基于深度神经网络的端到端长期护理保险定价模型研究

本文在大数据、科技赋能的背景下，提出基于深度神经网络的端到端长期护理保险定价模型。端到端模型可以将所有的步骤包含在一个深度神经网络模型内部，输入被保险人的个体特征，直接得到其未来不同护理状态的概率预测值。相比于经典定价模型，端到端模型具有放宽模型假设、减少定价模型的复杂程度、避免误差积累以及自动优化和智能化的优点。本文选取CHARLS 2011年、2013年、2015年和2018年数据进行实证研究，构建一个包含三层隐藏层，每层32个神经元的全连接神经网络模型，考虑样本不平衡性，调整模型参数，对比不同激活函数，得到预测个体护理状态的最优模型LTCmodel。基于LTCmodel,在合理的长期护理保险产品责任、保额增长率以及利率假设下，最终输出不同特征被保险人的年缴均衡保费，实现个性化和精准定价。