- 博客(130)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 快速傅里叶变换与聚合风险精算模型（二）
结果向量代表的意思是，总损失 Z =0 的概率是向量中的第一个数 0.3，总损失 Z =1 的概率是向量中的第二个数0.1，总损失 Z =2 的概率是第三个数0，总损失 Z =3 的概率是第四个数 0.1125，以此类推。所以，在上一篇文章的 python 代码中，我们用到了np.exp(lamb*(np.fft.fft(v)-1))，其实这一步使用的就是上面的公式，只是因为 N 服从泊松分布了 所以才有这条代码。就是做一次快速傅里叶变换的过程，对应 python 代码中的 np.fft.fft()，而。
2026-05-17 21:22:58
229
原创 快速傅里叶变换与聚合风险精算模型
FFT算法在聚合风险精算模型里的基本原理就是，取一个足够大的数 M （为了 FFT 计算效率快，一般 M 取 2 的若干次方），令 Y = Z mod M，也就是 Y 等于 Z 除以 M 的余数。结果向量代表的意思是，总损失 Z =0 的概率是向量中的第一个数 0.367879441，总损失 Z =1 的概率是向量中的第二个数0.183939721，总损失 Z =2 的概率是第三个数0.229924651，总损失 Z =3 的概率是第四个数 0.0996340153，以此类推。是一个非常困难的问题。
2026-05-16 22:22:46
371
原创 侧挂车(Sidecar)与巨灾债券(Cat Bond)
侧挂车与巨灾债券的主要区别如下：1. 侧挂车使投资者能够参与更广泛的保险风险，而像巨灾债券的保险连接证券（ILS）通常专注于特定的灾难性事件。2. 侧挂车的投资期限往往比 ILS 短，通常为一年或两年。由于持续时间较短，侧挂车可以允许更频繁对风险重新定价，这使得侧挂车可以增加对投资者的吸引力。3. 两者的特殊目的公司（SPV）的结构也存在重要的区别。侧挂车的结构是再保险工具，而 ILS 的结构通常是巨灾债券或其他证券化工具。
2026-04-06 21:15:00
123
原创 风险理论中的调节系数的由来
比较它们两者的关系，与比较它们两者的距母函数关系是一致的。因此，我们关注两个矩母函数。在这个净资产盈余过程中，我们最关心的是 p*t 与 S(t) 的关系。其中，对于前者，由于p*t是一个常量，因此前者就等于。然后，我们对两者取对数，前者变为 p*t*r，后者变为。图像中的两条曲线的交点就是调节系数 R，在此点有。（3）式中左右两边消掉 t 并移项，即可得到。（2）式代入（1）式，得到。也是我们最常见的那个公式。在（4）式中，一般假设。
2026-03-14 21:59:36
75
原创 磁道优化分布的一道题
1ms后（也就是 t=4ms 时点）磁头到达B点，然后开始读取L2，对应的时间段从 t=4 - 6ms。随后，恢复正常，t=20ms时L5记录被读取完，磁头到达B点。1ms后（也就是 t=12ms 时点）磁头到达F点，然后开始读取L4，对应的时间段从 t=12-14ms。1ms后（也就是 t=8ms 时点）磁头到达D点，然后开始读取L3，对应的时间段从 t=8-10ms。如果这道题像前两道题那样，只是问“全部读出的时间”，那就不算最后的1ms的处理时间，也就是32ms，这就是第3题与前两题的差别。
2025-12-11 21:45:00
578
原创 一个页面置换算法问题
那么，在数据存储时，每一页只能把类似 A[0,0] 到 A[0,511] 或者 A[0,512] 到 A[0,1023] 或者 A[0,1024] 到 A[0,1535] 或者 A[0,1536] 到 A[0,2047] 存在内存页面中。那么，在数据存储时，每一页只能把类似 A[0,0] 到 A[0,1023] 或者 A[0,1024] 到 A[0,2047] 存在内存页面中。看到有人问下面这个问题，有人总结了算法公式，硬背公式也是可以的，但是，对于算法学习而言，更重要的是理解原理。
2025-12-10 21:15:00
371
原创 精算中的提升曲线(Lift Curve)与机器学习中的差别
