05-2 最精确信度理论.pptVIP

最精确信度理论(Greatest accuracy credibility theory) 孟生旺 中国人民大学统计学院 一、引言 也称作最小二乘信度理论：Least Squares Credibility。 信度因子的基本公式： 其中： n 为个体风险的规模（风险单位数） v 表示个体风险自身的变异性（过程方差的均值） a 表示个体风险之间的变异性（假设均值的方差） 关于信度因子的一些直观解释： 个体风险之间的变异性？（组间差异）：个体风险之间的变异性越大，个体风险的经验数据的可信度越高。 个体风险自身的变异性？（组内差异）：个体风险自身的变异性越大，其经验数据的可信度越低。 如何度量变异性的大小？看上述两个变异性之间的相对水平如何。不是绝对变异性。 假设： 保单持有人在过去n年的索赔经验： 手册费率：m 索赔经验表明，手册费率不适用（ 完全不同于m）。 问题：如何厘定保单持有人下年的纯保费？ Buhlman模型 Buhlman-Straub模型 二、贝叶斯保费 假设： 个体风险的风险水平用风险参数q 表示。 不同个体风险的q是不同的；假设q 服从密度函数p(q)； 尽管个体风险的q 值是未知的，但假设p(q)是已知的； 在给定q 的条件下，损失经验 之间相互独立。 保单在第n+1年的损失记为Xn+1。 问题：第n+1年的保费应为多少？即对于给定的风险q， 如何求得Xn+1的条件分布？ 出路：因为已知保单在过去n年的损失经验，因此可以求Xn+1的条件分布： 注：此分布被称作预测分布（predictive distribution） 贝叶斯保费：预测分布的均值 定理：贝叶斯保费可以表示为假设均值的条件期望： 三、信度保费 基本问题：估计给定个体风险在下年的纯保费 。 现有信息：过去n年的损失观察值为 一种建议（Buhlmann, 1967）：用观察数据的一个线性函数 估计假设均值 目标函数：参数 应使均方误差达到最小： 注：上述期望值基于 的联合密度函数，即均方误差是关于所有可能的Q值和观察值求平均。 参数估计 为最小化Q，对a0求偏导： 令上式等于0并化简得： 由于集体保费为 所以 此式被称作无偏方程（unbiasedness equation），因为它要求 是集体保费 的无偏估计量。 上式提供了求解 的一个方程。 注意： 估计量 可能是 的有偏估计量。 这种偏差在不同个体风险之间可以相互抵消。 接受这种偏差，可以在整体上降低均方误差。 对 ，令 化简得 上式左边可以表示为（证明件下页） 得到正则方程组（normal equations）: 由此正则方程组可解出 ，进而求得信度保费为 由此可见，Buhlmann信度保费为 ，其中 当 时， ，信度保费更加依赖于个体风险 的损失经验。 如果风险类别是接近同质的，组间差异a很小，这时 k 将趋于无穷，信度因子趋于0。 当风险类别具有明显的异质性时，k 接近于0，信度因子趋于1。 例：设个体风险的索赔次数 是独立同 分布的泊松随机变量，参数为Q ，而Q又是一个Gamma分布，参数为 a 和 b，求个体风险的信度保费（假设索赔强度为1）。 解：由于 服从泊松分布，因此，对于给定的个体风险q， 因此， 于是， 因此Buhlmann信度保费为 五、Buhlmann-Straub模型 Buhmann模型存在的问题：没有考虑个体风险的规模在各年可能发生的变化，如： 车队的车辆数 团体的工资总额 团体的雇员人数 Buhlmann-Straub模型是对Buhmann模型的扩展。 假设：给定Q=q，平均每个风险单位的损失X1,…,Xn 相互独立，具有相同的条件均值（即平均每个风险单位的纯保费相同）： 但条件方差不相同，与风险单位数mj成反比：