论文部分内容阅读
在保险行业竞争尤为激烈的今天,核保风险控制作为保障保险公司未来盈亏的重要部门之一,更加突出了其重要性所在。虽然目前保险公司的核保环节通过外勤核保、体检、核保师核保以及生存调查已经能够尽可能与被保险人保持信息对称并作出相对合理的核保结论。但是依然存在着给保险公司造成损失的风控缺陷,比如目前只能人为的依据单个被保险人的现有信息通过经验判断未来可能存在的疾病风险并给出相应结论。这就引出了不少问题,比如人为的误判以及过于依赖个人经验而受到很大局限性,并且关键在于并非所有核保师都具备非常丰富的经验。那么如何才能为所有核保师都作出更精准的疾病风险预测呢?本文对上述问题做了探索性研究,提出了基于RBF-Boosting算法的疾病风险分析模型及核保费率调整系统。它是利用现有数据对被保险人的患病风险以及属于何种风险类别进行分析和判别。其做法是结合项目获取保险公司被保险人数据17000条记录作为训练集,运用RBF-Boosting算法进行训练。训练完成后,再选取1000条记录作为测试集检验其结果。最后通过JAVA实现该模块并嵌入寿险核保系统,使得每一位核保专员都能获得已现有历史数据为基础的更为精准的疾病风险预测作为参考,为每份保单给出更合理的核保结论,从而达到在核保环节能够更合理的进一步降低承保风险。本文内容是从瑞士人寿核心业务系统核保费率调整系统的核保需求中进一步提炼获得。