带随机干预的死亡率建模.pdfVIP

2012年 11月 吉林师范大学学报(自然科学版) No．4 第4期 Journal of Jilin Normal University(Natural Science Edition) NOV．2O12 带随机干预的死亡率建模 丁江玲 (安徽工程大学数理学院，安徽 芜湖241000) 摘 要：鉴于我国人口日趋老龄化以及医疗水平的显著改善，地震、流行病等时常发生，死亡率风险成为了每个 保险公司的关注重点．为了适应死亡率的特征，该文主要针对死亡率数据具有跳跃性的特点，引入干预模型刻画 了死亡跳跃带来的影响，最后在Lee—Cater模型基础上建立了一个带随机干预的死亡率模型，使其更加符合对未 来死亡率的预测． 关键词：死亡率风险；干预模型；Lee．Ca~er模型 中图分类号：0211．9 文献标识码：A 文章编号：1674—3873．(2012)04-0043-03 0 引言 众所周知，死亡率风险是保险产品的主要风险，2008年，王晓军、蔡正高 …对死亡率的预测建模方法 进行了小结，指出近期死亡率明显递减，所以学者注重研究的是死亡率改善因子，主要考虑死亡率跳跃的 文章不是很多． 2009年，尚勤、秦学志 用带跳的非均值回复仿射过程刻画死亡强度，能反映死亡率发生的跳跃，但 对离散的死亡率的预测并不适用．2010年，Samuel H．Cox_3 在Lee—Carter模型的基础上考虑了带死亡跳跃 的离散死亡率预测建模．他指出在对死亡率建模时，对于突发事件也不能忽视，因为它们带来的影响往往 是巨大的．本文主要在文献 的基础上引入干预模型，利用干预模型Lee—Carter模型中的时间序列项进行 建模，建立了带跳跃干预的死亡率模型． 1 干预模型在动态死亡率建模中的应用 以2010年Samuel H．Cox建立的带跳跃干扰的死亡率模型为例，他建立的模型是： H( ，t)= ( ，t) ×exp(一K( ， )一D( ，t)+H( ， )) 从文中分析得到，首先干预带来的影响不是直接就体现在数据的差值上，第二，对Fi( )的估计存在 大的困难．而干预模型就是应用于当异常的外部事件影响时间序列时，并且这里的异常外部事件的影响具 有后效性，不能看做异常值进行修匀．而在Lee—Carter模型In(m )= +13 k + 中， 序列就是一组时 间序列项． 所以在对未来死亡率预测时，我们只用分析Lee．Carter模型中带跳跃干扰的 序列，在每个时点引起 的不同 序列的跳跃的影响是可以叠加的，对于发生的频率也是可以叠加的．因此本文将两个干扰即长寿 干扰和死亡干扰同时考虑在一个模型中，对于带来的影响综合到一起由参数反应，参数通过模型拟合判断 可正可负，建立死亡干预模型．下面给出考虑死亡跳跃的死亡率建模． 通过以上分析，我们给出带跳跃干扰的动态死亡率建模： (1)整理历史数据，利用Lee—Carter模型估计出分年龄段的 、 和 序列的值，其中 = 1 ^ ^ ∑lnrh ，k =∑ (1n(rh )一 )，|8 =∑ dxj (1nm 一O／x)／∑ d ，具体求解见文献4． 收稿日期：2012-06—17 基金项目：国家自然科学基金项目，辽宁省高等学校优秀人才支持计划项目(LR2011031) 作者简介：丁江玲(1986一)，女，安徽省安庆市人，现为安徽工程大学数理学院硕士研究生．研究方向：保险精算． · 43· (2)先不考虑异常点，判断k 序列的平稳性，如果不平稳则进行差分处理，直到平稳． (3)利用ARIMA(P，d，q)模型对平稳 序列进行拟合，通过sas软件分析平稳序列的自相关图和偏 自相关图及AIC准则判定模型阶数，进一步估计模型参数． (4)对模型进行残差检验，判断模型是否适应． (5)分析异常