楼主: mingdashike22
1728 43

[量化金融] 基于最优多重停止的最优保险购买策略 [推广有奖]

21楼
能者818 在职认证  发表于 2022-5-5 06:07:10
具有以下特性(显然适用于x的任意幂,在RHS中GIG的最后一个参数中进行适当调整):xfG(x;λ/u,nλ,-1/2) ≡ nufG(x;λ/u,nλ,1/2)。(5) 证据。(引理4.1–4.4)引理4.1的证明可以在(Tweedie,1957,第2节)中找到,引理4.2的结果可以通过比较两个分布的核来看到。引理4.3中的对称性可以通过第三类kp(x)的修正贝塞尔函数的以下特征来看出:=Z+∞经验{-x cosh(t)}cosh(pt)dt(见沃森(1922),第181页)和cosh(-p) =(-1) cosh(p)。最后一个结果,引理4.4,来自引理4.3和密度的简单比较。5.多个保险购买决策的封闭形式多个最优停止规则在本节中,我们给出了一些模型,在这些模型中,可以明确计算最优规则,所有技术证明都推迟到附录中。利用第4节中给出的结果,我们表明,如果我们使用泊松-高斯LDA模型,其中Xn~ IG(λ,u)和N~ P oi(λN),无论在何处考虑全局或局部增益(目标)函数,都可以解析计算累积损失保险单(ALP)和附加点后保险单(PAP)的最佳执行或索赔时间(年)。对于个人损失保单(ILP),当使用收益函数作为停止时间(保险索赔年)的损失之和给出的局部目标函数时,我们建议在投保保单后对损失进行建模,在这种情况下,我们给出停止规则的分析解。另一方面,全局目标函数给出的ILP总损失情况不产生封闭形式的解。

22楼
大多数88 在职认证  发表于 2022-5-5 06:07:13
然而,我们展示了如何使用简单的蒙特卡罗方法来准确估计结果。因为我们假设每年的loss Z(1),Z(T)是相同分布的,我们将用Z表示为r.v.这样的that~ Z(1)。与其他章节一样,SEZ是投保流程;Sn=Pnk=1Xkis为第n个损失的部分总和;pm=P[N=m]是一年内观察到m个损失的概率。收益W将定义为:-eZ,当目标是在公司使用保单(局部最优)时将损失最小化,或Z-eZ,如果要最小化的函数是时间范围[0,T]内的总损失,即(全局最优性)。5.1。累积损失保险单(ALP)对于ALP保险单(见定义2.2),我们可以在投保前对损失的严重程度进行建模。以PMN=1Xn>ALP为条件,投保后的年度损失为PMN=1Xn- 阿尔卑斯山。考虑到这一点,我们可以计算被保险过程的c.d.f.,eZ和随机变量Z的c.d.f-简单5.1.1. 本地风险转移目标:将停站时间的损失降至最低提案5.1(Loca l风险转移案例)。投保流程的cdf和pdf分别由FEZ(z)给出=+∞Xm=1FIG(z+ALP;mu,mλ)Cm+C,(6)feZ(z)=+∞Xm=1nfIG(z+ALP;mu,mλ)CmoI{z>0}+CI{z=0};(7) 其中常数C,C,C。定义为asC:=+∞Xm=1FIG(ALP;mu,mλ)pm+pCm:=FIG(ALP;mu,mλ)pm,m=1,2。在计算了Ez的分布后,我们可以计算E[max{c+W,c}]W.r.t.形式的期望值。损失过程Z,因此,直接应用定理3.5,可以得到累积损失策略下的多重最优停止规则。定理5.2(局部风险转移案例)。使用定理3.5的符号和定义W(t)=-eZ(t),fort=1。

