导读:本文包含了经典风险模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模型,方程,风险,经典,策略,函数,互联网。
经典风险模型论文文献综述
苏必豪,李婧超[1]（2019）在《经典风险模型中破产变量的联合分布》一文中研究指出破产理论对风险衡量和风险调控至关重要,破产索赔作为破产理论的一大重点问题,通过研究总索赔额随时间的分布,可以对风险进行较好描述,根据其分布的特征,可采取注资及保费再调整等方式进行风险调控.在经典风险模型中,优先考虑的4个破产相关变量为:破产时间、截止至破产时的总索赔额、截止至破产时的总索赔次数及破产时的赤字.本研究考虑截止至破产时的总索赔额与其他破产变量的联合概率密度函数,给出当个体索赔为指数分布时,不同联合概率密度函数的表达式.指出当个体索赔分布服从某一类特定分解形式时,联合概率密度函数的表达式也可以分解并求出.(本文来源于《深圳大学学报(理工版)》期刊2019年04期）
白婧怡[2]（2019）在《基于经典评分卡与机器学习的金融风险识别模型及其应用》一文中研究指出互联网金融的蓬勃发展,在为有融资需求客户提供更快捷金融服务的同时,也产生了信用风险和用户欺诈等问题,因此,通过有效的信用评分体系,并借助于量化分析模型来定量预测并控制风险是当前风险领域研究的热点问题,本文针对大数据背景下,利用逻辑回归度量风险存在的不足,以某消费金融公司2017、2018年的线上现金贷数据为基础,采用GBDT、XGBoost、LightGBM叁个机器学习算法建立模型,与逻辑回归所建立的模型进行比较分析,并在此基础上建立了Stacking模型,期望达到更好的模型效果。首先,本文样本数据量为22925,变量为1327个,包括商品消费、稳定性、网购、借贷意向(多次申请)、实名信息和地址信息6个方面的信息,并通过删除缺失值95%和单一值占变量份额95%以上的变量、对变量进行WOE分箱删掉IV值小于0.02的变量、对分类变量进行哑变量处理等操作,得到843个变量。其次,对843个变量进行lasso回归、逐步回归和变量衍生等操作,筛选得到87个重要变量建立模型。然后,选取逻辑回归和GBDT、XGBoost、LightGBM叁个机器学习算法分别进行信用评分体系的构建,根据AUC和KS两个指标来对比分析各个模型效果,结果表明GBDT、XGBoost和LightGBM叁个基模型的模型效果均优于单一模型逻辑回归的模型效果,其中LightGBM的模型效果最好,并在此基础上建立以GBDT、XGBoost、LightGBM为第一层基模型,逻辑回归为第二模型的Stacking模型,为此期待达到更高的模型效果,而Stacking组合模型的AUC与KS值是其余模型中最高的,KS值相对于逻辑回归提升了接近6%,GBDT、XGBoost和LightGBM提升了接近1%。最后,根据逻辑回归的预测结果建立了评分卡,通过对比分析用户的信用分数和实际违约率,验证结果的可靠性,并通过信用分数和违约率的分布情况,给予一些建设性意见。GBDT、XGBoost和LightGBM叁种算法中后者都对前者进行了一定的改进,故本文采用这叁个算法建立模型,已在模型效果、过拟合问题和运行速度等方面验证其优势,并在此基础上,结合逻辑回归建立了Stacking模型,有一定的创新性。(本文来源于《天津商业大学》期刊2019-05-01）
王翠莲,刘晓[3]（2019）在《经典风险模型中有限时间区间分红问题》一文中研究指出本文研究经典风险模型中有限时间区间分红问题.假设在时间区间[0,t]内,分红按照barrier策略支付,即给定一个非负barrier值b,仅当盈余超过b时,将超过的部分支付分红.利用微分法,得到了[0,t]内期望折现分红(V(x;t))满足的方程,并在指数理赔假设下给出了V(x;t)关于t的Laplace变换的显式表达式.最后,使用Stehfest方法给出一个数值例子.(本文来源于《应用概率统计》期刊2019年02期）
张爱丽,刘章,王文元,胡亦钧[4]（2019）在《带资本注入、交易费和税的经典风险模型的最优联合分红与注资策略（英文）》一文中研究指出在风险理论中,经典Cramér-Lundberg模型的最优红利策略和最优红利收益函数问题是一个被广泛讨论的话题.本文讨论一类Cramér-Lundberg模型:其在分红时伴随比例赋税与固定交易费,注资时伴随比例罚金与固定交易费,并研究了其净红利收益与注入资本之差的预期贴现值的最大化问题.这里我们不允许负盈余或破产的发生.通过解相应的拟变分不等式,在索赔为指数分布时,得到了最优收益函数和最优联合分红与注资策略的解析解.(本文来源于《应用概率统计》期刊2019年01期）
