Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Application of the Ordered Lorenz Curve in the Analysis of a Non-Life Insurance Portfolio
KTH, School of Engineering Sciences (SCI), Mathematics (Dept.), Mathematical Statistics.
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Tillämpning av den rangordnade Lorenz kurvan vid analys av en sakförsäkringsportfölj (Swedish)
Abstract [en]

Insurance analysts have a great variety of assessment tools at their disposal in order to ensure a healthy insurance portfolio. To describe the financial income and loss distribution of the insurance portfolio one of the more fundamental mathematical instrument is the Lorenz curve. A measure developed in the early 19th centrury by Max O. Lorenz which intended to describe a population’s income distribution in a macro perspective. By developing further on this method with guidance from the article by Frees, Meyers and Cummings, [5], a link between the Lorenz curve and the insurance portfolio’s risk segment will be investigated.

By constructing an insurance rating function which determine an insurance expected loss, depending on the policyholders characteristics, ordering the premium and loss distributions by its relative loss the intent is to identify profitable blocks along the ordered Lorenz curve. With this insight an analyst can redefine the portfolio structure and highlight the desirable characteristics which define a policyholder. In order to keep up with the competition an insurer has to, in the long run, create a sustainable, profitable portfolio with lowering the risk of occurring greater insurance claims.

Abstract [sv]

För dagens försäkringsanalytiker finns det en uppsjö av matematiska metoder och mått att tadel av för att utvärdera bolagens produktportföljer. För att beskriva och fundamentalt förstå hur en försäkringsportföljs premier och förlusters fördelar sig över försäkringstagare, finns ett välkänt matematiskt verktyg, utvecklat av Max O. Lorenz i början av 1900-talet, Lorenzkurvan. Ursprungligen var den framtagen för att studera, i ett makro ekonomiskt perspektiv, en stats eller en populations inkomstfördelning. Det vill säga hur jämlikt ett samhälle ansågs vara. Baserat på den grundläggande teorin bakom Lorenzkurvan och arbetet bakom den matematiska skriften av Edward W. Frees, Glenn Meyers and A. David Cummings, [5], etableras en länk mellan Lorenzkurvan och en försäkringsportföljs inkomst och utgiftsfördelningar. Detta i avsikt att identifiera lönsammare block och hitta försäkringar vars underliggande karaktärer indikerar högre risker.

Med hjälp av klassisk regression kan försäkringarna värderas efter deras potentiella förlust, premie och förlust fördelningen sorteras efter en relativ förlust, för att ta fram en rankad Lorenzkurva. Detta för att koppla den underliggande informationen från försäkringstagaren till dess relativa finansiella prestation. Att hitta segment i portföljen som visar potentiellt större lönsamhet och lägre risk är något en analytiker ständigt bör eftersträva för att hålla jämna steg med konkurrensen på marknaden och utöka sin portfölj med en strategi som bygger på väl underliggande teori.

Place, publisher, year, edition, pages
2019.
Series
TRITA-SCI-GRU ; 2019:372
National Category
Probability Theory and Statistics
Identifiers
URN: urn:nbn:se:kth:diva-262823OAI: oai:DiVA.org:kth-262823DiVA, id: diva2:1362789
External cooperation
Söderberg & Partners
Subject / course
Financial Mathematics
Educational program
Master of Science - Applied and Computational Mathematics
Supervisors
Examiners
Available from: 2019-10-30 Created: 2019-10-21 Last updated: 2019-10-30Bibliographically approved

Open Access in DiVA

fulltext(758 kB)35 downloads
File information
File name FULLTEXT01.pdfFile size 758 kBChecksum SHA-512
12b204b722d611cde03da9a9d55ead3a9cf506d1b5cda58ad9356ec52efd62ef2bc02cd8c575366f5aa9334b5c66de3586a5bc769cb39bd3ceb895807b0049b0
Type fulltextMimetype application/pdf

By organisation
Mathematical Statistics
Probability Theory and Statistics

Search outside of DiVA

GoogleGoogle Scholar
Total: 35 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 97 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf