基于二项分布短期聚合风险模型.docVIP

基于二项分布短期聚合风险模型 　　摘 要：本文重点讨论了索赔次数服从于二项分布的情况下单个险种和多个险种的聚合风险模型，得出了在此情况下求其分布函数的若干方法，并给出聚合理赔量的两种近似模型，正态近似和平移伽马近似。 　　关键词：二项分布；联合分布；聚合风险；理赔额分布；近似模型 　　【中图分类号】 O122.4 【文献标识码】 A 【文章编号】1671-8437（2012）02-0001-02 　　一、引言 　　聚合风险模型是将保单组合视为一个整体，以发生理赔的保单为基本研究对象，理赔总量是按每次理赔发生的时间顺序将所有理赔量累加起来。 　　用N表示谋类保单在单位时间（比如一个会计年度）内发生理赔的次数，用Ci表示该类在此期间第i次理赔的金额，则该类保单在此期间的理赔总量S可表示为： 　　S=C+C+…+C=Ci， N0 0 N=0 （1.1） 　　其中： 　　（1）N取值为非负整数，而且P{N=0}=0，N是与保单组合的理赔发生频率有关的随机变量，一般称之为理赔次数变量。 　　（2）Ci是取值于正数（连续或离散），测量每次独立理赔量额度大小的随机变量，而且P{Ci=0}=0，一般称之为理赔额变量。 　　为了使模型（1.1）在理论上具有可操作性，通常对其有以下的假设： 　　假设1：随机变量N，C1，C2，…CN相互独立。 　　假设2：C1，C2，…具有相同的分布，即Ci都是同质风险，记他们的共同概率分布函数为P（X），概率密度（或概率函数）为 　　p（x），用C表示服从该共同分布的随机变量。 　　在风险理论中一般称模型（1.1）为短期聚合风险模型。对于模型（1.1）我们最为关心的就是聚合理赔量S的分布，也就是研究如何用N的分布和Ci分布来表示S的分布。 　　所以首先要分析N和C分布。对于N，本文中我们选择了二项分布，对于C呢，通常考虑指数分布，对数正态分布和伽马分布等取之于正半实轴的连续分布，这时的S成为复合二项分布。 　　二、理赔次数和理赔额的分布 　　1.理赔次数的分布—— 二项分布 　　我们所讨论的保单组合的索赔次数服从二项分布，设索赔次数N服从二项分布，即 　　p（N=k）=Cp（1-p）， k=0，1，2… （2.1.1） 　　容易计算出N的均值、方差和矩母函数分别为： 　　E（N）=np，var（N）=np（1-p）， Mn（t）=（q+pet）n （2.1.2） 　　2.理赔额的分布 　　对于理赔额分布的估计是获得复合理赔总量分布信息的另一个重要的方面，由于它的多样性和复杂性，我们不可能用一个或几个随机模型就去概括各类损失分布的规律，在概率统计中我们多用离散型分布、连续型分布、混合分布、经验分布来描述理赔分布。常见的有指数分布、对数正态分布、伽马分布等。 　　三、基于二项分布的理赔总量模型 　　用聚合风险描述理赔总量也就是要获得理赔总量S=Ci的概率分布信息，即按讨论顺序可归纳如下三个问题： 　　（1）关于S的概率分布和概率密度； 　　（2）关于S的均值； 　　（3）关于S的概率分布的近似和逼近。 　　1.用卷积法获得的分布 　　首先从分布函数的定义出发，直接计算模型（1.1）的分布函数和分布密度。设S的分布函数Fs（x），则有： 　　Fs（x）=P（S≤x）=P（S≤x| N=n）P（N=n）=P（N=0） 　　+P（N=n）P（C1+C2+…+Cn≤x） （3.1.1） 　　由于C1，C2，…，CN独立同分布，共同概率分布函数为F（x），概率密度函数为P（x），则P（C1+C2+…+Cn≤x）=F*F*…F（x） 　　=F*n（x），将此代入式（3.1.1），并且定义F*n（x）≡1可得： 　　Fs（x）=P（N=n）F*n（x） （3.1.2） 　　相应地，也有S的密度函数fs（x）的表示： 　　fs（x）=P（N=n）p*n（x） （3.1.3） 　　对于离散型随机变量，这里的概率密度理解为p（x）=P{X=x}。 　　2.用矩母函数获得的分布 　　由模型（1.1）以及矩母函数的定义有： 　　Ms（t）=E（ets）=E[E（ets | N）]=E[M（t）]N=E[（e）] 　　=MN[lnM（t）] 　　通过推导，我们可以知晓：若知道Ci与N的矩母函数，就可以计算出S的矩母函数，再由S的矩母函数得到S分布的相关性质。 　　3.用递推性质获得S的分布 　　3.1（ɑ，b，0）分布类定义 　　计算随机变量的概率分布函数Px，若存在常数使得=ɑ+， k=1，2，…成立，则称随机变量N属于（ɑ，b，0）分布类，（ɑ，b，0）分布类是一个两参数分部族，参数分别为ɑ和b。 　　3.2（ɑ，b，0）模型获得S的分布 　　若模型（1.1）中的理赔次数服从（ɑ，b，0）类计数分布，且理赔变量C取值于正整数，则有如