浅析相对差损失函数下的保费估计.docVIP

浅析相对差损失函数下的保费估计 　　1 模型的基本假设 　　大多数保费原理都具有正的安全负荷，常见的保费原理有期望值原理、指数保费原理、Esscher 保费原理、修正方差原理、条件尾期望保费原理、修正条件尾期望保费原理、Kamp 保费原理等。本文在相对差损失函数下得出了风险保费的信度估计和经验Bayes 保费估计。 　　全文作如下假设，对随机变量X 的函数求期望时，均假设该期望存在。 　　定义：对随机变量X，若用a 来估计，损失函数为： 　　L(X，a)=(1-aX)2 (*) 　　称上式为相对差损失函数。 　　定理1 若取损失函数(*)，求解最优化问题 　　minPisin;R E[L(X，P)]=minPisin;R E(1-PX)2， 　　得到最优保费P= E(X-2)E(X-1)。 　　证记phi;=E(1-PX)2，则坠phi;坠P =2E (1-PX)(-1P X P ) ， 　　令坠phi;坠P =0 得E(1X)=E( PX2 )， 　　于是P= E(X-2)E(X-1)，即得证。 　　根据定理1 保证了风险随机变量X 最佳的估计是在相对差损失函数下给出的最优保费P，我们通常称此种保费为聚合估计，记为H(X)，此保费是在相对差损失函数下得到的。 　　给定风险参数Theta; 的条件下，作以下假定： 　　假定1 风险参数Theta; 可以识别非负随机变量X，并且pi;(theta;)是风险参数Theta; 的先验分布。 　　假定2 给定Theta;=theta;，随机列X1，X2，hellip;，Xn 是独立的，与X 是同分布的，并且有同样的分布函数FX ( x，theta;)，记Xn=(X1，X2，hellip;，Xn)，表示到时刻n 为止的索赔经历。 　　2 风险保费的估计 　　定理2 如果已知风险参数Theta;，那么我们就能用一个函数P(theta;)来预测Xn+1 (未来的索赔)，在相对差损失函数(*)下，求解： 　　minP(theta;)E[L(Xn+1，P(theta;))|theta;]=minP(theta;)E[(1- P(theta;)Xn+1)2|theta;]，得到P(theta;)= E(X-2n+1)E(X-1n+1)。证记psi;=E[(1- P(theta;)Xn+1)2|theta;]，则坠psi;坠P =E 2(1- P(theta;)Xn+1)(-1Xn+1P )|theta; P，令坠psi;坠P=0，定理即得证。 　　函数P(theta;)通常叫做风险随机变量X 的风险保费，在实际问题中因为风险参数是未知的，所以保费P(theta;)也是不知道的，因此可以通过样本估计P(theta;)。 　　当n=0 时，也就是索赔样本没有的情况下，这时的风险保费P(theta;)我们可以通过一个实数P 来估计，要让相对差损失函数(*)达到最小，也就是下面最优化的问题： 　　minPisin;R E[L(P(theta;)，P)]=minPisin;R E(1- P(theta;)PP ) P 2 ，得到P= E[P-2(theta;)]E[P-1(theta;)]。通过观察风险X 的索赔样本Xn，就需要根据样本的一个函数来构造风险保费估计。记表示样本Xn 所有的可测函数构成的一个集合，在这个集合中，我们考虑最小化的问题： 　　H1 ( Xn)= minH(Xn)isin;E[L(P(theta;)，H(Xn))]= minH(Xn)isin;E 1- H(Xn)theta; P(theta;) theta;2 P P(1) 　　定理3 最优化(1)式，得到最优预测为H1 ( Xn )= E[P-(1 theta;)]E[P-(2 theta;)]，称H1 ( Xn )为相对差损失函数(*)下的Bayes 保费。 　　证由Bayes 定理可知，最优化(1)式只需在后验分布下达到最小， 　　记psi;=E 1- H(Xn)theta; P(theta;) theta;2| Xn P P， 　　令坠psi;坠H=0，得到下面的正规方程： 　　E 2 1- H(Xn)theta; P(theta;) theta;- 1theta;P(theta;)theta;| Xn P P=0，化简后定理即得证。H1 ( Xn)是风险保费在相对差损失函数(*)下最优的估计，这里我们称之为Bayes 估计。在一些分布的假定下，Bayes 估计可以得到更加简单的式子，但是一般来说Baye