过程中,即用predict函数得到编码结果。之后用forecast包的rwf函数建立带漂移项的随机游走模型,对编码结果进行未来17期的预测。然后用自编码器的解码过程对17期的预测值进行解码,即可得到未来17期的预测死亡率。和真实死亡率相比,自编码器预测死亡率的误差平方和约为0.1474(见表1)。该值比Lee-Carter模型小很多,说明自编码器模型的预测效果优于Lee-Carter模型,具有更优良的预测性能。

【参考文献】：
期刊论文
[1]基于双因子Lee-Carter模型的死亡率预测及年金产品风险评估[J]. 胡仕强,陈荣达.  系统工程理论与实践. 2018(09)
[2]四层参数自调整BP神经网络模型及其在人口死亡率预测中的应用[J]. 相鑫,刘秀丽.  系统科学与数学. 2018(06)
[3]随机死亡率模型的改进与预测[J]. 张志强,杨帆.  中国人口科学. 2017(02)
[4]动态死亡率建模与长寿风险量化研究评述[J]. 段白鸽.  保险研究. 2015(04)
[5]我国全年龄段人口平均预期寿命的动态演变[J]. 段白鸽.  人口与经济. 2015(01)
[6]基于BP神经网络与灰色预测理论的人口死亡率预测[J]. 旷开金,刘金福,徐道炜,祁丽霞,连颖,林郁.  科技和产业. 2014(09)
[7]中国人口死亡率随机预测模型的比较与选择[J]. 王晓军,黄顺林.  人口与经济. 2011(01)
[8]Lee-Carter模型在中国城市人口死亡率预测中的应用与改进[J]. 韩猛,王晓军.  保险研究. 2010(10)
[9]Lee-Carter死亡率模型的估计与应用——基于中国人口数据的分析[J]. 李志生,刘恒甲.  中国人口科学. 2010(03)



本文编号：3266992