第九章风险理论
下面是小编为大家整理的第九章风险理论,供大家参考。
第九章
风险理论
风险理论是精算科学的主要组成部分之一,它是对保险公司的经营情况进行分析、管理和控制,从而为制定合理的保费及早期预则提供帮助。同时,从保险中发展起来的风险理论也同样适用于经济的其它领域,如:将保险公司作为一个投资者,其投资行为也可以用风险理论中的模型来描述。从 1693 年 Edmund Hally 编制出第一张完整的生命表,到 1738 年Daniel Bernoulli 提出期望效用理论, 到上个世纪初,Filip Lundberg 和 Harald Cramer 用随机模型来描述保险公司的业务情况,至今,风险理论经历了个体风险理论,聚合风险理论和现代风险理论等几个发展阶段,已成为概率论与数理统计在保险中的一门应用学科。
从概率论的角度来看,风险本身就是一个随机变量(一般是非负的)。
因此,风险模型就是一个关于损失或理赔 X 的随机模型。风险模型是保险产品,尤其是非寿险产品设计及保险经营的理论基础。保费的定价主要取决于风险 X 的概率结构,尤其是其数字特征。对保险机构而言,某种风险的随机损失(理赔)应是该种风险的所有保单的损失之和,记为 S, 即有:
S X 1
X 2
X n
n
X
, (9.0.1)
i1 其中 X i 是保单 i 的损失或理赔量, n 是保单总数或理赔次数。这里的理赔次数就是前面所说的索赔次数。弄清 S 的概率结构是很重要的。对 S
的概率结构的不同假设,便形成了各种 不同的风险模型。按是否考虑时间因素,而将风险模型区分为长期风险模型与短期风险模型; 按保单总数 n
是否随机,而将风险模型区分为聚合风险模型与个别风险模型;按保单总数 n 在所考虑的周期内是否一开始就已知且固定,而将风险模型区分为封闭风险模型和开放风险 模型。
本章介绍了几种主要的风险模型,包括短期个别风险模型,短期聚合风险模型和长期聚合风险模型,并介绍了一些风险理论的应用。
§ 9.1 短期个别风险模型
短期个别风险模型是最为简单的风险模型,它不考虑时间因素,保单总数 n 非随机。为讨论方便,本节假定 X
i 是相互独立的随机变量及模型(9.0.1)是封闭的。我们首先考虑 n=1 的情形,然后考虑 n>1
的情形,研究 S
的概率结构,并结合期望值保费定价原理,讲解其 在保险中的应用。
9.1.1 个别理赔随机变量模型 这是对应于 n=1 这一情形的短期个别风险模型,是最简单的风险模型。设X 是一个周期内的理赔随机变量,B 是这个周期内的理赔总额,I 是表示理赔事件是否发生的指示变量, 即 1 理赔事件发生 I 0 理赔事件未发生 则有
(9.1.1)
S X IB , (9.1.2)
这就是著名的个别理赔随机变量模型。这里, I 所服从的是一个二点分布: i
P{I 1} q , P{I 0} 1 q , q (0,1). (9.1.3)
由全期望与全方差公式, 全期望公式:
E{W } E{E{W | V }}
全方差公式:
Var{W } Var{E{W | V }} E{Var{W | V }} , 可以导出(9.1.2)所定义的X 的均值及方差公式如下: E{X} q (9.1.4)
Var{X} 2 q(1 q) 2 q (9.1.5)
其中 与 2 分别是B 关于I=1 的条件均值与条件方差, 即 E{B | I 1} , 2
Var{B | I 1} (9.1.6)
模型(9.1.2)是一个较为一般的风险模型。该模型可应用于短期的人寿保险、健康保险、 汽车保险以及其它财产与责任保险等的产品设计。
例 例
9.1.1
考虑人寿保险产品,设在一年期人寿保险(1-year term life insurance)中,若被保人在保单签出的一年内死亡,则承保人将支付受益人一笔金额 b; 否则将不发生赔付。设每个被保人在一年内死亡的概率皆为q,即对每个被保人来说,承保人遭到索赔的概率为 q, 则每个被保人的实际索赔金额X 为 X = bI,其中 1 被保人死亡 I 0 被保人未死亡 且 P{I 1} q,P{I 0} 1 q 。于是,我们有
E{X } bE{I} bq , Var{X } b 2 Var{I} b 2 q(1 q) .
