Akur8发布新研究论文：《可信度与惩罚回归》

Akur8今天面向保险精算界发布了一篇题为《可信度与惩罚回归法》(Credibility and Penalized Regression)的新研究论文。论文作者是Akur8旗下由精算师和数据科学家组成的资深团队。论文目的是为从业人员提供关键概念和直觉，展示惩罚回归是如何将广义线性模型(GLM)与类似于可信度的假设结合起来的。

近年来，为了解决GLM的一些局限性，如无法纳入类似于可信度的假设等，业界已经对该模型进行了一些调整。这些调整在机器学习界被广泛采用，但在保险精算界并不是很流行。可信度方法(Credibility Theory)和GLM已成为与预测建模相关的标准精算工具集的一部分，相比之下，描述惩罚回归法如何将可信度与GLM相结合的精算文献却并不多见。

Akur8联合创始人兼首席精算师Guillaume Beraud-Sudreau指出：“通过探索如何从可信度和GLM框架的角度来解释惩罚回归法（尤其是Lasso回归法），该论文旨在让从业人员熟悉惩罚回归法，将其作为传统精算技术的扩展，而非将其视为机器学习和数据科学文献中的几种新建模技术之一。”

Akur8联合创始人兼首席执行官Samuel Falmagne表示：“Akur8的精算师和数据科学家团队密切合作，撰写了这篇关于可信度和惩罚回归法的综合研究论文。我们很高兴可以和业界分享这些信息，向精算界提供关于这一重要主题的文献。”

Akur8的解决方案专为精算师和预测模型建模师而开发，通过使用专有的透明机器学习技术，可实现风险保费和商业保费建模的自动化，进而增强保险公司的定价流程。采用该解决方案后，保险公司的核心收益包括更短的数据准备时间和建模时间，从而能够有效加快保费落地时间并生成更多的预测模型，同时还可确保所创建模型完全透明和便利风险管理。

关于Akur8

Akur8正在通过透明机器学习彻底改变保险定价流程，在不影响可审计性或控制性的前提下，以前所未有的速度和准确性提升保险公司在整个定价过程中的定价能力。我们的模块化定价平台支持技术和商业保费建模的自动化，使保险公司能够根据其业务战略计算调整后的准确费率，同时大幅促进公司业务，并按照监管机构的要求保持对所创建模型的必要控制和管理。采用Akur8后，建模时间减少至原来的十分之一，模型预测能力提高10%，赔付率改善潜力提高2%至4%。Akur8目前为20多个国家的超过40家客户提供服务，包括安盛(AXA)、忠利集团(Generali)、慕尼黑再保险(Munich Re)、Tokio Marine North America Services (TMNAS)；专业保险公司Canopius和MGA Bass Underwriters；咨询合作伙伴Xceedance和Perr & Knight；以及保险科技公司Bought by Many和wefox。每天，逾600名精算师使用Akur8为各种业务领域构建定价模型。Akur8的战略合作伙伴包括Milliman、Duck Creek、Guidewire和Sapiens等。