科研之友
微信
新浪微博
Facebook
分享链接
摘要
死亡率建模与预测是精算科学的重要基础，而仿射死亡率模型作为一种经典的连续时间随机模型被大量地应用于评估系统性死亡率的发展，其中模型构建的一种常用方法是卡尔曼滤波算法。本文针对传统卡尔曼滤波算法在建模过程中自动忽略近期非完整队列数据的情况，借鉴机器学习和贝叶斯算法中迭代学习的理念，对传统算法进行了拓展，从而将近期非完整队列数据应用于模型拟合与预测中。通过量化分析对比证明了基于拓展算法的模型在预测方面，尤其是长期预测中，有两方面的优势：更好地捕捉了系统性死亡率风险的变动，避免了对长期长寿风险的低估；在预测精度方面有了较大的提升，特别是在长期预测时优势更为明显。