在机器学习（ML）领域，Lift Curve主要用于分类模型，衡量的是，与不利用模型相比，模型的预测能力“变好”了多少，Lift（提升指数）越大，模型的运行效果越好。在精算（ML）领域，Lift Curve 主要用于回归模型，衡量的是，与旧的模型相比，新的模型的预测能力“变好”了多少，Lift（提升指数）越大，模型的运行效果越好。Lift 指数的计算公式如下，公式中的符号含义与混淆矩阵（Confusion Matrix）里是一样的。（一）机器学习领域中的提升曲线（Lift Curve）
2025-08-21 21:15:00
381
原创 对重大保险风险测试的算法理解
注意《指引》中的那一段中提到的 “退保金”这个词，这是一个非常关键的词。总而言之，一张企财险保单，保额1000万元，如果保费是980万元，这张保单是不能通过重大保险风险测试的。不能错误地认为，在保险事故不发生时保险公式支付的金额为0元，所以能够通过重大保险风险测试。显然，保险事故发生时，保险公司支付的金额是1000万元，这是公式中的分子。一张企财险保单，保额1000万元，如果保费是980万元，请问这张保单能否通过重大保险风险测试？尤其是当看到下面这段文字的解释时，感觉有些算法上的东西，需要再澄清一些。
2025-04-10 23:45:00
691
原创 用Python做多项Logit模型
看到网上有一些用 python 做多项 Logit 模型的讲解，大多是使用 scikit-learn 库。这里要介绍的是如何使用 statsmodels 库来做多项 Logit 模型。
2024-05-04 21:30:40
1389
原创 英国的英语考试市场报告2023
2024年3月26日，英国资格考试监管机构 Ofqual 发布最新一年的《年度报告资格考试市场报告（Annual qualifications market report: 2022 to 2023 academic year）》，对各类考试进行了总结，其中有关于英语考试（ESOL，English for Speakers of Other Languages）类的总结。
2024-04-09 21:30:00
842
原创 谈谈 Python 中的 McNemar 检验(二)
前一篇文章说了McNemar检验，除了最常用的用法是用来检验列联表的相似性之外，它还可以用来检验两个相关样本是否来自同一分布。
2024-03-27 22:13:17
878
原创 谈谈 Python 中的 McNemar 检验(一)
McNemar检验，最常用的用法是用来检验列联表的相似性，但实际上它也可以用来检验两个相关样本是否来自同一分布。
2024-03-27 21:47:02
953
原创 联立方程模型的可识别性的通俗解释
这意味着，我们只能用一个方程 Y=2+3*X 来求解Y，如果又给我们一个方程说 Y=4+5*X，这时就意味着，我们无法通过 X 求出 Y 了，因为两个方程矛盾（注意，你可能会问，两个方程不是正好将X和Y两个变量求出来吗？换句话说，当我们面对 C=-2+3*Y 和 C=4+5*Y+6*C(t-1) 两个方程时，是根本就不出来 C 的，因为两个方程是矛盾的，因为 Y 和 C(t-1) 都是“会变的已知数”，而且两者都是自由改变，不存在Y受到C(t-1)制约的情况（也就是二者不存在线性相关性）。
2024-03-09 10:15:00
1415
1
原创 踩过的Python中分布拟合包fitter的一个天坑
如果你按照这段代码跑，放心，妥妥地只看到 “ Process finished with exit code 0”这篇文章的尾部也注明了，内容上参考了pypi org上的fitter说明。但是，不得不让我骂一句街 MaDe，pypi上面写的真TMD不负责。说实话，必须要给写文档的哥们一个差评 : (经本人尝试，还需要在最后加上一句代码。
2024-03-09 09:15:00
610
1
原创 产险精算GLM-GAM案例
