标签：11 mathbf 信度 frac 精算 mu alpha Theta
目录第十一讲 信度理论(1)
第一节 基础知识
一、信度理论的背景
在保险实务中，我们往往需要对一组保险合同来确定一个保费。当从一组保险合同中获得的数据不充分，因而无法提供风险费率的可靠估计时，就需要用到信度理论的方法。
信度理论在非寿险精算理论与实务中具有重要地位。非寿险合同是补偿性合同，非寿险的损失与每个赔案的具体情况以及相应的法规情况密切相关，因而损失经验需要经常修正以适应不断变化的外部环境。非寿险精算师在厘定费率时，既要依据过去的经验，即先验信息，也要根据风险情况的新变化加以调整。这是由非寿险经营的连续性所决定的。
非寿险保费的估算可以根据两类数据：
- 一类是通过观察得到的本险种一组保单的近期损失数据。这类数据确定的保费称为经验保费，记为 \(PM_\varepsilon\) 。
- 另一类是同险种保单早期损失数据或类似险种保单的同期损失数据，它是根据人们的主观选择得到的数据，所以称为先验信息数据。这类数据确定的保费称为先验信息保费，记为 \(PM_0\) 。
由这两类数据加权构成信度保费
\[P=zPM_\varepsilon+(1-z)PM_0, \]其中 \(z\) 为信度因子，表示实际损失数据的可信程度。
- 当 \(z\) 的值接近 \(1\) 时，表明实际损失数据提供的信息相当充分，据此足以获得正确的保费
- 当 \(z\) 的值接近 \(0\) 时，则只能基于先验信息估计，得到先验保费的估计值。
- 当 \(z=1\) 时，称为完全信度。此时，只需根据实际损失数据，利用区间估计的方法计算保险费。
- 当 \(0<z < 1\) 时，称为部分信度。在此种情况下，就需要研究如何合理确定 \(z\) 值。
信度理论有两种基本方法：
- 有限波动信度，旨在控制数据中随机波动对估计的影响。
- 最大精度信度，试图使估计误差尽可能的小。在最大精度信度方法中发展最完善的方法是最小平方信度，它力图使估计误差平方的期望值最小。
某一公司去年每个工人平均工伤损失为 \(230\) 元。假设类似的公司每个工人工伤纯保费为 \(292\) 元，信度因子为 \(0.46\) ，这个公司工人工伤保险纯保费为
\[P=0.46\times230+(1-0.46)\times292=263.88. \]
二、贝叶斯方法回顾
(1) 基本概念和设定
设 \(X\) 是一随机损失，其分布依赖于某一参数 \(\theta\) ，其中 \(\theta\) 是某一随机变量 \(\Theta\) 的某一实现。将 \(\Theta\) 的分布称为先验分布，其密度函数为 \(f_\Theta(\theta\mid \gamma)\) ，\(\gamma\) 为参数。
在给定参数 \(\theta\) 的条件下，\(X\) 的密度为 \(f_{X\mid \Theta}(x\mid \theta)\) ，假设 \(\mathbf{X}=(X_1,X_2,\cdots,X_n)\) 为总体 \(X\) 的一个样本，在给定 \(\Theta\) 的条件下相互独立。
对于某一观测值 \(\mathbf{x}=(x_1,x_2,\cdots,x_n)\) ，样本 \(\mathbf{X}\) 的条件密度为
\[f_{\mathbf{X}\mid \Theta}(\mathbf{x}\mid \theta)=\prod_{i=1}^nf_{X\mid \Theta}(x_i\mid \theta), \]其中 \(f_{\mathbf{X}\mid \Theta}(\mathbf{x}\mid \theta)\) 即为似然函数。
在给定样本观测值 \(\mathbf x\) 的条件下，随机参数 \(\Theta\) 的分布称为后验分布，记为 \(f_{\Theta\mid \mathbf{X}}(\theta\mid \mathbf{x})\) 。利用 \(\Theta\) 的后验分布，计算随机损失均值的估计，这样的估计称为贝叶斯估计，即为下一期的损失的估计。
(2) 后验分布的计算方法
如果给定 \(\Theta\) 的分布 \(f_\Theta(\theta)\) 和给定 \(\Theta\) 的条件下 \(\mathbf{X}\) 的分布 \(f_{\mathbf{X}\mid \Theta}(\mathbf{x}\mid \theta)\) ，则 \(\Theta\) 和 \(\mathbf{X}\) 的联合分布为
