تخصیص بهینه ریسک بیمه با شدیدترین صعود و الگوریتم ژنتیک

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تخصیص بهینه ریسک بیمه با شدیدترین صعود و الگوریتم ژنتیک

عنوان لاتین

Optimal insurance risk allocation with steepest ascent and genetic algorithms

هدف – مدیریت ریسک پیشرفته از طریق اپلیکیشن بهینه سازی ریاضی مرز رقابتی-مزیت بعدی برای صنعت اولیه-بیمه است. استفاده گسترده از مدل های فاجعه برای مدیریت ریسک فرصتی فراهم کرد تا تکنیک های بهینه سازی ریاضی برای دستیابی به نتایج مالی برتر بیش از روش های سنتی تخصیص ریسک بهره وری شود. هدف این تحقیق انجام یک آزمایش عددی برای ارزیابی عملکردهای نسبی متد شدیدترین-صعود و الگوریتم ژنتیک در راه حل مسئله تخصیص-ریسک بهینه در مدیریت پرتفوی اولیه-بیمه است. طراحی/متدولوژی/روش- عملکرد دو متد بهینه سازی خوب-ثبیت شده- شدیدترین صعود و الگوریتم ژنتیک-با به کار بردن آنها برای حل کردن مسئله حداقل کردن فاجعه ریسک یک کتاب US سیسات ها ارزیابی میشوند درحالی که به صورت همروند حداقل سطح بازگشت را حفظ میکنند. یافته ها- متد شدیدترین-صعود کشف شد که عملا وابسته به – اما نه بیش از حد حساس به- انتخاب سیاست شروع اولیه است. الگوریتم ژنتیک یک راه حل برتر نسبت به متد شدید-ترین صعود در هزینه افزایش زمان محاسبه ارائه داد. اصالت/ارزش- نتایج راهنمایی های عملی برای انتخاب الگوریتم و پیاده سازی برای خواننده علاقه مند به ساخت پرتفوی بیمه بهینه از یک مجموعه سیاست های در دسترس فراهم کرد.

Purpose – Enhanced risk management through the application of mathematical optimization is the next competitive-advantage frontier for the primary-insurance industry. The widespread adoption of catastrophe models for risk management provides the opportunity to exploit mathematical optimization techniques to achieve superior financial results over traditional methods of risk allocation. The purpose of this paper is to conduct a numerical experiment to evaluate the relative performances of the steepest-ascent method and genetic algorithm in the solution of an optimal risk-allocation problem in primary-insurance portfolio management. Design/methodology/approach – The performance of two well-established optimization methods – steepest ascent and genetic algorithm – are evaluated by applying them to solve the problem of minimizing the catastrophe risk of a US book of policies while concurrently maintaining a minimum level of return. Findings – The steepest-ascent method was found to be functionally dependent on, but not overly sensitive to, choice of initial starting policy. The genetic algorithm produced a superior solution to the steepest-ascent method at the cost of increased computation time. Originality/value – The results provide practical guidelines for algorithm selection and implementation for the reader interested in constructing an optimal insurance portfolio from a set of available policies