Zurück
| Semester | Frühjahrsemester 2019 |
| Angebotsmuster | einmalig |
| Dozierende | Michael Merz (michael.merz@unibas.ch, BeurteilerIn) |
| Inhalt | Themen des Seminars: Thema 1) Support Vector Machines Abgabetermin: 11.03.2019 Besprechungstermin: 18.03.2019 Thema 2) Generalized Additive Models Abgabetermin: 18.03.2019 Besprechungstermin: 25.03.2019 Thema 3) Chain-Ladder Method and Midyear Loss Reserving Abgabetermin: 25.03.2019 Besprechungstermin: 01.04.2019 Thema 4) Claims Reserving with a Stochastic Vector Projection Abgabetermin: 01.04.2019 Besprechungstermin: 08.04.2019 Thema 5) Actuarial Applications of Word Embedding Models Abgabetermin: 08.04.2019 Besprechungstermin: 15.04.2019 Thema 6) Regression Trees with Application to Motor Third-Party Liability Claims Abgabetermin: 22.04.2019 Besprechungstermin: 29.04.2019 Thema 7) Neural Networks with Application to Motor Third-Party Liability Claims Abgabetermin: 29.04.2019 Besprechungstermin: 06.05.2019 Thema 8) Boosting machines with Application to Motor Third-Party Liability Claims Abgabetermin: 06.05.2019 Besprechungstermin: 13.05.2019 Thema 9) Neural Networks Applied to Chain-Ladder Reserving Abgabetermin: 13.05.2019 Besprechungstermin: 20.05.2019 |
| Lernziele | Die Teilnehmer/innen dieses Seminars sollen zum einen ihre bisher erworbenen statistischen und versicherungsmathematischen Kenntnisse weiter vertiefen und lernen, wie sie diese speziell bei der Prognose von versicherungsrelevanten Größen und Ereignissen anwenden können. Diese Prognosen können sich dabei auf die Zukunft beziehen oder auch nicht. Zum anderen sollen die Teilnehmer/innen durch die Erstellung der Seminararbeit auf das Verfassen ihrer Masterarbeit vorbereitet werden. |
| Literatur | Zu den einzelnen Themen sind jeweils Literaturquellen angegeben. Ein großer Teil dieser Literaturquellen sind auf ADAM bereitgestellt. Einige wenige Literaturquellen müssen jedoch von den Studierenden selbst beschafft werden. Darüber hinaus kann es in einigen Fällen sinnvoll sein, bei der Erstellung der Seminararbeit weitere Literaturquellen heranzuziehen. Zu Thema 1) Support Vector Machines James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, 2013, Chapter 9. Efron, B., Hastie, T.: Computer Age Statistical Inference, 2013, Chapter 19. Zu Thema 2) Generalized Additive Models James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning, 2013, Chapter 7. Frees, E. W., Derrig, R. A., Meyers, G.: Predictive Modeling Applications in Actuarial Science, Volume I, 2017, Chapter 15. Zu Thema 3) Chain-Ladder Method and Midyear Loss Reserving Dahms, R.: Astin Bulletin, 2017, 48(1), Seiten 3-24. Zu Thema 4) Claims Reserving with a Stochastic Vector Projection Portugal, L., Pantelous, A. A., Assa, H.: North American Actuarial Journal, 2018, 22(1), Seiten 22-39. Zu Thema 5) Actuarial Applications of Word Embedding Models Lee, G. Y., Manski, S., Maiti, T.:, Preprint, 2018 Zu Thema 6) Regression Trees with Application to Motor Third-Party Liability Claims Noll, A., Salzmann, R., Wüthrich, M. V.: Case Study: French Motor Third-Party Liability Claims, Working Group Data Science of Swiss Association of Actuaries, 2018. Wüthrich, M. V., Buser, C.: Data Analytics for