Методика побудови математичних моделей актуарних процесів

Автор(и)

  • Світлана Віталіївна Трухан Національний технічний університет України «Київський політехнічний інститут» пр. Перемоги 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0002-5726-2576
  • Петро Іванович Бідюк Національний технічний університет України «Київський політехнічний інститут» пр. Перемоги 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0002-7421-3565

DOI:

https://doi.org/10.15587/1729-4061.2015.36486

Ключові слова:

узагальнені лінійні моделі, функція зв’язку, залишки, методи Монте-Карло, байєсівський підхід

Анотація

Запропоновано методику побудови математичних моделей для актуарних процесів та алгоритм оцінювання невідомих параметрів моделей із використанням байєсівського підходу. В якості математичного апарату використано узагальнені лінійні моделі, які представляють собою розширення лінійної регресії, коли розподіл випадкових величин відрізняється від нормального. На основі реальних статистичних даних та запропонованої методики, побудовано експериментальні моделі для прогнозування актуарних процесів.

Біографії авторів

Світлана Віталіївна Трухан, Національний технічний університет України «Київський політехнічний інститут» пр. Перемоги 37, м. Київ, Україна, 03056

Аспірант

Інститут прикладного та системного аналізу

Петро Іванович Бідюк, Національний технічний університет України «Київський політехнічний інститут» пр. Перемоги 37, м. Київ, Україна, 03056

Доктор технічних наук, професор,

Інститут прикладного та системного аналізу

Посилання

  1. Bowers, N. L., Gerber, H. U., Hickman, J. C., Jones, D. A. Nesbitt, C. J. (1986). Actuarial mathematics. Itasca (Illinois): Society of Actuaries, 624.
  2. Oleksyuk, О. S. Financial decision support system on the macro level. (1998). Kyiv: Naukova dymka, 508.
  3. Bidyuk, P., Gozhiy, O., Korshevnyuk, L. (2011). Design of computer based decision support systems. Petro Mohyla Black Sea State University, 320.
  4. Gill, J. (2001) Generalized linear models: a unified approach. USA: New Delli, 110 p.
  5. Bidyuk, P., Borusevich, A. (2008). Estimation parameters of models using Monte Carlo Markov Chain technique. Petro Mohyla Black Sea State University, 77, 2–37.
  6. Tsay, S. (2010). Financial time series analysis. Hoboken (New Jersey): John Wiley & Sons, 715.
  7. Enders, W. (1994). Applied econometric time series. New York: Wiley and Sons, 433.
  8. Bidyuk, P., Romanenko, V., Tumoshchyk, O. (2013). Time series analysis. NTUU ‘KPI’, 115–158.
  9. McCullagh, P., Nelder, J. A. (1990). Generalized Linear Models. New York: Chapman & Hall, 526. doi: 10.1007/978-1-4899-3242-6
  10. Trukhan, S., Bidyuk, P. (2014). Forecasting of actuarial processes using Generalized linear models. Naukovi Visti NTUU ‘KPI’, 2, 14–20.
  11. Bergman, N. (1999). Recursive Bayesian Estimation: Navigation and Tracking Applications. Linkoping University (Sweden), 579, 219.
  12. Besag, J. (2001). Markov Chain Monte Carlo for Statistical Inference. Working Paper, Center for Statistics and the Social Sciences, 9, 25.

##submission.downloads##

Опубліковано

2015-02-27

Як цитувати

Трухан, С. В., & Бідюк, П. І. (2015). Методика побудови математичних моделей актуарних процесів. Eastern-European Journal of Enterprise Technologies, 1(4(73), 27–35. https://doi.org/10.15587/1729-4061.2015.36486

Номер

Розділ

Математика та кібернетика - прикладні аспекти