\[f_{\Theta,\mathbf{X}}(\theta,\mathbf{x})=f_{\mathbf{X}\mid \Theta}(\mathbf{x}\mid \theta)f_\Theta(\theta). \]设 \(\Omega_\Theta=\{\theta:f_\Theta(\theta)>0\}\) 为 \(\Theta\) 的支撑，则 \(\mathbf{X}\) 的边际分布为
\[f_{ \mathbf{X} }(\mathbf{x})=\int_{\Omega_\Theta}f_{\mathbf{X}\mid \Theta}(\mathbf{x}\mid \theta)f_\Theta(\theta){\rm d}\theta. \]在给定数据 \(\mathbf{X}\) 的条件下 \(\Theta\) 的分布
\[f_{\Theta\mid \mathbf{X}}(\theta\mid \mathbf{x})=\frac{f_{\Theta,\mathbf{X}}(\theta,\mathbf{x})}{f_{ \mathbf{X} }(\mathbf{x})}=\frac{f_{\mathbf{X}\mid \Theta}(\mathbf{x}\mid \theta)f_\Theta(\theta)}{\int_{\Omega_\Theta}f_{\mathbf{X}\mid \Theta}(\mathbf{x}\mid \theta)f_\Theta(\theta){\rm d}\theta} \]即为 \(\Theta\) 的后验分布。
(3) 根据损失函数计算贝叶斯估计
这里只介绍均值的估计，即在给定 \(\mathbf{X}=\mathbf{x}\) 的条件下，计算 \(\mu_X(\Theta)=\mathbb{E}[X\mid \Theta]\) 的贝叶斯估计。
假设 \(L(\mu_X(\Theta),w(\mathbf{x}))\) 为损失函数，\(w(\mathbf{x})\) 为相应于该损失函数 \(\mu_X(\Theta)\) 的一个估计。
记贝叶斯估计为 \(w^*(\mathbf{x})\) ，则 \(w^*(\mathbf{x})\) 应满足
\[w^*(\mathbf{x})=\underset{w(\cdot)}{\arg\min}\ \mathbb{E}\left[L(\mu_X(\Theta),w(\mathbf{x}))\mid \mathbf{x}\right]. \]常用的损失函数有
-
平方损失函数：
\[L(\mu_X(\Theta),w(\mathbf{x}))=\left[\mu_X(\Theta)-w(\mathbf{x})\right]^2. \]此时 \(\mu_X(\Theta)\) 的贝叶斯估计为后验分布的均值。
-
绝对值损失函数：
\[L(\mu_X(\Theta),w(\mathbf{x}))=\left|\mu_X(\Theta)-w(\mathbf{x})\right|. \]此时 \(\mu_X(\Theta)\) 的贝叶斯估计为后验分布的中位数。
-
\(0\text{-}1\) 损失函数：
\[L(\mu_X(\Theta),w(\mathbf{x}))=\mathbf{1}_{\{\mu_X(\Theta)-w(\mathbf{x})\}}. \]此时 \(\mu_X(\Theta)\) 的贝叶斯估计为后验分布的众数。
(4) 根据损失函数计算贝叶斯预测
在给定 \(\mathbf{X}=\mathbf{x}\) 的条件下，\(X_{n+1}\) 的密度函数为
