第一篇：淺析相對差損失函數下的保費估計論文

模型的基本假設

大多數保費原理都具有正的安全負荷，常見的保費原理有期望值原理、指數保費原理、Esscher 保費原理、修正方差原理、條件尾期望保費原理、修正條件尾期望保費原理、Kamp 保費原理等。本文在相對差損失函數下得出了風險保費的信度估計和經驗Bayes 保費估計。

全文作如下假設，對隨機變量X 的函數求期望時，均假設該期望存在。

定義：對隨機變量X，若用a 來估計，損失函數為：

L（X，a）=（1—aX）2（*）

稱上式為相對差損失函數。

定理1 若取損失函數（*），求解最優化問題

minP∈R E[L（X，P）]=minP∈R E（1—PX）2，得到最優保費P= E（X—2）E（X—1）。

證記φ=E（1—PX）2，則墜φ墜P =2E（1—PX）（—1P X P），令墜φ墜P =0 得E（1X）=E（PX2），于是P= E（X—2）E（X—1），即得證。

根據定理1 保證了風險隨機變量X 最佳的估計是在相對差損失函數下給出的最優保費P，我們通常稱此種保費為聚合估計，記為H（X），此保費是在相對差損失函數下得到的。

給定風險參數Θ 的條件下，作以下假定：

假定1 風險參數Θ 可以識別非負隨機變量X，并且π（θ）是風險參數Θ 的先驗分布。

假定2 給定Θ=θ，隨機列X1，X2，…，Xn 是獨立的，與X 是同分布的，并且有同樣的分布函數FX（x，θ），記Xn=（X1，X2，…，Xn），表示到時刻n 為止的索賠經歷。風險保費的估計

定理2 如果已知風險參數Θ，那么我們就能用一個函數P（θ）來預測Xn+1（未來的索賠），在相對差損失函數（*）下，求解：

minP（θ）E[L（Xn+1，P（θ））|θ]=minP（θ）E[（1— P（θ）Xn+1）2|θ]，得到P（θ）= E（X—2n+1）E（X—1n+1）。證記ψ=E[（1— P（θ）Xn+1）2|θ]，則墜ψ墜P =E 2（1— P（θ）Xn+1）（—1Xn+1P）|θ P，令墜ψ墜P=0，定理即得證。

函數P（θ）通常叫做風險隨機變量X 的風險保費，在實際問題中因為風險參數是未知的，所以保費P（θ）也是不知道的，因此可以通過樣本估計P（θ）。

當n=0 時，也就是索賠樣本沒有的情況下，這時的風險保費P（θ）我們可以通過一個實數P 來估計，要讓相對差損失函數（*）達到最小，也就是下面最優化的問題：

minP∈R E[L（P（θ），P）]=minP∈R E（1— P（θ）PP）P 2，得到P= E[P—2（θ）]E[P—1（θ）]。通過觀察風險X 的索賠樣本Xn，就需要根據樣本的一個函數來構造風險保費估計。記表示樣本Xn 所有的可測函數構成的一個集合，在這個集合中，我們考慮最小化的問題：

H1（Xn）= minH（Xn）∈E[L（P（θ），H（Xn））]= minH（Xn）∈E 1— H（Xn）θ P（θ）θ2 P P（1）

定理3 最優化（1）式，得到最優預測為H1（Xn）= E[P—（1 θ）]E[P—（2 θ）]，稱H1（Xn）為相對差損失函數（*）下的Bayes 保費。

證由Bayes 定理可知，最優化（1）式只需在后驗分布下達到最小，記ψ=E 1— H（Xn）θ P（θ）θ2| Xn P P，令墜ψ墜H=0，得到下面的正規方程：

E 2 1— H（Xn）θ P（θ）θ— 1θP（θ）θ| Xn P P=0，化簡后定理即得證。H1（Xn）是風險保費在相對差損失函數（*）下最優的估計，這里我們稱之為Bayes 估計。在一些分布的假定下，Bayes 估計可以得到更加簡單的式子，但是一般來說Bayes 估計H1（Xn）的表達式都會復雜，甚至有些可能根本沒有顯示函數的形式。我們看下面的例子。

例設X1，X2，…，Xn，Xn+1 在風險參數Θ=θ 給定時為獨立同分布的隨機變量，且Xi ~ U（1，θ），θ ~ U（2，3），則f（X| Θ）= 1θ—1，π（θ）=1，那么，風險保費為

P（θ）= E[X—2| Θ]E[X—1| Θ] =θ1 乙x—2f（X|θ）dxθ1 乙x—1f（X|θ）dx= 1—θθlnθ，而π（θ| Xn）=（1—n）（θ—1）—n2—n+1，因此Bayes 估計為H1（Xn）= E[P—（1 θ）]E[P—（2 θ）]= 2—n+1（1—n）32 乙（θ—1）—n+1θlnθdθ。結論

本文研究了相對差保費原理下風險保費的信度估計問題。利用了損失函數法，將相對差保費原理定義為相對差損失函數下風險的最優估計。利用保費計算原理，引入相對差損失函數得到了下一期的信度保費計算公式，從而得出Bayes 保費。