例 例
9.1.2 考虑这样的人寿保单: 若被保人在一年内因意外事故死亡,则赔偿5 万元;而 因非意外事故死亡,则赔偿 2.5 万元。设该人群内因意外事故及非意外事故的死亡(概)率分别为 0.0005 及 0.002,即 P{I 1, B 5} 0.0005,P{I 1, B 2.5} 0.002 ,
其中
1 被保人死亡, I 0 被保人未死亡。
每个被保人的实际索赔金额为X=BI。试计算 E{X } 及 Var{X } 。
解 解
首先计算I 的边缘概率分布。由全概率公式,我们有 q P{I 1} P{I 1, B 5} P{I 1, B 2.5} 0.0005 0.002 0.0025 ,
P{I 0} 1 P{I 1} 0.9975 。
于是,可得B 关于 I=1 的条件概率分布
P{B 2.5 | I 1} P{I 1, B 2.5} 0.8 , P{I 1} P{B 5 | I 1} 及其条件均值 与条件方差 2 :
P{I 1, B 5} 0.2 , P{I 1}
E{B | I 1} 2.5 0.8 5 0.2 3 , 2 Var{B | I 1} (2.5 3) 2 0.8 (5 3) 2 0.2 1 。这样, 由公式(9.1.4)及(9.1.5),可得 E{X} q 3 0.0025 0.0075(万元) ,
Var{X} 2 q(1 q) 2 q 0.0249(万元) 2 . 例 例
9.1.3 考虑这样一种汽车保险。假定免赔额为 250 元,最高索赔额为 2000 元。为简单起见,
暂且假定对某个特定的个人,
发生一次索赔的概率为 0.15,发生 2 次及 2 次以上的 概率为 0,即 P{I 0} 0.85,P{I 1} 0.15 。记 B 为一旦事故发生时对被保人的赔偿, 并假定: P{B 2000 | I 1} 0.1 ,在 0 B 2000 之间关于 I=1 的条件分布是连续的, 且条件概率密度 f B|I (b | 1) 与 1-b/2000 成正比。试计算每个被保人的实际索赔金额X = BI
的均值 E{X} 与方差 Var{X} 。
解 解
我们有q=0.15,B 关于I=1 的条件概率密度为 b
f B|I (b |1) 0.0009(1 ), 2000 0 , 0 b 2000, 其它。
由此可得条件均值 与条件方差 2 如下:
E{B | I 1} 2000 b 0.0009(1 0
b )db 2000 0.1 800 , 2000 2
Var{B | I 1} 2000 (b 800) 2 0.0009(1
b )db (2000 800) 2 0.1. 0 360000 2000 这样, 由公式(9.1.4)及(9.1.5), 我们有 E{X} q 800 0.15 120(元) ,
Var{X} 2 q(1 q) 2 q 800 2 0.15 0.85 360000 0.15
13560( 0 元 2 )
从以上的例子可见,确定理赔额X 的概率结构的关键是确定B 的概率结构。在上面所讨论的例子中,B 是较为简单的。在某些场合,B
可能是复杂的。例如,考虑航空保险中一条航线在一个营运年度里机毁导致的人死亡人数S。我们可从一次航行中可能导致的死亡人数 X 这个随机变量开始,然后按一年的航行次数将这些随机变量相加,即得 S。对于单次航
S w
行,事件I=1 为航行中发生意外的事件,事故中死亡人数B 的模型为 B = LQ, 其中 L 是载客因子,即飞机失事时的机上人数,Q 是机上人员的死亡比例。死亡人数B 按这种方式建模的原因在于,有关L 与 Q 的各自的统计数据比总的有关B 的数据更为现成。这样,我们有 X=ILQ,尽管旅客在飞机失事中的死亡比例与飞机的载客比例也许有关,然后作为初步近似,可假定L 与 Q 独立。
9.1.2 理赔总额 S 的概率分布及其应用 在这个 n>1
的风险模型中,理赔总额 S
是许多被保人个体理赔额之和。前已假定这些 个体的理赔是相互独立的。独立随机变量和 S X
X
X
的概率分布的确定,
可以应 1 2 n 用以下二种方法:
卷积法
设 F 是 X i i 的分布函数(