\[\begin{aligned} f_{X_{n+1}\mid\mathbf{X}}(x_{n+1}\mid\mathbf{x})&=\frac{f_{X_{n+1},\mathbf{X}}(x_{n+1},\mathbf{x})}{f_{\mathbf{X}}(\mathbf{x})} \\ \\ &=\frac{\int_{\theta\in\Omega_{\Theta}}f_{X_{n+1},\mathbf{X}\mid\Theta}(x_{n+1},\mathbf{x}\mid \theta)f_{\Theta}(\theta){\rm d}\theta}{f_{\mathbf{X}}(\mathbf{x})} \\ \\ &=\frac{\int_{\theta\in\Omega_{\Theta}}\left[\prod_{i=1}^{n+1}f_{X_i|\Theta}(x_i|\theta)\right]f_{\Theta}(\theta){\rm d}\theta}{f_{\mathbf{X}}(\mathbf{x})}. \end{aligned} \]在给定 \(\mathbf{X}=\mathbf{x}\) 的条件下，\(\Theta\) 的后验分布为
\[f_{\Theta\mid\mathbf{X}}(\theta\mid\mathbf{x})=\frac{f_{\mathbf{X},\Theta}(\mathbf{x},\theta)}{f_{\mathbf{X}}(\mathbf{x})}=\frac{\prod_{i=1}^{n}f_{X_i|\Theta}(x_i|\theta)f_{\Theta}(\theta)}{f_{\mathbf{X}}(\mathbf{x})}. \\ \\ \Downarrow \\ \\ \prod_{i=1}^{n}f_{X_i|\Theta}(x_i|\theta)f_{\Theta}(\theta)=f_{\Theta\mid\mathbf{X}}(\theta\mid\mathbf{x})f_{\mathbf{X}}(\mathbf{x}). \]\(X_{n+1}\) 的密度函数为
\[f_{X_{n+1}\mid\mathbf{X}}(x_{n+1}\mid\mathbf{x})=\int_{\theta\in\Omega_{\Theta}}f_{X_{n+1}\mid\Theta}(x_{n+1}\mid\theta)f_{\Theta\mid\mathbf{X}}(\theta\mid\mathbf{x}){\rm d}\theta. \]\(X_{n+1}\) 的预测值可以采用给定 \(\mathbf{X}=\mathbf{x}\) 的条件下 \(X_{n+1}\) 的条件期望来描述，即
\[\mathbb{E}\left[X_{n+1}\mid\mathbf{X}=\mathbf{x}\right]=\int_0^\infty x_{n+1}f_{X_{n+1}\mid\mathbf{X}}(x_{n+1}\mid \mathbf{x}){\rm d}x_{n+1}=\mathbb{E}\left[\mu_X(\Theta)\mid\mathbf{x}\right]. \]三、贝叶斯方法例题
首先给出一个两点分布-贝塔分布的例题。
假设总体 \(X\) 服从两点分布 \(X\sim B(1,\theta)\) ，参数 \(\theta\) 为随机变量 \(\Theta\) 的取值，其分布为 \(\Theta\sim {\rm Be}(\alpha,\beta)\) 。又设 \(\mathbf{X}=(X_1,X_2,\cdots,X_n)\) 是从总体 \(X\) 中抽取的简单随机样本，设 \(\mathbf{x}=(x_1,x_2,\cdots,x_n)\) 是该样本的一组观测值。
(1) 计算给定样本 \(\mathbf{X}=\mathbf{x}\) 的条件下 \(\Theta\) 的后验分布。
首先计算条件概率密度为
\[f_{\mathbf{X}\mid\Theta}(\mathbf{x}\mid \theta)=\prod_{i=1}^n\theta^{x_i}(1-\theta)^{1-x_i} ,\quad x_i=0,1. \]参数 \(\Theta\) 的密度函数为
\[f_{\Theta}(\theta)=\frac{\theta^{\alpha-1}(1-\theta)^{\beta-1}}{\Beta(\alpha,\beta)}, \]计算 \(\mathbf{X}\) 和 \(\Theta\) 的联合分布为
