نظر به اینکه فرآیند کارشناسی ادعاهای وارد شده توسط شرکت بیمه در سال های بعد باعث می شود که بسیاری از ادعاهای رخداده شده در سال جاری به سال های آینده منتقل شده، بنابراین حساب مالی یک شرکت مالی با سال مالی بسته نخواهد شد. پس این معقول به نظر می رسد که شرکت بیمه در پایان هر سال مالی مبلغی تحت عنوان ذخیره فنی برای تصفیه حساب ادعاهای مربوط به سال مالی جاری در سال های آینده برآورد و در حسابی ویژه نگهداری کند. یکی از مهمترین دغدغه های یک شرکت بیمه ارائه یک برآورد دقیق برای ذخیره فنی می باشد. روش chain ladder یک روش شناخته شده و پرطرفدار برای برآورد ذخیره فنی می باشد. اکچوئرها مقادیر نهایی خسارات را برای گروه های مختلف قراردادها باید پیش بینی کند اما آنها اغلب با مشکل اندک بودن اطلاعات در برخی از گروه ها مواجه می باشند. این امر موجب عدم اطمینان در برآورد حاصل می گردد. در چنین موقعیت هایی، نظریه باورمندی جهت پیش بینی سودمند خواهد بود. و از آنجا که مدل chain ladder جهت پیش بینی خسارات از دقت کمی برخوردار است با ترکیب این مدل با نظریه باورمندی ما در صدد بهبود بخشیدن دقت برآوردهای خسارات در سال های آتی می باشیم. با استفاده از نتایج این تحقیق و مطالعه آن، می توان با دقت بالایی به پیش بینی ذخائر فنی در دوره های آتی به منظور حفظ بقای اقتصادی شرکت های بیمه ی ایرانی پرداخت.

رویکرد تصادفی به مدل بندی روند مرگ-میر یکی از روشهای پیشرفته و دقیق آماری است که در سالهای اخیر مورد توجه بسیاری از محققان قرار گرفته است. پایان نامه حاضر حاضر پس از معرفی مدل تصادفی ارائه شده توسط کارینز و همکاران ( 2006) چگونگی استفاده از این مدل تصادفی را جهت ارزیابی مرگ -میر درشهرستان نقده واقع در استان آذربایجان غربی را مورد بررسی قرار می دهد. به عبارت دقیقتر، این پایان نامه با معرفی یک مدل تصادفی دو عاملی برای منحنی مرگ- میر دوران پس از شصت سالگی در شهرستان نقده به تحلیل فرآیند مرگ-میر می پردازد. سپس براساس این الگو تصادفی برازش شده نتیجه می گیرد که: (1) اصلاحات طولی(اثر بخشی خطی ) به طور مستمر در طول زمان بر میزان مرگ-میر در همه سنین تاثیر می گذارد، (2) اصلاحات طولی در سنین پایین تر بیش از سنین بالاتر موثر است و (3) پیش بینی نرخ مرگ- میر شهرستان نقده برای سال 90 (2011)نیزنشان می دهد که بهبود نسبی روشن و گویایی در میزان مرگ-میر شهرستان نقده برای همه سنین وجود دارد که این روند خطی اصلاحی در سنین پایین تر نسبت به سنین بالاتر بیشتر می باشد.

این پایان نامه به دنبال معرفی کاپولا (تابع مفصل) به عنوان ابزاری قوی برای مدلسازی ساختار همبستگی میان متغیرهای تصادفی است و به برآورد پارامترهای کاپولا و نکویی برازش آن اشاره دارد. همچنین بر اساس رویکرد glm روشی جدید برای تخمین پارامترهای کاپولا معرفی می کند. روش معرفی شده به همراه روشهای دیگر از طریق شبیه سازی مقایسه می شوند. آزمون دو نمونه ای کرامر، به منظور برازش کاپولا به 5 توزیع: نرمال، تی، کوشی، لجیستیک و هوزلر- رایس مورد استفاده قرار می گیرد. در پایان به کمک ابزار کاپولا مدلی برای بررسی رابطه بین شاخص بورس تهران و قیمتهای جهانی نفت و طلا ارائه می شود.

پیش بینی قیمت سهام بورس یک فعالیت سخت در دنیای مدرن می باشد . عوامل بسیاری بر رفتار بازار اثر گذار است از جمله عوامل اقتصادی و غیر اقتصادی . بنابر این پیش بینی به عنوان یکی از مسائل چالش زا در مسائل مالی مطرح است .در این تحقیق رگرسیون بردار پشتیبان کرنل چند گانه که حالت پیشرفته ماشینهای بردار پشتیبان می باشد ارائه شده . برای بدست آوردن ضرایب لاگرانژ و وزن توابع کرنل بهینه ، الگوریتم یادگیری روش بهینه سازی کمینه ترتیبی و تصویر سازی گرادیان را به ترتیب انجام می دهد. با استفاده از این الگوریتم مزایای استفاده از ساختار ابر پارامتر ترکیب شده و اجرای سیستم بهبود می یابد . بعلاوه نیازی به تعیین ابر پارامتر ها و روش آزمون و خطا برای تعیین ساختار ابر پارامتر مناسب در ابتدا نداریم . svr یک مساله برنامه نویسی در شبکه های عصبی است که برای پیش بینی و حل با محاسبه ضرایب لاگرانژ و با تکرار انجام می پذیرد و سر انجام رگرسیون ابر طرح ایجاد می شود . هدف از این تحقیق مقایسه قدرت پیش بینی با این روش و با روش تک کرنل و سری زمانی می باشد که نتایج بسیار دقیق تری را به ویژه برای بازه های زمانی کوتاه مدت نمایش می دهد. داده های در نظر گرفته شده از سازمان بورس تهران برای قیمت های سهام دو شرکت بیمه آسیا و دی و شاخص کل بورس می باشد . محاسبات انجام شده با نرم افزار های eviews و matlab صورت گرفته است.

در بسیاری از زمینه های آماری برای برآورد ضریب همبستگی ‏‎p*2‎‏ معمولا یکی از برآوردگرهای ‏‎r*2‎‏ یا ‏‎r*2adj‎‏ مورا استفاده قرار می گیرد. در این پایان نامه این دو برآوردگر را از نظر اریبی و تابع مخاطره با یکدیگر مقایسه و نشان می دهیم که بر اساس معیار نااریبی یا تابع مخاطره نمی توان بطور مطلق گفت که کدام یک از این برآوردگرها بهتر از دیگری است ، با توجه به تعداد متغیرهای ‏‎p‎‏ می توان تصمیمهای متفاوتی اتخاذ نمود. همچنین نشان خواهیم داد که برای ‏‎p<7‎‏ برآوردگر ‏‎r*2‎‏ یک برآوردگر مجاز ولی ‏‎r*2adj‎‏ همواره یک برآوردگر غیر مجاز است. در ادامه باانتخاب خانواده توزیع های بتا به عنوان توزیع پیشین ‏‎p*2‎‏ برآوردگر گریبز‏‎p*2‎‏ را پیدا کرده و آنرا با دو برآوردگر ‏‎r*2 , r*2adj‎‏ مقایسه می کنیم. سرانجام با معرفی یک کلاس از برآوردگرهای ‏‎p*2‎‏ برآوردگرهای این کلاس را از نظر تابع مخاطره مرتبه دوم با یکدیگر و در حالتی که ‏‎r*2‎‏ یک برآوردگر غیر مجاز از مرتبه دوم است برآوردگرهایی ارائه می دهیم که از نظر تابع مخاطره مرتیه دوم بهتر از ‏‎r*2 ‎‏ باشند.