保险公司偿付能力评价、预警——基于bp神经网络的分析

保险公司偿付能力评价、预警——基于bp神经网络的分析

ID:11399591

大小:38.00 KB

页数:13页

时间:2018-07-11

保险公司偿付能力评价、预警——基于bp神经网络的分析_第1页
保险公司偿付能力评价、预警——基于bp神经网络的分析_第2页
保险公司偿付能力评价、预警——基于bp神经网络的分析_第3页
保险公司偿付能力评价、预警——基于bp神经网络的分析_第4页
保险公司偿付能力评价、预警——基于bp神经网络的分析_第5页
资源描述:

《保险公司偿付能力评价、预警——基于bp神经网络的分析》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、保险公司偿付能力评价、预警——基于BP神经网络的分析第23卷第1期2009年2月保险职业学院(双月刊JJOURNALOFINSURANCEPROFESSIONALCOLLEGEIBimonthly)V01.23No.1Feb.2o()9保险公司偿付能力评价,预警——基于BP神经网络的分析杨金边谢利人(保险职业学院,湖南长沙410114),[摘要]本文以某寿险公司财务比率数据为例进行因子分析,再用一个三层BP神经网络模型时偿付能力进行学习,训练,再利用训练好的模型进行检测评价,发现保险公司偿付能力下降.其原因

2、主要有:资本充足率,资产质量下降,粗放经营.因此保险公司应该走集约经营的路子,拓展投资业务,降低经营费用,加强监管等措施来提升偿付能力j[关键词]因子分析;BP神经网络;保险公司;偿付能力;评价;预警[中图分类号]F84[文献标识码]A[文章编号]1673—1360(2009)01—0031-06[Abstract]Wemadefactoranalysisinthisarticle,andwealsomadesometrainingtolifeinsurancecor—poration'ssolvencyb

3、asedonBPneuralnetworks.WefindthatthelifeInsurancecorporation'ssolvencyisde—creasing.Theabsenceofcapitaladeguacyandhighqualityassetsandextensivemanagementcausedit.Thusin—surancecompaniesshouldmanageintensively,developinvestmentoperation,reducerunningexpense

4、s,strengthenmonitortoenhanceitssolvency.[KeyWords]Factoranalysis;BPneuralnetworks;Solvency;Lifeinsurancecorporation;Evaluation&ear-ly—warning从1961年到1990年这段时期内美国有350家产险公司破产,240多家保险商自动歇业,500多家保险公司与其他公司合并,因而在2O世纪6O年代和70年代最初的研究是对产险公司的偿付能力进行检查和预测.80年代中期以来发生

5、金融风险和偿付能力不足的保险公司不断增加,对保险公司偿付能力风险评价及预警系统的研究应运而生.本文试图借鉴国内外他人的研究成果基础之上,应用BP神经网络模型对保险公司的偿付能力进行分析评价,预警.一,BP神经网络模型1.人工神经网络的基本原理.人工神经网络是对生物神经网络系统的模拟,其信息处理功能是由网络单元的输入输出特性,网络的拓扑结构所决定的.人工神经网络对问题的求解方式与传统方法不同,它是经过训练来解答问题的.训练一个人工神经网络是把同一系列的输入例子和理想的输出作为训练的"样本",根据一定的训练算法

6、对网络进行足够的训练,使得人工神经网络能够学会包含在"解"中的基本原理.当训练完成后,该模型便可以用来求解相似的问题.?BP网络是误差反向传播的多层前馈式网络,是人工神经网络中最具代表性和应用最为广泛的一种网络.其结构包括网络层数(隐层数),输入,输出节点和隐层节点的个数,连接方式.下图是一个典型的3层BP网络,由输入层,中间层(隐含层),输出层3部分组成.作者简介:杨金边(1973一),女,汉,湖南人,讲师,现供职于保险职业学院.研究方向:金融学.谢利人(t970一),男,汉,湖南人,教授,现供职于保险职

7、业学院.研究方向:金融保险.32保险职业学院(双月刊)2009年第1期人工神经网络的算法模型有很多,这里采用使用最为普遍的BP算法模型.考虑较为简单实用的三层网络,分别为输入层,隐含层和输出层.设其神经元个数分别为n,P,q;训练样本输入向量为P(a,a,L,a),样本目标向量为Tk(Y.,Y,Ly.);输出层单元输人向量为(z,z:,,z),输出层单元输人向量为c(C.,c:,£,c);隐含层单元输入向量为S(s,,s:,Ls),隐含层单元输出向量为(b,b,L,b);输入层至隐含层的连接权为W隐含层至输

8、出层的连接权为vj,;隐含层各神经元的输出阈值为,,输出层各神经元的输出阈值为g)为传递函数;其中(i=1,2,L,n,=1,2,L,P,t=1,2,L,q).运算步骤如下:输入层隐含层输出层图例三层神经网络结构(1)用随机选取的输入样本向量P(0,a,L,口k)(k为学习模式组数),初始化的连接权,计算(,)初始值为属于(一1~1)之间的随机值),则:=2wai一;=sj)(2)用隐含层输出向量6,,初始化的连

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。