那就吃吧→1Eψ(s)(V)w(s)(V)p(s)< ∞.保险证明中copula模型的一种重要抽样方法。在条件B下,我们有xk*U≥ 事件{maxiui>s}上的s。因此,Z[0,1]dψ(s)(v)w(s)(v)dFV(v)=Z[0,1]dψ(s)(u)w(s)(u)dC(u)=Z[0,1]dψ(s)(u)n∧Xk=1epk!n∧Xk=11{Xk≤ maxiui}epk1- C(xk1)!-1dC(u)=Z[0,1]dψ(s)(u)n∧Xk=1ψ(s)(xk1)(C(xk1)- C(xk-11))!ψ(s)(xk)*u1)-1dC(u)=Z[0,1]dψ(s)(u)(C(xn∧1)- C(s1))dC(u)≤ (1 - C(s1))Z[0,1]dψ(s)(u)dC(u)=(p(s)),(6.3)证明了该定理。请注意,定理6.1保证了(6.1)中的有界相对误差→1吨(s)<∞. 对于拒绝算法来说,这是不成立的。事实上,自从E[(1- Λ)-1] =Pn∧k=1pk/(1)-xk),我们根据定理4.3得出→1T(s)=∞ 在条件B下,在直接抽样的情况下,我们可以证明定理6.1的相应版本,对任何i=1,…,取ψ(s)(u)=1{ui>s},d和k*u=max{1≤ K≤ n∧:xk≤ ui},u∈ [0,1)d.由于该算法的计算成本T(s)常数为s,因此在罕见事件设置中,应优先使用该算法,而不是拒绝采样算法,尽管它可能需要更多的实施效果。建议分布Fv的校准是基于以下假设进行的:≈ψ(maxiui1)。在定理6.1中,我们已经能够证明当ψ(u)=1{maxiui>s}对于一些s∈ (0,1),即当假设成立且相等时,则e[ψ(V)w(V)]≤ E[ψ(U)]。ByJensen不等式我们得到了E[ψ(V)w(V)]≤ E[ψ(U)],因此var(bun)≤ var(un),因此估算值的方差较小。尽管假设ψ(u)≈ ψ(maxiui1)是保险数学中的典型应用,它通常不具有相等性,因此不容易合并到一个分析框架中,以证明某种方差折减因子。
|