基于DeepSeek-R1推理逻辑的数学公式化方法的市场车险保费预测

1 任务

给定历史几年每个月的市场的车险保费值，预测下一个月车险保费。历史数据情况如下：

日期	保费
2023-05	100.5亿
2023-06	109.1亿
…	…

对于这样的任务，其实我们一般用自回归的序列模型比如sarimax,prophet等模型，最近由于DeepSeek-R1推理能力比较强，想看看它对这样任务的预测效果。尝试了给定历史序列数据，让大模型进行推理预测，但是发现预测的效果有点不稳定。后来对历史数据提取了一些不同维度的观察序列数据，让大模型对这些数据进行思考逻辑的强数学表达，再编程实现它的思路，发现效果整体可以，超出了预期。

2 基于DS的数学公式

2.1 特征处理

获取预测月份历史同比序列，环比序列，最近序列等不同维度数据。例如预测2025-01月保费

• 同比序列保费对应的时间周期是：[2024-01,2023-01,2022-01,…]
• 环比序列保费对应的时间周期是：[2024-12,2023-12,2022-12,…]
• 最近序列保费对应的时间周期是 :[2024-12,2024-11,2024-10,…]

春节序列保费对应的时间周期是：[2024-02,2023-01,2022-02,…] (对应历史春节所在的月份)
同比序列保费增长率计算：[(2024-01-2023-01)/2023-01, (2023-01-2022-01)/2022-01, …]
环比序列保费增长率计算： [(2024-01-2023-12)/2023-12, (2023-01-2022-12)/2022-12,…]

2.2 输入

2.3 方法

看着公式其实很简单，但是回测效果整体误差3%~4%之间，超出了预期，相比一些基准好的模型，效果也有一定提高。

3 感想

• 1. 基于DS提供的数学公式化推理逻辑，然后编程实现他的逻辑，整体还不错。
• 2. 从公式来看，数学表达很简单，当然这只是一个基础的版本，还有很大的优化空间。但是这个公式的好处是灵活性很强，能够从预测节点的不同时间维度观察数据的情况，并且通过方差来动态调整不同观察序列置信度，提高预测精准度
• 3.虽然公式简单，但是有很强的动态变化能力，若是可以抽取更多与目标预测相关的不同时间维度的序列特征，而且公式还有很多优化的空间，比如对实际的场景，外部政策事件消息等对目标的影响，这些也可加入公式化一项融合进来，以及权重通过一个更适应性的函数计算获得等等。