但是，实践中要慎用 GAM，因为从上面的例子可以看到，GAM由于样条函数的存在，使其可解释性不如GLM好，而且 配置高 的 GAM 也很容易出现 过拟合 的现象，对 数据训练集 拟合程度很好，但未必适用于 数据测试集。因此，从模型应用的角度，选择 低配版的GAM 可能就可以了。这里，我们对 Claims 做拟合，因为如果对Freq做拟合的话，由于因变量 AOI 和 Terr 都是分类变量，则无法使用 GAM 做拟合了。广义线性模型GLM的升级是广义加法模型GAM，而 GLM 只是 GAM 的一个特例。
2023-08-04 20:45:00
618
原创 英国几个有名的英语考试总结
2023年3月23日，英国资格考试监管机构 Ofqual 发布年度报告，对各类考试进行了总结，其中就有关于英语考试(ESOL，English for Speakers of Other Languages)类的总结。
2023-03-27 20:15:00
1095
原创 谈主成分分析/因子分析中的特征值“矩阵近似”
CSDN中一些文章在介绍这个问题或者叫“特征值分解”时，讲得都比较学术化，今天用一个小例子，还是面向新人，来引导理解“特征值分解”和“矩阵近似”。
2022-12-20 22:01:59
1804
2
原创 【新闻】李晓翾先生荣获北美产险精算学会2022年度卓越成就奖
北美产险精算学会（CAS）于2022年10月初在官网宣布了北美产险精算学会的年度评奖结果。
2022-12-20 19:55:12
478
原创 通俗地讲讲数据降维的原理
什么是数据降维？关于这个问题，很多专家的说法都非常学术，估计很多普通人听不懂。所以，这里用通俗的语言解释一下，希望有助于更多的入门新人理解。
2022-12-07 20:16:55
974
原创 主成分分析/因子分析与线性映射
数据降维，包括主成分分析PCA和因子分析FA，都离不开特征值和特征向量。今天先不细说特征值和特征向量，先说一说理解数据降维的一个关键概念，线性映射。
2022-12-07 20:02:40
487
原创 教育部公示2022-2025学年面向中小学生的全国性竞赛活动名单
教育部在2022年9月刚刚公示了未来3年教育部确定的2022-2025学年面向中小学生的全国性竞赛活动名单
2022-10-04 23:08:40
490
原创 2022.5.15-参加北京青少年程序设计展示活动海淀区赛（失误了，三等奖）
5月15日周日上午，Jensen参加了北京青少年程序设计展示活动海淀区赛
2022-06-28 22:03:43
442
原创 2022.4.9-参加首届希望少年计算思维与创意编程挑战赛（二等奖）
4月9日，Jensen参加了首届希望少年计算思维与创意编程挑战赛。上午2小时基础知识，下午2小时编程（5道题），算是考了一天。PS：4月20日，挑战赛成绩出来了，二等奖，预期之中。距离前5%的一等奖，还要继续努力，呵呵...
2022-04-21 21:35:55
927
原创 2021.12- 参加第四届海淀区青少年科普科幻创作活动（一等奖）
去年12月参加的一个海淀区中小学信息科技教育协会主办的一个科普科幻创作活动，历时5个月，今年4月14日才出来成绩。结果没想到，Jensen意外获得一等奖；作为一等奖学生的指导教师，Jensen的语文杨老师也获得一个“优秀指导教师奖”。意外的惊喜，呵呵第四届青少年科普科幻创作活动科幻小说奖项名单 序号 姓名 学校 指导老师 类别 作品名 奖项 12 李倞曦 北京理工大学附属中学 杨静琳 科幻小说 天宫秘盟 一等奖 42
2022-04-17 22:10:02
1055
原创 2022.3.26- 参加NOI Online活动（进入前25%）
这是Jensen第二次进入 NOI Online 入门组的前25%，北京的初一进入前25%的名单如下，高手很多，呵呵省份 准考证号 姓名 性别 总分 学校 年级 北京 BJ-00002 ZHAOANTHONYYUNFAN 男 245 清华大学附属中学 初一 北京 BJ-00240 洪泽 男 235 北京市十一学校 初一 北京 BJ-00264 华康熠 男 2
2022-04-06 22:24:11
630
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人