\[f_{\mathbf{X},\Theta}(\theta,\mathbf{x})=f_{\mathbf{X}\mid\Theta}(\mathbf{x}\mid \theta) f_\Theta(\theta)=\frac{\theta^{\alpha+\sum_{i=1}^nx_i-1}(1-\theta)^{\left(\beta-\sum_{i=1}^nx_i+n\right)-1}}{\Beta(\alpha,\beta)}. \]得出 \(\mathbf{X}\) 的分布为
\[f_{\mathbf{X}}(\mathbf{x})=\frac{1}{\Beta(\alpha,\beta)}\int_0^1 \theta^{\alpha+\sum_{i=1}^nx_i-1}(1-\theta)^{\left(\beta-\sum_{i=1}^nx_i+n\right)-1}{\rm d}\theta=\frac{\Beta(\alpha+n\bar{x},\beta-n\bar{x}+n)}{\Beta(\alpha,\beta)}. \]计算 \(\Theta\) 的后验分布为
\[f_{\Theta\mid\mathbf{X}}(\theta\mid\mathbf{x})=\frac{f_{\mathbf{X},\Theta}(\theta,\mathbf{x})}{f_{\mathbf{X}}(\mathbf{x})}=\frac{\theta^{\alpha+n\bar{x}-1}(1-\theta)^{\left(\beta-n\bar{x}+n\right)-1}}{\Beta(\alpha+n\bar{x},\beta-n\bar{x}+n)}. \]该后验分布仍为贝塔分布 \(\Theta\mid\mathbf{X}\sim {\rm Be}(\alpha+n\bar{x},\beta-n\bar{x}+n)\) 。
(2) 计算后验分布的均值。
由之前的讨论可知，后验分布仍为贝塔分布，其参数分别为
\[\alpha^*=\alpha+n\bar{x} ,\quad \beta^*=\beta+n-n\bar{x}, \]因此，后验分布的均值为
\[\mathbb{E}\left[\Theta\mid\mathbf{x}\right]=\frac{\alpha^*}{\alpha^*+\beta^*}=\frac{\alpha+n\bar{x}}{\alpha+\beta+n}. \](3) 计算给定样本 \(\mathbf{X}=\mathbf{x}\) 的条件下，下一期风险损失 \(X_{n+1}\) 的期望值。
由于 \(X\) 服从两点分布 \(B(1,\theta)\) ，所以
\[\mu_X(\Theta)=\mathbb{E}\left[X\mid\Theta\right]=\Theta. \]给定 \(\mathbf{X}=\mathbf{x}\) 的条件下 \(X_{n+1}\) 的条件期望为
\[\mathbb{E}\left[X_{n+1}\mid\mathbf{X}=\mathbf{x}\right]=\mathbb{E}\left[\mu_X(\Theta)\mid\mathbf{x}\right]=\mathbb{E}\left[\Theta\mid\mathbf{x}\right]=\frac{\alpha+n\bar{x}}{\alpha+\beta+n}. \]从中可以分离得到贝叶斯信度估计：
\[\frac{\alpha+n\bar{x}}{\alpha+\beta+n}=\frac{\alpha+\beta}{\alpha+\beta+n}\times\frac{\alpha}{\alpha+\beta}+\frac{n}{\alpha+\beta+n}\times\bar{x}. \]其中信度因子为 \(z=n/(\alpha+\beta+n)\) 。
下面给出一个二项分布-贝塔分布的例题。
假设总体 \(X\) 服从二项分布 \(X\sim B(2,\theta)\) ，设 \(\mathbf{X}=(X_1,X_2,\cdots,X_n)\) 是来自总体 \(X\) 的一个简单随机样本，如果参数 \(\theta\) 为随机变量 \(\Theta\sim {\rm Be}(\alpha,\beta)\) 的取值。
(1) 计算后验分布的均值。
可以验证，\(\Theta\) 的后验分布为 \({\rm Be}(\alpha+n\bar{x},\beta+2n-n\bar{x})\) ，所以后验分布的均值为
