Bagging集成方法在保险欺诈识别中的应用研究

摘要：

保险欺诈不仅危及保险公司的正常经营,增加投保人的负担,甚至有可能影响到国家的金融稳定.随着大数据时代的到来,保险反欺诈亟需引入革命性技术.Bagging集成方法以其可调节模型结构、易于部署、参数空间可控、支持并行运算等特点成为保险公司进行保险反欺诈一个好的选择.Bagging方法主要包括Bagging算法、Random Subspace算法、Random Patches算法,它们又能与不同基学习器结合构成新的分支算法及算法特例.本文基于这些算法对保险欺诈问题进行了实证检验,分析了各算法及与基学习器的适用性问题,以及基学习器个数对算法表现的影响.分析发现:针对保险欺诈识别问题,在Bagging、Random Subspace、Random Patches三者之中,Random Patches算法的表现最好,Bagging的运行时间最短;不同算法适用的基学习器不同,但总体来说最适合Bagging集成方法的是决策树;基于决策树的方法都一致选择是否委托律师代理作为最重要的特征;基学习器个数对不同Bagging算法表现的影响并不一致.

关键词：Bagging、保险欺诈、极端随机树、随机森林

分类号：F84;G623(保险)

资助基金：国家自然科学基金面上项目“保险公司经济资本预测与最优配置问题研究”71573143;“不确定全面风险分析框架下供应链风险建模与优化研究”61673225;中央高校基本科研业务费专项资金“随机最优控制与金融保险管理交叉研究”63185019

在线出版日期：2019-06-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共19页

页码：66-84