23楼
可人4 在职认证  发表于 2022-5-5 06:07:16
,T多重最优停止规则由(1)中的方程组给出,其中v1,1=-+∞Xm=1厘米muFGIG(ALP;λ/u,mλ,1/2)- ALP FGIG(ALP;λ/u,mλ,-1/2),vL,1=-+∞Xm=1厘米“米uFGIG(vL-1,1+碱性磷酸酶;λ/u,mλ,1/2)- FGIG(ALP;λ/u,mλ,1/2)+ 阿尔卑斯山FGIG(vL-1,1+碱性磷酸酶;λ/u,mλ,-1/2) - FGIG(ALP;λ/u,mλ,-1/2)!+ vL-1.1千兆(vL)-1,1+碱性磷酸酶;λ/u,mλ,-1/2)#,vL,l+1=-+∞Xm=1厘米“米uFGIG(vL-1,l+1- vL-1,l+ALP;λ/u,mλ,1/2)- FGIG(ALP;λ/u,mλ,1/2)- (vL)-1,l- 阿尔卑斯山)FGIG(vL-1,l+1- vL-1,l+ALP;λ/u,mλ,-1/2) - FGIG(ALP;λ/u,mλ,-1/2)!+ vL-1,l+1吉格(vL)-1,l+1- vL-1,l+ALP;λ/u,mλ,-1/2)#- vL-1,lC,vl,l=vl-1,l-1.-+∞Xm=1厘米muFGIG(ALP;λ/u,mλ,1/2)- ALP FGIG(ALP;λ/u,mλ,-1/2).5.1.2. 全球风险转移目标:将[0,T]期间的损失降至最低如果我们假设公司希望将[0,T]期间的总损失降至最低,则通过累积损失保单(ALP)获得的收益由w=Z表示-eZ=NXn=1Xn-NXn=1Xn- 阿尔卑斯山!我PNn=1Xn>ALP= 阿尔卑斯山一号PNn=1Xn>ALP+NXn=1Xn!我PNn=1Xn>ALP= 最小值(ALP,NXn=1Xn)。为了便于说明,我们将用Wm=min{ALP,Pmn=1Xn}表示年度收益,条件是观察到m个损失。命题5.3(全球风险转移案例:ALP)。增益过程的cdf和pdf分别由byFW(w)=I{w给出≥ A LP}+FSm(w)I{w<ALP},(8)fW(w)=NXm=1nFSm(ALP)I{w=ALP}+FSm(w)I{0<w<ALP}pmo+pI{w=0}。(9) 在计算了收益W的分布后,我们可以计算期望值W.r.t。因此,通过直接应用定理3.5,可以得到累积损失政策下的多个最优停止规则。定理5.4(全球风险转移案例:ALP)。定义W(t)=Z(t)-eZ(t),对于t=1。

24楼
可人4 在职认证  发表于 2022-5-5 06:07:20
,T多时间停止规则由(1)给出,其中v1,1=+∞Xm=1pmnFSm(ALP)ALP+muFGIG(ALP;λ/u,mλ,1/2)o,vL,1=+∞Xm=1pmnFSm(ALP)max{ALP,vL-1,1}+muFGIG(ALP;λ/u,mλ,1/2)- FGIG(vL-1,1; λ/u,mλ,1/2)+ vL-1,1FSm(最小值{vL-1,1,ALP})o+pvL-1,1,vL,l+1=+∞Xm=1pmnFSm(ALP)max{vL-1,l+ALP,vL-1,l+1}+vL-1,l(FSm(ALP)- FSm(vL-1,l+1- vL-1,l)+muFGIG(ALP;λ/u,mλ,1/2)- FGIG(vL-1,l+1- vL-1,l;λ/u,mλ,1/2)+ vL-1,l+1FSm(最小值{vL-1,l+1- vL-1,l,ALP})o+pvL-1,l+1,vl,l=+∞Xm=1pmnFSm(ALP)ALP+muFGIG(ALP;λ/u,mλ,1/2)o.5.2。附加点后保险(PAP)与ALP案例中一样,对于附加点后保险单,我们也可以在重新申请保险单之前对年内损失进行建模,但要计算投保过程Z和收益过程Z的cdf和pdf-eZ有必要考虑额外的调节步骤。由于保险损失由定义2.3给出,因此可以方便地定义累计损失过程首次超过阈值P AP的时间,该时间可以被正式定义为以下停止时间m*m=inf(n)≤ m:nXk=1Xk>pap)(10)和,m*m=+∞, ifPnk=1Xk≤ P AP.5.2.1。本地风险转移目标:将停止时间的损失降至最低,提案5.5(Loca l风险转移案例:PAP)。投保流程的cdf和pdf分别由FEZ(z)给出=+∞Xm=1(mXm)*=1.图(z;m)*u,m*2λ)Dm*,M+ 图(z;mu,mλ)Dm)+pfeZ(z)=+∞Xm=1(mXm)*=1.图(z;m)*u,m*2λ)Dm*,M+ 图(z;mu,mλ)Dm)Iz>0+pIz=0,其中Dm*,m=P[m*m=m*] pm,m=1,2,M*= 1.m、 Dm=FIG(P AP,mu,mλ)pm,m=1,2。定理5.6(本地风险转移案例:PAP)。定义W(t)=-eZ(t),对于t=1。

