TabPFN 是保险定价的万能解法吗？

arXiv:2605.22892v3 公告类型：replace-cross 摘要：非寿险定价中的索赔频率和索赔损失程度建模主要依赖广义线性模型（GLM），而梯度提升机是主要的机器学习替代方案。表格基础模型（TFM）提出了一种根本不同的推理范式。通过在大量合成数据集上进行预训练，TFM 能够借助上下文学习对新数据进行推理，无须针对特定数据集进行预处理、拟合或超参数调优。本文首次对 TabPFN 在机动车保险定价中的应用进行了实证评估，在两个公开可用的机动车第三者责任险（MTPL）数据集上，将两个版本的 TabPFN 与 GLM 和 XGBoost 进行了基准比较。结果表明，TabPFN 并未始终优于成熟的基线模型：在索赔频率建模方面，其表现不及 GLM，且性能取决于上下文训练集的规模；但在数据更为稀缺的索赔损失程度建模方面，它具有竞争力。其推理耗时则明显更长。尽管表格基础模型前景可期，尤其是在数据稀缺的场景下，但 TabPFN 尚不足以取代成熟的索赔频率精算建模方法。