刘爱玲[5]（2017）在《非经典风险模型的投资策略研究》一文中研究指出随着我国保险业务的不断健全与完善,保险公司在金融领域发挥着越来越重要的作用,竞争也日趋激烈,保险公司想要获利必须依靠保险业务投资.对保险公司来说,在保证具有最小破产概率的条件下,对保险资金进行科学合理的投资,从而有效地分散风险并获得稳定的收益,是保险资金投资中一个非常重要的研究课题.传统的破产概率的研究是基于C-L风险模型的,近年来许多非经典的风险模型能更好地描述保险的运营现实.本文针对两类非经典的风险模型:保费随机多险种风险模型和延迟索赔风险模型,借助随机分析的思想,引入再保险策略和风险投资策略,构造Hamilton-Jacobi-Bellman方程,得到了在最小化破产概率下的最优投资策略.本文的主要工作和创新之处可以概括如下:1.考虑了保费随机的多险种风险模型,在假设条件下,分布函数不易求得,通过特征函数法,转化为一个复合泊松过程,为后面研究最优控制问题提供了方便;2.针对保险公司的实际情况,考虑将一定比例的总资产进行两部分投资,将其中一部分投资到风险市场,将其余部分投资到无风险市场的情况;3.考虑了延迟索赔风险模型的投资策略,首先通过扩散逼近思想,在一定条件下,把盈余过程逼近为一个布朗运动,在此基础上进行再保险控制和风险投资,得到了最优投资策略和相应的最小破产概率,对保险公司有很好的指导作用.(本文来源于《西北师范大学》期刊2017-05-01）
高嘉卉,王秀莲[6]（2016）在《索赔服从伽马分布的经典风险模型的破产概率》一文中研究指出针对连续时间的经典风险模型,当索赔变量服从伽马分布时,根据对Lundberg基本方程的求解,得到了罚金函数为指数形式的期望贴现罚金函数的表达式,从而得出了相应的破产概率.(本文来源于《天津师范大学学报(自然科学版)》期刊2016年03期）
王永茂,祁晓玉,贠小青[7]（2015）在《基于经典风险模型的最优分红和最优注资策略研究》一文中研究指出基于经典风险模型,对有限分红率下公司分红和注资的最优策略进行了深入研究,以便实现公司风险最小化或者股东净收益最大化的目的.首先根据保险公司的盈余过程推导了值函数V(x)的具体表达式,证明了值函数V(x)具有的某些性质,然后建立V(x)满足的HJB方程,通过对方程的研究得到保险公司最优分红和最优注资策略,并给出了最优注资上限和最优注资下限.最后对公司面临破产风险时是否选择注资以及注资量大小进行了探讨.(本文来源于《郑州大学学报(理学版)》期刊2015年02期）
王翠莲[8]（2015）在《具有混合指数索赔分布的经典复合泊松风险模型中的分红问题（英文）》一文中研究指出本文研究了具有某混合指数索赔分布的经典复合泊松风险模型中的分红问题.利用随机控制理论,在无界分红强度的假设下,给出了值函数的显式表达式和相应的最优分红策略.推广了文献[4]的结果.(本文来源于《数学杂志》期刊2015年03期）
李启才,顾孟迪[9]（2015）在《经典风险模型下CEV股票市场中最优再保险和投资策略（英文）》一文中研究指出本文在复合泊松跳索赔模型下,考虑保险公司投资于常弹性方差(CEV)金融市场和购买比例-超额损失组合再保险的最优策略.在期望效用最大化准则下,利用随机控制技巧,证明了,事实上,保险公司的最优再保险策略等同于要么购买一个纯超额损失再保险,要么购买一个纯比例再保险.进一步给出两种情形下的最优再保险和投资策略以及值函数的表达式.(本文来源于《应用数学》期刊2015年02期）
蔡飞[10]（2015）在《带税和分红的经典风险模型》一文中研究指出近年来,分红和税收问题在精算学中一直受到广泛的关注,但很少有人把两者结合在一起研究.在本文中,我们考虑的是既有税又有分红的复合泊松风险模型,其中税支出依据结转亏损制度,分红策略依据阈值分红策略.文章中研究的主要问题有:在带税和分红的复合泊松风险模型下的Gerber-Shiu函数,税支出总和的折现期望,两个连续交税期间没有分红的持续时间的Laplace-Stieltjes变换等.首先,由分红界水平b,把初值在分红界以上和分红界以下的Gerber-Shiu函数分别记为ΦU和ΦL.我们先求解Gerber-Shiu函数ΦU,对第一次索赔发生的时间和索赔额取条件,考虑叁种情况:(1)第一次索赔直接导致破产,(2)第一次索赔没有导致破产,盈余在分红界以下,此时既无纳税也无分红,(3)第一次索赔没有导致破产,盈余在分红界以上,此时又分成两种情况,再次到达运行最大值和从未到达运行最大值.