中国人民大学健康大数据研究院高光远副教授团队研究成果“Insurance loss modeling with gradient tree-boosted mixture models”在 Insurance ：Mathematics and Economics 接收发表。

在精算实践中，有限混合模型是一种广泛应用的统计方法，用于拟合保险损失。尽管期望最大化（EM）算法通常是混合模型参数估计的重要工具，但它存在一些问题，如难以进行特征工程和变量选择，以及容易发生过拟合。为了解决这些问题，我们提出了一种期望增强（EB）算法，该算法在第二步中通过梯度提升决策树，自适应地增加似然函数值。EB算法能够非参数化地、对过拟合敏感地，估计混合概率和成分分布参数，并同时执行自动化特征工程、模型拟合和变量选择，从而充分挖掘特征空间的预测能力。此外，所提出的算法可以与并行计算方法结合，以提高计算效率。最后，两项模拟研究和一项索赔金额的实证研究展示了该算法的良好性能。