ac00std

## claim_model_1.R
################クレームモデル###########################

##各分布の密度関数

layout(matrix(1:6,nrow=2,byrow=FALSE))

plot(dpois(0:20,5))
plot(dnbinom(0:20,5,1/2))
curve(dgamma(x,2,0.01),0,500)
curve(dnorm(x,200,50),0,500)

## leaf.R
#データの読み込み
#事前にデータの二行目(id)を削除しておいた
leaf=read.csv("leaf_mod.csv")

#散布図を描く
y=leaf$Class
x=leaf[,-1]

pairs(x,main="leaf",pch = 21, bg=y+2)
plot(x[1:7],pch=21,bg=y+2)

## claim_model_2.R
##actuarパッケージの読み込み
library(actuar)

##パンジャーの再帰式でクレーム総額分布を求める
#まずクレーム額分布（平均１０の指数分布）を離散化
fx=discretize(pgamma(x,1,0.1),from=0, to=500,step=0.25,method="unbiased",lev=levgamma(x,1,0.1))
fx0=fx[1]

fs=rep(0,2001)

## claim_model_3.R
###########高速フーリエ変換によるクレーム総額の導出##########
library(actuar)

##FFTと一様分布畳み込み
#一様分布二つの和
x=discretize(punif(x),from=0, to=2,step=2^(-8),method="unbiased",lev=levunif(x))
y=fft(x)                           #密度関数ベクトルをフーリエ変換
z=y^2　　　　　　　　　　　　      #畳み込むため２乗する
fu=fft(z,inverse=TRUE)/length(z) 　#逆変換
fu=as.numeric(fu)　　　　　　　　　#虚数をとる

## leaf2
#データの読み込み
leaf=read.csv("leaf.csv",header = F,
colClasses=c("factor",rep("numeric",15)),
col.names=c("Class","Specimen Number","Eccentricity","Aspect Ratio","Elongation","Solidity","Stochastic Convexity","Isoperimetric Factor","Maximal Indentation Depth","Lobedness","Average Intensity","Average Contrast","Smoothness","Third moment","Uniformity","Entropy"))
leaf=leaf[,-2]

y=leaf$Class
x=leaf[,-1]

train <- seq.int(1, 340, by=2)

## stock price

##########stock price##########

code=8604    ##野村ＨＤの株価を指定
year=2016    #2016年を指定

#http://k-db.com/からスクレイピングを行います。

url=paste("http://k-db.com/stocks/",code,"-T/1d/",year,"?download=csv",sep="")
stock_data=read.table(url,sep=",", skip=1)

## sze_R
###データの読み込み
sze_row=read.csv("2017sze.csv",header = T)
sze=sze_row[,-9]
#1992年～2016年までを学習用、2017年分をテスト用とする
train=c(1:1254)
test=c(1255:1302)

###seedはサザエさん(3383)とする
set.seed(3383)

## actuary_exam
ac_exam=function(n,p1_low,p1_high,p2_low,p2_high,study){

#n：持っている科目数
#p1_low:1次試験科目の合格率下限
#p1_high:1次試験科目の合格率上限
#p2_low:2次試験科目の合格率下限
#p2_high: 2次試験科目の合格率上限
#study:勉強により1科目だけ合格率を引き上げることができる
#year:受験年数
#year1:1次試験合格年数

## actuary_exam2
ac_exam2=function(n,p1_low,p1_high,p2_low,p2_high,study1,study2){

#n：持っている科目数
#p1_low:1次試験科目の合格率下限
#p1_high:1次試験科目の合格率上限
#p2_low:2次試験科目の合格率下限
#p2_high: 2次試験科目の合格率上限
#study1:勉強により科目1の合格率を引き上げることができる
#study2:勉強により科目2の合格率を引き上げることができる
#year:受験年数

## lda
library(MASS)
library(mvtnorm)

#データの読み込み
sb=read.csv("sbnote.csv")

#学習用データの区分
sb_train=rbind(sb[1:50,],sb[101:150,])
sb_test=rbind(sb[51:100,],sb[151:200,])
	################クレームモデル###########################