Non-Life Insurance Pricing, Lecture Notes, 2018, Chapter 6. Zu Thema 7) Neural Networks with Application to Motor Third-Party Liability Claims Noll, A., Salzmann, R., Wüthrich, M. V.: Case Study: French Motor Third-Party Liability Claims, Working Group Data Science of Swiss Association of Actuaries, 2018. Wüthrich, M. V., Buser, C.: Data Analytics for Non-Life Insurance Pricing, Lecture Notes, 2018, Chapter 5. Zu Thema 8) Boosting machines with Application to Motor Third-Party Liability Claims Noll, A., Salzmann, R., Wüthrich, M. V.: Case Study: French Motor Third-Party Liability Claims, Working Group Data Science of Swiss Association of Actuaries, 2018. Wüthrich, M. V., Buser, C.: Data Analytics for Non-Life Insurance Pricing, Lecture Notes, 2018, Chapter 7. Zu Thema 9) Neural Networks Applied to Chain-Ladder Reserving Wüthrich, M. V.: Preprint, 2018, https://ssrn.com/abstract=2966126. Wüthrich, M. V., Buser, C.: Data Analytics for Non-Life Insurance Pricing, Lecture Notes, 2018, Chapter 5. |
| Bemerkungen | Der zeitliche Aufwand für die Anfertigung einer Seminararbeit beträgt ca. 90 Zeitstunden pro Studierenden. Die Seminararbeit soll in Zweiergruppen angefertigt werden. Der Partner/in für die Zweiergruppe kann dabei selbstgewählt werden. Teilnehmer/innen die keinen Partner/in angeben werden nach dem Zufallsprinzip zu Zweiergruppen zusammengefasst. Unter https://adam.unibas.ch/goto_adam_fold_357698.html sind Hinweise zum Schreiben einer Seminararbeit, eine Einführung in LaTeX sowie ein LaTeX-Vorlage für Seminararbeiten zu finden. |
| Teilnahmebedingungen | Die Lehrveranstaltung ist für Studierende des Masterstudiengangs "Actuarial Science" als Vorbereitung für das Verfassen ihrer Masterarbeit gedacht. |
| Unterrichtssprache | Deutsch |
| Einsatz digitaler Medien | Online-Angebot obligatorisch |
| Intervall | Wochentag | Zeit | Raum |
|---|
Keine Einzeltermine verfügbar, bitte informieren Sie sich direkt bei den Dozierenden.
| Module |
Modul: Personenversicherung (Masterstudium: Actuarial Science) Modul: Risiko-Analyse (Masterstudium: Actuarial Science) Modul: Schadenversicherung (Masterstudium: Actuarial Science) |
| Leistungsüberprüfung | Lehrveranst.-begleitend |
| Hinweise zur Leistungsüberprüfung | Die Teilnehmer/innen des Seminars sollen in Zweiergruppen mittels des Textsatzsystems LaTeX eine Seminararbeit (ca. 25 Seiten) in deutscher Sprache zu einem selbstgewählten Thema des Seminars anfertigen und spätestens bis zum jeweiligen Abgabetermin dem Dozenten eine PDF-Datei der Seminararbeit per E-Mail zusenden. Eine Woche nach dem jeweiligen Abgabetermin findet eine Einzelbesprechung statt, in der die Stärken und Schwächen der Seminararbeit detailliert besprochen werden. Der Leistungsnachweis ist erbracht, wenn die Seminararbeit rechtzeitig zum Abgabetermin abgegeben und mit PASS bewertet sowie der Besprechungstermin wahrgenommen wurde. |
| An-/Abmeldung zur Leistungsüberprüfung | Anm.: Belegen Lehrveranstaltung; Abm.: stornieren |
| Wiederholungsprüfung | keine Wiederholungsprüfung |
| Skala | Pass / Fail |
| Wiederholtes Belegen | nicht wiederholbar |
| Zuständige Fakultät | Universität Basel |
| Anbietende Organisationseinheit | Fachbereich Mathematik |