第1章 重要精算量的分布、联合分布和Gerber-Shiu期望折扣罚金函数
本章着重讨论几类常用的精算模型,分别研究其某些精算量,在研究方法上除了用概率论、鞅论、方程等数学理论外,主要突出了马尔可夫过程理论的应用.
1.1古典风险模型
设(Ω,F, P)是一个完备概率空间,是具有参数λ(>0)轨道右连续的泊松过程.为独立同分布的随机变量序列,具有共同分布函数 P(x), P(0)=0.期望为μ,方差是σ2.记,S(t)是时间区间(0, t]内的总索赔量, N(t)是索赔次数, Zk 是第 k 次索赔的量,随机过程(简称过程) N 与 Z 独立.
(1.1.1)
是公司的初始准备金,是公司单位时间内的收入, U(t)是时间 t 时公司的余款.
定义1.1.1称为古典风险模型.
在时间区间(0, t]中的平均余额为.
记
(1.1.2)
定义1.1.2ρ称为相对安全系数.
易见当ρ>0时,在以下的研究中可见ρ具有极其重要的意义.在风险理论中,*为关注的事,自然是公司是否会破产,破产的可能性有多大?若破产发生,何时发生?破产发生时公司的赤字有多大?下面我们将讨论这些问题.记
(1.1.3)
定义1.1.3称Ψ(u)为具有初始值 u 的风险过程 U 的破产概率.称为生存概率.当u<0时,显然有Ψ(u)=1.
1.1.1破产概率
1.破产概率的可微性及其所满足的积分-微分方程
Feller (1971, p.183)证明了生存概率Φ(u)的可微性并导出了其所满足的积分-微分方程,下面陈述该证明.
定理1.1.1生存概率Φ(u)是可微的,并满足以下积分-微分方程
(1.1.4)
证明 以 W1表示首次索赔发生的时间,由于破产不可能在[0,W1)时段内出现,因此.
因是轨道右连续的平稳独立增量过程,它具有强马氏性,利用强马氏性,可得.
令 x = u + cs,得
(1.1.5)
上式表明Φ(u)关于 u 可微,将上式两边关于 u 微分,推出(1.1.4)式.
对(1.1.4)式两边关于 u 在区间(0, t)中积分,经整理后得到
(1.1.6)
上式两边令 u →∞,由单调收敛定理可得
(1.1.7)
因,由强大数定理,从而当即ρ>0时,必有.
因此必有随机变量 T(ω),当 t > T(ω)时, U(t,ω)>0,由于在 T(ω)之前泊松过程只可能存在有限个跳点,即 T 之前只可能出现有限次索赔,从而,由此得到Φ(∞)=1,代入(1.1.7)式得
(1.1.8)
这体现出相对安全系数的重要性.
2.例
例1.1.1索赔分布为指数情形:此时 P(x)具有密度函数,(1.1.4)式成为如下形式.
上式两边关于 u 求导得
从而
当ρ>0时,Φ(∞)=1,由(1.1.8)式得.
或
(1.1.9)
3.索赔分布 P(x)为一般分布时破产概率表示
(此段主要取自(Rolski, et al.,1998, p.165—167))
由(1.1.6)和(1.1.7)得,当ρ>0时,
即
(1.1.10)
记Ψ(u)和Φ(u)的拉普拉斯变换分别为和,
(1.1.11)
上述积分对一切α>0有意义.
定理1.1.2当 c >λμ时,有
(1.1.12)
(1.1.13)
其中.
证明由(1.1.5)式知Φ(u)关于 u 是可微的,因而,对α>0有.
在 c >λμ条件下,由(1.1.8)式,
用乘(1.1.4)式两边,关于 u 在(0,∞)区间内积分得.
将代入上式即得(1.1.12)式.再由Ψ(u)=1.Φ(u)立即推出
(1.1.13)式.□
下面将导出破产概率的无穷级数表示.记.
定理1.1.3对μ.0,破产概率Ψ(u)可表示为
(1.1.14)
其中表示 P(u)的 n-重卷积.
证明对(1.1.10)式两边关于变量 u 取拉普拉斯变换得
(1.1.15)
这得到
(1.1.16)
上式表明是一个具有特征的几何组合分布的尾函数的拉普拉斯变换,由函数与其拉普拉斯变换的一一对应关系得到(1.1.14)式.□
(1.1.15)式称为 Pollaczek-Khinchin 公式.
关于破产概率Ψ(u)的渐近公式,可参看(Feller,1971, p.376),这里仅阐述该结果.设 c >λμ,那么.
若存在常数 R >0使
(1.1.17)
可得
R是下述方程
(1.1.18)
的正解.由此可得出
(1.1.19)
上式称为 Cramer-Lundberg 近似.
若 F 为指数分布情形:密度函数为,可求得
(1.1.20)
以下的讨论,总假设分布函数 P(x)具有密度函数 p(x).
1.1.2重要精算量的分布与联合分布
定义∞,若上集空,
(1.1.21)
称 T 为过程 U 的破产时,显然.当 T <∞时, U(T.)称为破产瞬间前的余额,|U(T)|为破产时的亏损.在风险理论中,破产时及其亏损是*受关注的两个量.分别研究这两个量的文献不少,而 Gerber 和Shiu (1997)则首次研究了这两个量的联合分布.从数学研究的角度,他们引入了,该量对研究(T,U(T))的联合分布起着重要作用.因而他们研究了三个量的联合分布.
展开