\[\mathbb{E}\left[\Theta\mid\mathbf{x}\right]=\frac{\alpha+n\bar{x}}{\alpha+n\bar{x}+\beta+2n-n\bar{x}}=\frac{\alpha+n\bar{x}}{\alpha+\beta+2n}. \](2) 计算给定样本 \(\mathbf{X}=\mathbf{x}\) 的条件下 \(X_{n+1}\) 的预测值。
由于 \(X\) 服从二项分布 \(B(2,\theta)\) ，所以
\[\mu_X(\Theta)=\mathbb{E}\left[X\mid\Theta\right]=2\Theta. \]给定 \(\mathbf{X}=\mathbf{x}\) 的条件下 \(X_{n+1}\) 的条件期望为
\[\mathbb{E}\left[X_{n+1}\mid\mathbf{X}=\mathbf{x}\right]=\mathbb{E}\left[\mu_X(\Theta)\mid\mathbf{x}\right]=\mathbb{E}\left[2\Theta\mid\mathbf{x}\right]=\frac{2\left(\alpha+n\bar{x}\right)}{\alpha+\beta+n}. \]记信度因子为 \(z=2n/(\alpha+\beta+2n)\) ，则可以得到贝叶斯信度估计：
\[\frac{2\left(\alpha+n\bar{x}\right)}{\alpha+\beta+n}=\frac{\alpha+\beta}{\alpha+\beta+2n}\times\frac{2\alpha}{\alpha+\beta}+\frac{2n}{\alpha+\beta+2n}\times\bar{x}. \]
最后给出一个泊松分布-伽马分布的例题。
假设索赔次数 \(X\sim P(\lambda)\) ，其先验分布 \(\Lambda\sim\Gamma(\alpha,\beta)\) ，现有 \(n\) 个样本 \(\mathbf{X}=(X_1,X_2,\cdots,X_n)\) ，给出下一年索赔次数 \(X_{n+1}\) 的预测值。
由后验分布可知
\[\begin{aligned} \mathbb{E}\left[X_{n+1}\mid\mathbf{X}=\mathbf{x}\right]&=\mathbb{E}\left[\mu_X(\Lambda)\mid\mathbf{x}\right] \\ \\ &=\mathbb{E}\left[\mathbb{E}\left[X\mid\Lambda\right]\mid\mathbf{x}\right] \\ \\ &=\mathbb{E}\left[\Lambda\mid\mathbf{x}\right] \\ \\ &=\left(\alpha+n\bar{x}\right)\frac{\beta}{n\beta+1} \\ \\ &=\frac{n\beta}{n\beta+1}\bar{x}+\frac{1}{n\beta+1}\alpha\beta. \end{aligned} \]从上面的分解中可以看出
\[\widehat{X}_{n+1}=z\bar{x}+(1-z)\mathbb{E}(X), \]其中信度因子为 \(z=n\beta/(n\beta+1)\) ，先验均值为 \(\mathbb{E}(X)=\alpha\beta\) ，经验均值为 \(\bar{x}\) 。
第二节 有限波动信度
一、完全信度的判别准则
在灾害保险等领域中，往往要根据风险因素对风险进行分类。考虑其中的一个类别，假设已经收集到某个时期的观察值。
存在的两个问题是：(1) 所收集到的资料对后期保费的决定是否能够完全依赖，换句话说，在决定保费的时候，是否还需要依赖其他的一些信息，如其他风险类别的资料等；(2) 多少样本量是经典信度理论方法决定完全信度所需要的最小样本量。事实上，这依赖于损失度量的选择。
有限波动信度旨在控制数据中随机波动对估计的影响，其数学判别准则如下：对于风险 \(S\) ，给定一个置信度为 \(1-\alpha\) ，以及常数 \(k\) ，要求 \(S\) 在均值附近波动的概率大于 \(1-\alpha\) ，即
