运用新型分布估计算法优化保险投资方案的研究

Insurance has become a crucial way for people to cope with disasters and diseases, and for enterprises to protect production and development. However, most policy-holders make their investment decisions based on subjective experience. The few studies on the decision-making methods are limited to a single insurance product or a single insurance type. There are no available methods for realizing optimization of the insurance investment efficiency. In this regard, this project focuses on developing novel estimation of distribution algorithms (EDA) for optimizing insurance investment plans. Firstly, a data-driven evaluation model is established to quantify the investment efficiency of a plan with respect to the insured’s risk level. Secondly, to deal with the continuous and discrete variables involved in an insurance investment plan, a general framework for estimating and sampling mixed-variable probability distributions is built to improve the performance of EDA. Combing the above, EDA-based approaches for optimizing single-stage and multi-stage insurance investment plans are proposed. Without using professional knowledge or mathematical derivation, these approaches can automatically offer the best plan with the maximum investment efficiency, while satisfying the steady or phase-changing demand of risk protection. This project is an innovative application of EDA to insurance investment decision-making. The results will improve the individualized and intelligent levels of insurance services, and promote the advance of EDA in theoretical research and real-world applications.

保险已成为人们应对灾害疾病和企业保障生产发展的重要途径。然而，目前保险投资决策主要依赖主观经验，少量决策方法的研究也局限于单一或单类产品，难以实现投资效益的最优化。本项目将开展运用新型分布估计算法优化保险投资方案的研究。首先，基于真实数据建立保险投资方案的评估模型，实现根据保险对象的风险水平对方案进行量化评估。针对保险投资方案包含连续型和离散型变量的特点，通过建立统一的概率模型构造和采样框架，提高分布估计算法在混合优化问题上的求解性能。最终，结合模型和算法的研究成果，提出基于新型分布估计算法优化单阶段和多阶段保险投资方案的新方法：不需要依赖专业知识或数学推导，算法自动给出最佳投资方案，既能满足投保人稳定的或阶段性变化的风险保障需求，又能获得最大投资效益。本项目是分布估计算法在保险投资决策领域的创新应用。研究成果将提高保险的个性化和智能化服务能力，并促进分布估计算法理论研究和实际应用发展。

随着经济社会发展，国民风险防范意识逐步提高，保险需求日益扩大并呈多元化发展。面对丰富的保险产品，如何进行投资决策成为广大投保人关注和重视的问题。目前保险投资决策主要依赖主观经验，关于决策方法的少量研究也局限于单类保险，难以实现投资效益最优化。为促进保险的个性化与智能化，充分发挥其社会“稳定器”和经济“助推器”的作用，亟需发展保险投资决策的最优化方法。本项目立足保险公司的真实数据，把分布估计算法等演化算法作为主要手段，开发了多险种、多阶段保险投资方案的优化方法。同时，针对保险投资方案优化问题的特点和难点，提出了一系列新型演化算法，丰富并完善了演化计算理论。本项目取得的重要成果包括：1）基于国内知名保险公司的真实数据，考察了一般人群的风险常模，并借鉴经济学效益理论，建立了保险投资方案的量化评估模型；2）针对保险投资方案优化问题具有混合变量的特点，提出了基于集合论的离散域多目标演化算法和基于双种群协同进化的混合变量演化算法；3）针对混合变量优化中变量耦合的问题，提出了基于动态分组和可重叠分组的协同演化算法；4）针对多阶段情况下保险投资方案优化进一步复杂化的难点，提出了将该优化问题转化为具有不确定自变量的灵活线性规划问题或投资规则优化问题，分别开发了面向这两类问题的新型演化算法；5）集成上述研究成果，提出了基于新型演化算法的单阶段和多阶段投资方案优化方法，并在实际案例和模拟情境中进行了应用和验证，取得了优于传统方法的结果；6）将基础算法研究成果进一步转化运用于神经科学领域，为探索人脑的形成机制提供了新途径。根据上述成果，本项目共在国际学术期刊和会议上发表论文10篇，其中SCI索引论文9篇，JCR一区论文8篇；协助培养博士研究生4人。总体而言，本项目已基本完成计划的研究内容，取得了预期成果，完成了预期目标。项目成果可望为我国保险业的繁荣健康发展提供支持，也推动了演化计算领域的进一步成熟。