i 1,2,, n ),
F
(k)
是 X
X
1 2 X k
的分布函
数, F S 是 S 的分布函数, 则有如下递推公式
F (1) F , 1
F ( j)
F * F ( j1) , ( j 2,3,, n), (9.1.7)
j
F F (n) , S
其中F X
件下, * F 是分布F Y X 与F 的卷积运算, 它是 W = X + Y 的分布函数,在 X 和 Y 独立的条 Y
w F
(w y)f (y)dy , 连续分布, F (w) 0 X Y
(9.1.8)
W F (w y)P{Y y}, 离散分布. 0y
X
矩母函数法
设 M (t) 与 M (t) 分别为 S 与 X 的矩母函数, 即 M (t) E{e tS } 及 S i i
M i (t) E{e tX i } , 则有
M (t) n S i 1
M (t) (9.1.9)
i
若将 t 换为 t , 则 M S (t) 是 Laplace 变换, 由矩母函数的连续性及唯一性便可求得S 的概率分布。
P{X 3 x} 0.6 0.0 0.1 0.1 0.1 0.1 s
0
1
2
3
4
5
6
P{S s} F P{S s} S P{S s} F P{S s} S 1
例
9.1.4
随机变量 X
, X
与X 相互独立, 且具有如下表所示的概率分布 1 2 3
x
0
1
2
3
4
5
P{X 1
x} 0.4 0.3 0.2 0.1 0.0 0.0 P{X 2 x}
0.5
0.2
0.1
0.1
0.1
0.0
试用矩母函数导出 S X X X 的概率分布。
1 2 3
解
X
, X 与X 的矩母函数分别为 1 2 3
M (t) E{e tX } 0.4 0.3e t 0.2e 2t 0.1e 3t , 1
M (t) E{e tX 2 } 0.5 0.2e t
0.1e 2t
0.1e 3t
0.1e 4t , 2
M
(t) E{e tX 3 } 0.6 0.1e 2t
0.1e 3t
0.1e 4t
0.1e 5t , 3
于是由 X
, X
与X 的独立性, 得 S 的矩母函数 1 2 3
M (t) E{e tS } M (t)M (t)M (t) S 1 2 3 0.120 0.138e t 0.140e 2t 0.139e 3t 0.129e 4t 0.115e 5t 0.088e 6t
0.059e 7t 0.036e 8t 0.021e 9t 0.010e 10t 0.004e 11t 0.001e 12t
由此可得S 的概率分布:
0.120 0.138 0.140 0.139 0.129 0.115 0.088 0.120 0.258 0.398 0.537 0.666 0.781 0.869 s
7
8
9
10 11 12 0.059 0.036 0.021 0.010 0.004 0.001 0.928 0.964 0.985 0.995 0.999 1.000
当保单总数n 充分大时,我们并不需要计算S 的精确分布。此时,可应用中心极限定理对 S 进行正态逼近:
类别 k
索赔概率 q
索赔额 b
投保数 n
k k k j ,
S E{S} 具有渐近正态分布 N(0,1) (9.1.10)
此式可用来估计一些保险参数。这里, E{S} n
E{X
},
Var{S} n
Var{X
} (9.1.11)
i i i1 i1 其中的 E{X i } 与 Var{X i } 可直接应用(9.1.4)及(9.1.5)式进行计算。为说明正态逼近(9.1.10)的保险应用,请看以下几个例子。
例 例
9.1.5 某保险公司发行一年期的保险金额分别为1 万元与 2 万元的二种人身意外伤害险,索赔概率 q k 及投保人 n k 如下表所示:
金额单位:万元
1
0.02 1
500 2
0.02 2
500 3
0.10 1
300 4
0.10 2
500 保险公司希望使从这 1800 名被保人收取的保费总额超过索赔金额的概率为95%(即只有 5% 的可能使得索赔金额超过所收取的保费总额)。设该公司按期望值原理进行保费定价,即保单 的保费 (X ) (1 )E{X } 试用正态逼近去估计安全附加系数 。
