Distributional Refinement Network: Distributional Forecasting via Deep Learning

在精算建模中，一个关键任务是对损失的分布特性进行建模。通常使用经典的（分布）回归方法，如广义线性模型（GLMs; Nelder and Wedderburn, 1972），但在开发能够（i）灵活影响条件分布的不同方面的协变量的模型，（ii）整合机器学习和人工智能的发展，以最大化预测能力，同时考虑（i），以及（iii）保持模型的可解释性，以增强对模型及其输出的信任方面仍然存在挑战。我们通过提出分布细化网络（DRN）来解决这个问题，该网络将一种固有可解释的基线模型（例如GLMs）与灵活的神经网络（修改的深度分布回归（DDR; Li et al.，2019）方法）相结合。受到综合精算神经网络（CANN; Schelldorfer and W{\''u}thrich，2019）的启发，我们的方法灵活地细化整个基线分布。因此，DRN捕捉特征在所有分位数上的不同影响，提高了预测性能，同时保持了足够的可解释性。使用合成和真实数据，我们展示了DRN优越的分布预测能力。DRN在精算科学及其他领域有成为强大的分布回归模型的潜力。

论文旨在解决在保险精算建模中，如何灵活地考虑协变量对条件分布的不同影响，同时结合机器学习和人工智能以提高预测能力，同时保持模型的可解释性。

论文提出了一种Distributional Refinement Network (DRN)的方法，将一个可解释的基线模型（如GLMs）与一个灵活的神经网络（修改后的Deep Distribution Regression (DDR)方法）结合起来，以灵活地改进整个基线分布，从而提高预测性能并保持充分的可解释性。

论文使用合成和真实数据展示了DRN在分布预测能力上的优越性。该方法在精算科学和其他领域中都有潜在的应用价值。

近期的相关研究包括Combined Actuarial Neural Network (CANN)和Deep Distribution Regression (DDR)。