\[{\rm Pr}\left(\mu_S-k\mu_S\leq S\leq \mu_S+k\mu_S\right)\geq 1-\alpha. \]对给定的 \(k\) 和 \(1-\alpha\) ，使上式成立所需要的最小样本量即为完全信度所需要的样本量。此时计算信度保费可采用 \(z=1\) ，即为完全信度。
二、完全信度
(1) 索赔次数的完全信度
假设索赔次数为随机变量 \(N\) ，均值为 \(\mu_N\) ，方差为 \(\sigma_N^2\) 。对给定的 \(k\) 和 \(1-\alpha\) ，则 \(N\) 在其均值附近波动的概率为
\[{\rm Pr}\left(\mu_N-k\mu_N\leq N\leq \mu_N+k\mu_N\right)={\rm Pr}\left(-\frac{k\mu_N}{\sigma_N}\leq\frac{N-\mu_N}{\sigma_N}\leq \frac{k\mu_N}{\sigma_N}\right). \]假设 \(\frac{N-\mu_N}{\sigma_N}\) 服从标准正态分布，要求覆盖的概率为 \(1-\alpha\) ，则有
\[{\rm Pr}\left(-\frac{k\mu_N}{\sigma_N}\leq\frac{N-\mu_N}{\sigma_N}\leq \frac{k\mu_N}{\sigma_N}\right)\approx 2\Phi\left(\frac{k\mu_N}{\sigma_N}\right)-1=1-\alpha. \]如果 \(N\sim P(\lambda_N)\) ，则 \(\mu_N=\lambda_N,\ \sigma_N=\sqrt{\lambda_N}\) ，此时完全信度需要满足的条件是
\[\frac{k\mu_N}{\sigma_N}=k\sqrt{\lambda_N}\geq z_{\alpha/2} \quad \Longrightarrow \quad \lambda_N\geq \left(\frac{z_{\alpha/2}}{k}\right)^2\xlongequal{def}\lambda_F. \]即如果索赔次数发生的频率比较大，则可以采用完全信度。
(2) 索赔额的完全信度
假设索赔额为随机变量 \(X\) ，均值为 \(\mu_X\) ，方差为 \(\sigma_X^2\) 。现收集到 \(n\) 个样本 \(X_1,X_2,\cdots,X_n\) ，则可用样本均值 \(\bar{X}\) 去估计均值 \(\mu_X\) ，计算 \(\bar{X}\) 的均方误差为
\[{\rm Mse}(\bar{X})=\mathbb{E}\left[\bar{X}-\mathbb{E}(X)\right]^2=\frac{\sigma_X}{\sqrt{n}}. \]则 \(X\) 在样本均值 \(\bar{X}\) 附近波动的概率为
\[{\rm Pr}\left(\mu_X-k\mu_X\leq\bar{X}\leq\mu_X+k\mu_X\right)={\rm Pr}\left(-\frac{k\mu_X}{\sigma_X/\sqrt{n}}\leq\frac{\bar{X}-\mu_X}{\sigma_X/\sqrt{n}}\leq\frac{k\mu_X}{\sigma_X/\sqrt{n}}\right). \]假设 \(\frac{\bar{X}-\mu_X}{\sigma_X/\sqrt{n}}\) 为标准正态分布，要求覆盖的概率为 \(1-\alpha\) ，则
\[{\rm Pr}\left(-\frac{k\mu_X}{\sigma_X/\sqrt{n}}\leq\frac{\bar{X}-\mu_X}{\sigma_X/\sqrt{n}}\leq\frac{k\mu_X}{\sigma_X/\sqrt{n}}\right)=2\Phi\left(\frac{k\mu_X}{\sigma_X/\sqrt{n}}\right)-1=1-\alpha. \]此时完全信度需要满足的条件是