由此推导出了Gerber-Shiu函数ΦU的积分微分方程及其边界条件,进而得出了Gerber-Shiu函数ΦU的精确表达式.根据Gerber-Shiu函数ΦU的表达式和证明方法可以推导出Gerber-Shiu函数ΦL的精确表达式.其次,我们给出了税支出总和的折现期望的定义,从而得到它的取值范围.再对第一次索赔发生的时间和索赔额取条件,求出了不同初值的税支出总额的折现期望的具体表达式.最后,为求出两个连续交税期间没有分红的持续时间的Laplace-Stieltjes变换,我们先给出预备知识.此时,在两个连续交税期间的盈余过程的样本轨迹等价于只有分红的盈余过程的样本轨迹,根据全期望公式等,得到了在此期间没有分红的次数的概率函数.其次,定义了两个连续交税期间没有分红的总时间,进而推导出了此总时间的Laplace-Stieltjes变换.(本文来源于《曲阜师范大学》期刊2015-04-10）
经典风险模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
互联网金融的蓬勃发展,在为有融资需求客户提供更快捷金融服务的同时,也产生了信用风险和用户欺诈等问题,因此,通过有效的信用评分体系,并借助于量化分析模型来定量预测并控制风险是当前风险领域研究的热点问题,本文针对大数据背景下,利用逻辑回归度量风险存在的不足,以某消费金融公司2017、2018年的线上现金贷数据为基础,采用GBDT、XGBoost、LightGBM叁个机器学习算法建立模型,与逻辑回归所建立的模型进行比较分析,并在此基础上建立了Stacking模型,期望达到更好的模型效果。首先,本文样本数据量为22925,变量为1327个,包括商品消费、稳定性、网购、借贷意向(多次申请)、实名信息和地址信息6个方面的信息,并通过删除缺失值95%和单一值占变量份额95%以上的变量、对变量进行WOE分箱删掉IV值小于0.02的变量、对分类变量进行哑变量处理等操作,得到843个变量。其次,对843个变量进行lasso回归、逐步回归和变量衍生等操作,筛选得到87个重要变量建立模型。然后,选取逻辑回归和GBDT、XGBoost、LightGBM叁个机器学习算法分别进行信用评分体系的构建,根据AUC和KS两个指标来对比分析各个模型效果,结果表明GBDT、XGBoost和LightGBM叁个基模型的模型效果均优于单一模型逻辑回归的模型效果,其中LightGBM的模型效果最好,并在此基础上建立以GBDT、XGBoost、LightGBM为第一层基模型,逻辑回归为第二模型的Stacking模型,为此期待达到更高的模型效果,而Stacking组合模型的AUC与KS值是其余模型中最高的,KS值相对于逻辑回归提升了接近6%,GBDT、XGBoost和LightGBM提升了接近1%。最后,根据逻辑回归的预测结果建立了评分卡,通过对比分析用户的信用分数和实际违约率,验证结果的可靠性,并通过信用分数和违约率的分布情况,给予一些建设性意见。GBDT、XGBoost和LightGBM叁种算法中后者都对前者进行了一定的改进,故本文采用这叁个算法建立模型,已在模型效果、过拟合问题和运行速度等方面验证其优势,并在此基础上,结合逻辑回归建立了Stacking模型,有一定的创新性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
经典风险模型论文参考文献
[1].苏必豪,李婧超.经典风险模型中破产变量的联合分布[J].深圳大学学报(理工版).2019
[2].白婧怡.基于经典评分卡与机器学习的金融风险识别模型及其应用[D].天津商业大学.2019
[3].王翠莲,刘晓.经典风险模型中有限时间区间分红问题[J].应用概率统计.2019
[4].张爱丽,刘章,王文元,胡亦钧.带资本注入、交易费和税的经典风险模型的最优联合分红与注资策略（英文）[J].应用概率统计.2019
[5].刘爱玲.非经典风险模型的投资策略研究[D].西北师范大学.2017
[6].高嘉卉,王秀莲.索赔服从伽马分布的经典风险模型的破产概率[J].天津师范大学学报(自然科学版).2016
[7].王永茂,祁晓玉,贠小青.基于经典风险模型的最优分红和最优注资策略研究[J].郑州大学学报(理学版).2015
[8].王翠莲.具有混合指数索赔分布的经典复合泊松风险模型中的分红问题（英文）[J].数学杂志.2015
[9].李启才,顾孟迪.经典风险模型下CEV股票市场中最优再保险和投资策略（英文）[J].应用数学.2015
[10].蔡飞.带税和分红的经典风险模型[D].曲阜师范大学.2015
论文知识图