25楼
能者818 在职认证  发表于 2022-5-5 06:07:23
,T多次停止规则由(1)给出,其中v1,1=-+∞Xm=1mXm*=1米*uDm*,m++∞Xm=1muDm,vL,1=+∞Xm=1mXm*=1(muFGIG(vL-1,1; λ/u,m*2λ,1/2)+vL-1,1图(vL)-1,1; M*u,m*λDm*,m++∞Xm=1mufIg(vL-1,1; λ/u,mλ,1/2)+vL-1,1图(vL)-1,1; mu,mλ)Dm,vl,l+1=+∞Xm=1mXm*=1(vL)-1,lFIG(vL-1,l+1- vL-1,l;M*u,m*2λ+muFGIG(vL)-1,l+1- vL-1,l;λ/u,m*2λ,1/2)+vL-1,l+1图(vL)-1,l+1- vL-1,l;M*u,m*2λ)Dm*,m++∞Xm=1vL-1,lFIG(vL-1,l+1- vL-1,l;mu,mλ)+muFGIG(vL-1,l+1- vL-1,l;λ/u,mλ,1/2)+vL-1,l+1图(vL)-1,l+1- vL-1,l;mu,mλ)Dm+vL-1,lp,vl,l=vl-1,l-1.-+∞Xm=1mXm*=1米*uDm*,m++∞Xm=1muDm。5.2.2. 全球风险转移目标:最大限度地减少期间的损失[0,T]PAP–全损案例中的收益过程采用以下形式:W=Z-eZ=NXn=1Xn-NXn=1Xn×I{Pnk=1Xk≤P AP}=NXn=1XnI{Pnk=1Xk>P AP}。由此产生的年服务水平分布和密度由位置5.7给出。提案5.7(全球Ris k转移案:PAP)。投保流程的cdf和pdf分别由byFW(w)给出=+∞Xm=1(mXm)*=1.P“mXn=m*Xn≤ w#P[M*m=m*] 下午)++∞Xm=1(P“mXk=1Xk<P AP#pm)+P,fW(w)=+∞Xm=1(mXm)*=1.图(w;(m)- M*+ 1) u(m)- M*+ 1) λ)P[M*m=m*] 下午)!I{w>0}+P[w=0]I{w=0},其中P[w=0]=P+∞m=1(P[Pmk=1Xk<P AP]pm)+P.定理5.8(全球风险转移案例:PAP)。定义W(t)=Z(t)-eZ(t),对于t=1,T多重映射规则由(1)给出,其中v1,1=+∞Xm=1mXm*=1P[M*m=m*] 下午(男)- M*+ 1) u,vL,1=+∞Xm=1mXm*=1P[M*m=m*] pm(FGIG(vL)-1,1; λ/u(m)- M*+ 1) λ,1/2)(m- M*+ 1) u,+vL-1.1千兆(vL)-1,1; λ/u(m)- M*+ 1)λ, -1/2))+vL-1,1P[W=0]vl,l+1=+∞Xm=1mXm*=1P[M*m=m*] pm(vL)-1,lFGIG(vL-1,l+1- vL-1,l;λ/u(m)- M*+ 1)λ, -1/2)+FGIG(vL-1,l+1- vL-1,l;λ/u(m)- M*+ 1) λ,1/2)(m- M*+ 1) u+vL-1,l+1吉格(vL)-1,l+1- vL-1,l;λ/u(m)- M*+ 1)λ, -1/2))+vL-1,l+1P[W=0],vl,l=vl-1,l-1++∞Xm=1mXm*=1P[M*m=m*] 下午(男)- M*+ 1)u.5.3.