\[\frac{k\mu_X}{\sigma_X/\sqrt{n}}\geq z_{\alpha/2} \quad \Longrightarrow \quad n\geq\left(\frac{z_{\alpha/2}}{k}\right)^2\left(\frac{\sigma_X}{\mu_X}\right)^2\xlongequal{def}\lambda_FC_X^2. \]即当样本量充分大时，可以采用完全信度。
(3) 聚合风险的完全信度
假设聚合风险为 \(S=\sum_{i=1}^NX_i\) ，其中索赔次数 \(N\sim P(\lambda_N)\) ，计算可得
\[\mu_S=\lambda_N\mu_X,\quad \sigma_S^2=\lambda_N\left(\sigma_X^2+\mu_X^2\right). \]类似于索赔额和索赔次数，假设 \(\frac{S-\mu_S}{\sigma_S}\) 服从标准正态分布，要求覆盖的概率为 \(1-\alpha\) ，则有
\[{\rm Pr}\left(-\frac{k\mu_S}{\sigma_S}\leq\frac{S-\mu_S}{\sigma_S}\leq \frac{k\mu_S}{\sigma_S}\right)\approx 2\Phi\left(\frac{k\mu_S}{\sigma_S}\right)-1=1-\alpha. \]此时完全信度需要满足的条件是
\[\frac{k\mu_S}{\sigma_S}=\frac{k\lambda_N\mu_X}{\sqrt{\lambda_N\left(\sigma_X^2+\mu_X^2\right)}}=\frac{k\sqrt{\lambda_N}\mu_X}{\sqrt{\sigma_X^2+\mu_X^2}}\geq z_{\alpha/2}, \]即如果 \(\lambda_N\) 满足下面的条件时，可采用完全信度
\[\lambda_N\geq\left(\frac{z_{\alpha/2}}{k}\right)^2\left(\frac{\sigma_X^2+\mu_X^2}{\mu_X^2}\right)=\lambda_F(1+C_X^2)=\lambda_F+\lambda_FC_X^2. \]即聚合损失的完全信度 \(=\) 索赔次数的完全信度 \(+\) 索赔额的完全信度。
注意：这里都采用了最简单的正态分布去近似 \(N,\bar{X}\) 或 \(S\) 的分布，如果采用平移伽马分布或 NP 近似方法，同样可以得出完全信度的类似结果。
三、部分信度
(1) 索赔次数的部分信度
假设 \(\frac{N-\mu_N}{\sigma_N}\) 服从标准正态分布，设信度因子为 \(z\) ，要求覆盖的概率为 \(1-\alpha\) ，则有
\[{\rm Pr}\left(-\frac{k\mu_N}{z\sigma_N}\leq\frac{N-\mu_N}{\sigma_N}\leq \frac{k\mu_N}{z\sigma_N}\right)\approx 2\Phi\left(\frac{k\mu_N}{z\sigma_N}\right)-1=1-\alpha. \]这是因为在完全信度条件下，随机变量 \(N\) 在其均值附近波动的概率小于 \(1-\alpha\) ，因此我们采用部分信度方法，需要扩大这个区间，使得 \(N\) 落入这个区间的概率等于 \(1-\alpha\) 。最简单的方法是直接将该区间扩大到原来的 \(1/z\) 倍，其中 \(z\) 是信度因子，满足 \(0<z<1\) 。
如果 \(N\sim P(\lambda_N)\) ，则 \(\mu_N=\lambda_N,\ \sigma_N=\sqrt{\lambda_N}\) ，此时部分信度的信度因子为
\[\frac{k\mu_N}{z\sigma_N}=\frac{k\sqrt{\lambda_N}}{z}=z_{\alpha/2} \quad \Longrightarrow \quad z=\left(\frac{k}{z_{\alpha/2}}\right)\sqrt{\lambda_N}=\sqrt{\frac{\lambda_N}{\lambda_F}}. \](2) 索赔额的部分信度
假设 \(\frac{\bar{X}-\mu_X}{\sigma_X/\sqrt{n}}\) 为标准正态分布，设信度因子为 \(z\) ，要求覆盖的概率为 \(1-\alpha\) ，则有