j j
解
计算 S X X X 的均值与方差 1 2 1800
E{S}
18 00E{X
}
4
j
n k b k q k
j1 k1 500 *1* 0.02 500 * 2 * 0.02 300 *1* 0.10 500 * 2 * 0.10 160 ,
Var{S } 18 00Var{ X
}
4
j n
b 2 q k k k (1 q ) k
由此得保费总额 j1 k1 500 *1 2 * 0.02 * 0.98 500 * 2 2 * 0.02 * 0.98 300 *1 2 * 0.10 * 0.90 500 * 2 2 * 0.10 * 0.90 256 , (S) (1 )E{S} 160(1 ). 依题意, 我们有 P{S (1 )E{S}} 0.95 ,于是
P{ S E{S} Var{S} E{S} Var{S} } P{ S E{S} Var{S} 10} 0.95 ,
由(9.1.10), 利用标准正态分布的 95%分位数可得 10 =1.645, 故 =0.1645. 例 例
9.1.6 某保险公司经营汽车保险业务, 所签发的保单由二种险别组成,
其中每类险别的索赔额 B k (k 1,2) 均服从截尾指数分布, 其分布函数分别为 Var{S}
1 0
0
F(x) 0 ,
e k x , 若x 0 , 若0 x L k , 1 , 若x L k
这说明索赔额 B k 的分布是混合型分布,在 0
x
L k
时,概率密度为 f
(x)
k e k x ,
而在点 L k
上的集中概率为 P(B k
L k )
e k L k
。
设每种类别的投保数 n , 索赔概率 q 及 B
的分布参数 , L 如下表所示: k k k k k
投保数 n k
索赔概率 q k
L k 金额单位:万元
B k 的分布参数 类别 k
k L k
1
500 0.10 1 2.5 2
2000 0.05 2 5.0
假定该公司按期望值原理进行保费定价, 即保单 j 的保费 (X j ) (1 )E{X j } , 希望收取的保费总额等于索赔总额分布的 95%分位数。试应用正态逼近去估计安全附加系数 。
解 计算 B k 关于 I k 1 的条件期望 k 与条件方差 k 2
k E{B k | I k 1} L k x k e k x dx L k e k Lk 1 (1 e k L k ) , k
k 2 Var{B k | I k 1} E{B k 2 | I k 1} k 2
L k x 2 k
e k x dx L k
2 e k L k 1 k 2
(1 e k L k ) 2
1 k 2
(1 2 k
L k e k L k e 2 k L k ) ,
据此, 由(9.1.4)和(9.1.5), 并代入表中的数据, 可计算这 n n 1 n 2
2500 份保单索赔额之和, S X 1 X 2 X 2500 的均值 E{S} 与方差 Var{S} 如下:
n 2 E{S} E{X j } n k k q k 95.89 , j1 k 1 Var{S} n 2 Var{X } n ( 2 q (1 q ) 2 q ) 115.78 , j k
k k k k k j1 k 1
5 n 5
这样, 由
0.95 P{S (1 )E{S}} P{ S E{S} E{S} }
Var {S} Var {S}
及(9.1.10), 利用标准正态分布的 95%分位数可得
因此, 解出 E{S} 1.645
即有 0.1846. 1.645 E{S} 1.645
95.89 0.1846 ,
例 例
9.1.7 某保险公司开办 5 种人寿险, 每种险别(一旦被保人死亡)的赔偿额 b k 及投保人数 n k 如下表所示:
类别 k
索赔额(万元)
b k
投保人数 n k
1
1
8000 2
2
3500 3
3
2500 4
5
1500 5
10 500 设死亡是相互独立的, 其概率皆为 0.02. 保险公司为安全起见, 对每位被保人...