	##各分布の密度関数

	layout(matrix(1:6,nrow=2,byrow=FALSE))

	plot(dpois(0:20,5))
	plot(dnbinom(0:20,5,1/2))
	curve(dgamma(x,2,0.01),0,500)
	curve(dnorm(x,200,50),0,500)
	#データの読み込み
	#事前にデータの二行目(id)を削除しておいた
	leaf=read.csv("leaf_mod.csv")

	#散布図を描く
	y=leaf$Class
	x=leaf[,-1]

	pairs(x,main="leaf",pch = 21, bg=y+2)
	plot(x[1:7],pch=21,bg=y+2)
	##actuarパッケージの読み込み
	library(actuar)

	##パンジャーの再帰式でクレーム総額分布を求める
	#まずクレーム額分布（平均１０の指数分布）を離散化
	fx=discretize(pgamma(x,1,0.1),from=0, to=500,step=0.25,method="unbiased",lev=levgamma(x,1,0.1))
	fx0=fx[1]

	fs=rep(0,2001)
	###########高速フーリエ変換によるクレーム総額の導出##########
	library(actuar)

	##FFTと一様分布畳み込み
	#一様分布二つの和
	x=discretize(punif(x),from=0, to=2,step=2^(-8),method="unbiased",lev=levunif(x))
	y=fft(x) #密度関数ベクトルをフーリエ変換
	z=y^2　　　　　　　　　　　　 #畳み込むため２乗する
	fu=fft(z,inverse=TRUE)/length(z) 　#逆変換
	fu=as.numeric(fu)　　　　　　　　　#虚数をとる
	#データの読み込み
	leaf=read.csv("leaf.csv",header = F,
	colClasses=c("factor",rep("numeric",15)),
	col.names=c("Class","Specimen Number","Eccentricity","Aspect Ratio","Elongation","Solidity","Stochastic Convexity","Isoperimetric Factor","Maximal Indentation Depth","Lobedness","Average Intensity","Average Contrast","Smoothness","Third moment","Uniformity","Entropy"))
	leaf=leaf[,-2]

	y=leaf$Class
	x=leaf[,-1]

	train <- seq.int(1, 340, by=2)

	##########stock price##########

	code=8604 ##野村ＨＤの株価を指定
	year=2016 #2016年を指定

	#http://k-db.com/からスクレイピングを行います。

	url=paste("http://k-db.com/stocks/",code,"-T/1d/",year,"?download=csv",sep="")
	stock_data=read.table(url,sep=",", skip=1)
	###データの読み込み
	sze_row=read.csv("2017sze.csv",header = T)
	sze=sze_row[,-9]
	#1992年～2016年までを学習用、2017年分をテスト用とする
	train=c(1:1254)
	test=c(1255:1302)

	###seedはサザエさん(3383)とする
	set.seed(3383)
	ac_exam=function(n,p1_low,p1_high,p2_low,p2_high,study){

	#n：持っている科目数
	#p1_low:1次試験科目の合格率下限
	#p1_high:1次試験科目の合格率上限
	#p2_low:2次試験科目の合格率下限
	#p2_high: 2次試験科目の合格率上限
	#study:勉強により1科目だけ合格率を引き上げることができる
	#year:受験年数
	#year1:1次試験合格年数
	ac_exam2=function(n,p1_low,p1_high,p2_low,p2_high,study1,study2){

	#n：持っている科目数
	#p1_low:1次試験科目の合格率下限
	#p1_high:1次試験科目の合格率上限
	#p2_low:2次試験科目の合格率下限
	#p2_high: 2次試験科目の合格率上限
	#study1:勉強により科目1の合格率を引き上げることができる
	#study2:勉強により科目2の合格率を引き上げることができる
	#year:受験年数
	library(MASS)
	library(mvtnorm)

	#データの読み込み
	sb=read.csv("sbnote.csv")

	#学習用データの区分
	sb_train=rbind(sb[1:50,],sb[101:150,])
	sb_test=rbind(sb[51:100,],sb[151:200,])