\[{\rm Pr}\left(-\frac{k\mu_X}{z\sigma_X/\sqrt{n}}\leq\frac{\bar{X}-\mu_X}{\sigma_X/\sqrt{n}}\leq\frac{k\mu_X}{z\sigma_X/\sqrt{n}}\right)=2\Phi\left(\frac{k\mu_X}{z\sigma_X/\sqrt{n}}\right)-1=1-\alpha. \]此时部分信度的信度因子为
\[\frac{k\mu_X}{z\sigma_X/\sqrt{n}}=z_{\alpha/2} \quad \Longrightarrow \quad z=\frac{k\mu_X}{z_{\alpha/2}\sigma_X/\sqrt{n}}=\sqrt{\frac{n}{\lambda_FC_X^2}}. \](3) 聚合风险的部分信度
假设 \(\frac{S-\mu_S}{\sigma_S}\) 服从标准正态分布，设信度因子为 \(z\) ，要求覆盖的概率为 \(1-\alpha\) ，则有
\[{\rm Pr}\left(-\frac{k\mu_S}{z\sigma_S}\leq\frac{S-\mu_S}{\sigma_S}\leq \frac{k\mu_S}{z\sigma_S}\right)\approx 2\Phi\left(\frac{k\mu_S}{z\sigma_S}\right)-1=1-\alpha. \]此时部分信度的信度因子为
\[\frac{k\mu_S}{z\sigma_S}=\frac{k\sqrt{\lambda_N}\mu_X}{z\sqrt{\sigma_X^2+\mu_X^2}}=z_{\alpha/2} \quad \Longrightarrow \quad z=\frac{k\sqrt{\lambda_N}\mu_X}{z_{\alpha/2}\sqrt{\sigma_X^2+\mu_X^2}}=\sqrt{\frac{\lambda_N}{\lambda_F(1+C_X^2)}}. \]例如：某一段时间内一组共有 \(18600\) 个保单组成的保单组合，对其中的 \(896\) 次索赔进行观察，每次索赔的平均损失为 \(45\) ，方差为 \(5067\) 。设完全信度依据覆盖均值的 \(90\%\) 的概率为 \(98\%\) ，即指定参数分别为 \(k=0.1\) 和 \(1-\alpha=0.98\) 。假设保单索赔次数为泊松分布，每份保单索赔次数的均值为 \(0.09\) 。计算下一期索赔次数、索赔额和聚合索赔的完全信度或部分信度。
(1) 保单组合的索赔次数 \(N\) 服从参数为 \(\lambda_N=18600\times0.09=1674\) 的泊松分布，当 \(\alpha=0.02\) 时，查正态分布表可得 \(z_{0.01}=2.3263\) ，于是
\[\lambda_F=\left(\frac{2.3263}{0.1}\right)^2=541.17<\lambda_N=1674. \]故满足完全信度的条件，故索赔次数是完全信度 \(z=1\) 。
(2) 计算索赔额的变异系数为
\[C_X=\frac{\sigma_X}{\mu_X}=\frac{\sqrt{5067}}{45}=1.5818. \]所以索赔额的完全信度需要的样本量为
\[\lambda_FC_X^2=541.17\times1.5818^2=1354.13>n=896, \]没有达到完全信度的条件，故需要计算部分信度，信度因子为
\[z=\sqrt{\frac{896}{1354.13}}=0.8134. \](3) 计算聚合风险完全信度的条件为
\[\lambda_F(1+C_X^2)=541.17+1354.13=1895.3>\lambda_N=1674, \]没有达到完全信度的条件，故需要计算部分信度，信度因子为
\[z=\sqrt{\frac{1674}{1895.3}}=0.9398. \]
标签：11,mathbf,信度,frac,精算,mu,alpha,Theta 来源： https://www.cnblogs.com/lixddd/p/16305294.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。