26楼
大多数88 在职认证  发表于 2022-5-5 06:07:27
在个人损失保险单(ILP)中,之前的两种保险单,即ALP和PAP结构,是基于全年的合计金额。在ILP保险结构的情况下,保险年龄不基于累计总平均数,而是基于单个损失事件的保险范围。5.3.1. 本地风险转移目标:在停止时间将损失降至最低让我们假设一家公司购买了名为“个人损失保险单”(ILP)的保险单。在这种情况下,公司在投保后观察到的一个特殊损失过程可以用byX(ω)表示- tcl,X(ω)- tcl,0,0,0,X(ω)- CL,0,XN-1(ω) - T CL,0。在这种情况下,我们可以定义一个新流程(eXn)≥1这样的thateX(ω):=X(ω)- tcl,eX(ω):=X(ω)- tcl,eX(ω):=X(ω)- T CL,eXeN(ω):=XN-1(ω) - T CLand年度保险损失将由EZ=PeNn=1eXn给出。请注意,在本例中,新流程(eXn)n≥1将有<N个非零观测值,并且通常≤ N过程(eXn)n≥1可以被解释为一个辅助过程,这意味着如果公司在今年的保险单上提出索赔,那么观察到的损失将是NEXN,而不是Xn。在我们的方法中,我们将对随机变量en和过程(eXn)n进行建模≥1,第一个是均值为λ的均匀泊松过程,第二个是i.i.d.随机变量序列,如~ IG(λ,u)。定理5.9(局部风险转移案例:ILP)。假设是这样~ P oi(λeN)andeX,eX。i.i.d.和Ex在一起吗~ IG(λ,u)defeneez(t)=PeN(t)n=1eXn(t),W(t)=-eZ(t),对于t=1,T

27楼
kedemingshi 在职认证  发表于 2022-5-5 06:07:30
在这种情况下,最佳停止规则由(1)给出,其中v1,1=-λeNu,vL,1=-+∞Xn=1Pr[eN=n]hFGIG(vL-1,1; λ/u,nλ,1/2)nu- vL-1.1千兆(vL)-1,1; λ/u,nλ,-1/2)+vL-1,1i,1<L≤ T、 vL,l+1=-+∞Xn=1Pr[eN=n]hFGIG(vL-l、 l+1- vL-l、 l;λ/u,nλ,1/2)nu+(vL-l、 l- vL-l、 l+1)FGIG(vL-l、 l+1- vL-l、 l;λ/u,nλ,-1/2)+vL-l、 l+1i+vL-l、 lPr[eN=0],l+1<l≤ T、 vl,l=vl-1,l-1.- λeNu.5.3.2。全球风险转移目标:通过Monte CarloIf将[0,T]期间的损失降至最低我们假设年度损失的频率由N给出~ Xi的poi(λN)及其严重性~ IG(λ,u),那么增益过程W由W=Z给出-eZ=NXn=1Xn-NXn=1max(Xn- TCL,0)=NXn=1Xn-NXn=1(Xn- TCL)I{Xn>TCL}=NXn=1T CLI{Xn>T CL}+XnI{Xn≤}=NXn=1min{Xn,tcl}。根据引理4.1,我们知道逆高斯族在卷积下是闭合的,但特朗卡-特德逆高斯r.v.的分布没有任何已知的形式。计算最佳多次停止规则所需经验的一种简单有效的近似方法是使用如下蒙特卡罗方案。输入:模型参数(λ,u,λN);保单参数T CL;模拟数M;结果:从增益r.v.W(W(1),W(M));对于i=1,M(i)~ P oi(λN);如果N=0,那么w(i)=0;其他示例X(i)k~ IG(λ,u),对于k=1,N(i);W(i)=PN(i)k=1min{X(i)k,tcl}结束这个过程后,我们将得到一个样本W(1),对于任何给定的值0<c<c,期望值asE[max{c+W,c}]≈MMXi=1max{c+W(i),c}。案例研究在本节中,我们将分析在分析表达式可用的场景io中最佳规则提供的结果。

