Amal Elfassihi

COVID-19の死亡率データ補正法を用いることで、重複計上を避け、単発的経験による不安定性なしに長期的なトレンドを導き出すことができます。

Using mortality data adjustment methods for COVID-19 helps avoid double counting and derives long-term trends without instabilities from a one-off experience.

Climate change will lead to greater mortality risk, so we discuss the exposure to high temperatures and look at alternative modeling for vector-borne diseases.

気候の変化は、より大きな死亡リスクにつながるため、高い気温へのエクスポージャーについて論じ、生物媒介疾患の代替モデリングについてみていきます。

機械学習アルゴリズムは、伝統的死亡率モデルと比較して、将来の死亡率の予測を大幅に改善することが可能です。

Compared with traditional mortality models, machine learning algorithms can significantly improve the forecasts of future mortality rates.

COVID-19感染症をモデルし、リスクの保険をよりよくする方法を検討します。

How to model the COVID-19 pandemic and forge a path to better risk insurance.

本稿では、開示目的で必要となる信頼性水準をどのように求めるか、また、異なる対象期間に対して所与の信頼性水準をどのように（修正）再表示するかを含め、（再）保険会社の課題を解決するソリューションを提示します。

This paper presents a solution to address (re)insurers’ challenges, including how to determine the confidence level needed for disclosure purposes and how to restate a given confidence level over different time horizons.