28楼
nandehutu2022 在职认证  发表于 2022-5-5 06:07:33
虽然每个保险单的损失分布参数不同,但在本节中,我们将假设保险产品的有效期为T=8年,并为其所有者提供了减轻k=3损失的权利。首先,对于累积损失保单(ALP),图6显示了当LDA参数为(λ,u,λN)=(3,2,3)且保险规格参数设置为ALP=10时,两个目标函数(全局和局部风险转移)的比较。在这种情况下,我们知道,在一年内发生年度损失,使保险产品值得使用的概率为P[Z>ALP]≈ 20%. 在本研究中,对于大量场景,M=50,00 0,计算两个目标函数的最优规则,并计算每个sce nario的停止时间集(M,M,M)。在图6的右侧,我们可以看到,对于两个目标函数,决策策略被认为是完全不同的。对于全球风险转移,我们可以看到,在前两次停止时,比如(m,m)=(1,2),最好(平均而言)尽早使用剩余权利。观察相同模式的另一种方法是验证一组策略(1、2、3)的发生频率;(2, 3, 4); (3, 4, 5); (4,5,6)正在下降,再次表明早期锻炼策略的流行。另一方面如果目标是最小化“局部风险”,在50%以上的情况下,最佳策略是尽快使用权利。在图e 6的左侧,我们给出了[0,T]的总损失直方图(i)无保险(实线);(ii)使用全局目标函数(深灰色);(iii)使用局部目标函数(浅灰色)。

29楼
kedemingshi 在职认证  发表于 2022-5-5 06:07:37
As0。000.010.020.030.040 25 50 75 100超过[0,T]密度的总损失全球风险转移本地风险转移全球风险转移停止时间频率(单位%)0.0.51.01.5 2.5123124126127128134135137138145146114715815615615715816716812323523672382456224825625722672682783453463478356357336736837845645744674746846746885788本地风险转移停止时间频率(单位%)10 20 30 40 501231241251261271281341351361371381451461514815815815816716817823425236723824524624724825725826726827834534634734835635735836736837845645745846746847855678678图6:使用累积损失政策(ALP)的两个目标函数的比较:(左)全局目标函数(深灰色)、loca l目标函数(浅灰色)下的总损失历史图,无保险案例(实线);(右)两个损失函数下的多个最佳停车时间。预计在使用局部损失函数时,总损失的平均值大于全局损失函数,但仍小于未投保的总损失。对于PAP和ILP两种情况,我们希望检查所提供规则的最优性,并将其与预先指定的停止规则进行比较。如图所示,三次m表示停止。(i) 规则1(确定性):总是停止t m=1,m=5,m=8;(ii)规则2(随机):在(1,…,8)中的三个点进行随机停车,符合1≤ m<m<m≤ 8.(iii)规则3(平均值):当观察到的损失小于预期损失时停止,即e[w]。对于大量的sce narios,M=10000,我们计算了每种规则(最优规则、确定性规则、随机规则和平均规则)的损失,并绘制直方图,与最优规则下的预期损失进行比较,累积损失政策(ALP)见图6,个别服务水平政策(ILP)见图8。

30楼
可人4 在职认证  发表于 2022-5-5 06:07:41
在所有的例子中,最优规则的表现都优于其他三个,这表明很难创建一个惊人的规则,从而导致与最优规则一样小的损失。在图7的第一行his图中,结果与g全局损失函数相关,第二行与局部损失相关。请注意,每一行中的水平轴正是我们试图最小化的目标函数,精确地说,TXt=1t/∈全局优化采用{τ,…,τk}Z(t)+kXj=1eZ(τj),局部优化采用pkj=1eZ(τj)。在该图中,垂直虚线表示不同规则下的平均总损失,灰色实线定义为1。E[Z]×T-vT,k,用于全局优化2。vT,k,用于局部优化。这些值必须被理解为两个不同增益函数下的预期损失,并且容易从增益函数的定义和定理3.5中得出。最佳规则超过[0,T]的总损失0 10 20 30 400.00 0.04 0.08 0.12规则超过[0,T]的总损失0 10 20 30 400.00 0.02 0.04 0.06规则超过[0,T]的总损失0 10 20 30 400.00 0.02 0.04 0.06规则超过[0,T]的总损失0 10 20 30 400.00 0.04 0.08使用保险时的最佳规则损失0 5 10 15 200.0 0.1 0.2 0.3 0.4规则超过[0,T]使用保险时的总损失0 10 10 10 200.000.10 0.20规则2使用保险时的损失0.10 15 200.00 0.10 0.20规则3使用保险时的损失0.10 15 200.00 0.10 0.20图7:PAP情况下(λ,u,λN)=(1,1,3)四种不同停止规则下的损失直方图。在图8中,我们使用第5.3.1节中提出的建模方法进行了与图7第二行相同的比较,参数(λ,u,λeN)=(3,1,4)。

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-17 08:43