保险copula模型的一种重要抽样方法

引理4.2），我们得到了E[NV]：E[NV]=1+γβ的显式表达式- 1.（4.3）为了满足条件A，我们假设γ<1。事实上，利用超几何函数的性质，可以证明，对于γ=1，权重函数是无界的，权重var的方差[w（V）]总是有限的。有许多copula类具有显式对角线。例如，Clayton家族具有对角线C（t1）=（dt-θ-d+1）-对于某些0<θ<∞. 对于未来的研究，我们可能会指出，找到copula的“共轭”F∧将是一件有趣的事，它也允许显式形式的w（·）。保险中copula模型的一种重要抽样方法94.3最优建议分布本节给出了一种针对当前问题校准分布F∧的方法。基本方法是选择建议分布Fv，使bunHa的方差小于un。在我们的例子中，这将减少到最佳选择分布F∧。通常，F∧必须有一个原子在0处才能满足条件A。如果使用算法4.1进行采样，我们还需要满足E[1/（1）的约束- ∧）]不是太大，尤其是有限。对于bunifψ（u）w（u）=e[ψ（u）]，u，将获得零方差（即无估计误差）∈ [0，1）d，（4.4）见Asmussen和Glynn（2007）第128页第4.1节。如果[ψ（U）]未知，显然不可能进行这种选择。为了获得一个小的方差，我们应该选择∧，这样w（u）-1与ψ（u）近似成比例。根据定理4.4，我们可以把这个关系写成kzmax{u，…，ud}1- C（λ1）dF∧（λ）≈ ψ（u），（4.5）对于一些未知常数K∈ R+。为了得到一个易于处理的优化方案，我们假设ψ（u）是大的，如果它的至少一个分量是大的，即ψ（u）≈ ψ最大{u，…，ud}1. （4.6）将（4.6）插入（4.5），我们得到KZT1- C（λ1）dF∧（λ）≈ ψ（t1），t∈ [0，1]。

（4.7）在下文中，我们提出了校准F∧的方法，以满足近似关系（4.7）。我们用F∧的两个选项（离散和连续）来说明这种校准。4.3.1离散F∧在离散情况下，如第4.2.1节所述，指定分布F∧减少到设置原子xk及其权重pk=P[λ=xk]，k=1，n∧。通过将F∧插入（4.7），我们得到kn∧Xk=11{Xk≤ t} pk1- C（xk1）≈ ψ（t1），t∈ [0，1）。（4.8）我们建议通过强制等式（4.8）仅适用于t=x，…，xn∧来设置pk。在不丧失一般性的情况下，假设xk<xk+1对于所有k，等式（4.8）导致Tokxl=11- C（xl1）pl=ψ（xk1），k=1，n∧。这将产生一个三角形线性方程组，可以使用以下算法轻松求解；我们建议选择密度为1的有限对数网格上的xk。算法4.6.1。选择n∧∈ N2、定义xk=1- （1/2）k-1，k=1，n∧；3、确定ep=ψ（0，…，0）和epk=（ψ（xk1）- ψ（xk-11） ）（1- C（xk1）），对于k=2，n∧；定义pk=epk/（Plepl）。保险中copula模型的一种重要抽样方法10使用1/2的幂来设置xk是任意的；可以使用（0，1）中的任何其他因子。在数值实验中，这种选择的影响通常很小，因为计算的PK会相应变化。在以下情况下，算法4.6可能会失败：o如果p=0，则F∧不满足条件A；o如果t 7→ ψ（t1）不是单调的，那么算法4.6会导致一些pk为负；o如果函数ψ在（0，…，0）处未达到限定值。自n∧<∞, 条件E[1/（1- ∧）]<∞ 是自动满足的。当然，也可以对∧使用离散分布，由许多点支持。

然而，在第7节所述案例研究的实验中，这导致等待时间E【NV】变大，而在使用拒绝采样时没有提供额外的准确性。4.3.2连续F∧在连续情况下，如第4.2.2节所述，遗憾的是，无法像离散情况那样简单明确地进行优化。通过将F∧（见等式（4.2））放入（4.7），我们得到k1+γ1.- β（1- tα）β-1.β- 1.≈ ψ（t1），t∈ [0，1]。（4.9）为了优化F∧，我们需要找到参数K∈ R、 γ∈ （0，1）和β>1，使（4.9）左右两侧之间的距离最小。例如，作为距离函数，可以使用二次范数。这种最小化可以通过标准的数值最小化程序来实现。回想一下，α是通过copula的对角线固定的。为了使E【NV】不过高，可能需要通过将E【NV】=1+γ/（β）作为边界来施加进一步的参数约束- 1） .5直接采样算法如前一节所述，拒绝采样算法可能会由于拒绝步骤而导致较大的采样时间。由于C[λ]定义中条件作用事件的复杂性，这一步骤是必要的。我们现在考虑c[λ]（u）=d-1dXi=1P[U≤ U环球开发商≤ ud | Ui>λ]（5.1）=d-1dXi=1C（u）- C（u，…，ui-1，min{ui，λ}，ui+1，ud）1- λ、 u型∈ [0，1]d.此分布仅涉及条件连接，其中条件事件仅在随机向量U的一个元素上。这将具有实际优势，即可以提供直接采样算法，即无拒绝步骤。5.1抽样建议分布et us表示条件copula，前提是第k分量等于uk，即isCuk（u，…，uk-1，英国+1，ud）=P【U】≤ U英国-1.≤ 英国-1，英国+1≤ 英国+1。

，Ud≤ ud | Uk=英国]。然后可以使用以下算法从FV中进行采样。算法5.1。得出FV的一个实现：保险111中copula模型的重要抽样方法。绘制∧~ F∧；2、图纸一∈ {1，…，d}，其中P[I=I]=d-1.3、图六~ U（λ，1）；绘制（V，…，VI）-1，VI+1，Vd）~ CVI；5、返回V=（V，…，Vd）。该算法的主要优点是它不拒绝任何样本，因此，与算法4.1相比，它的运行时间不依赖于分布F∧。此外，可以证明，使用拒绝算法生成（5.1）中的样本将产生预期的等待时间E[（1- ∧）-1] ，这将高于第4节中给出的拒绝采样的预期等待时间，见定理4.3。这证明了一个事实，即我们为这两种算法中的每一种提出了两种特定的C[λ]分布。在算法5.1的步骤4中，需要条件copula Cuk的采样算法，其中k可以是任何d分量。根据copula-Cuk的形式，可以使用有效的抽样算法，例如参见下面的示例5.3和5.4，或者可以使用条件分布方法。请注意，例如，条件分布方法适用于对藤连接函数进行采样；请参阅VineCopula R包。按照Embrechts et al.（2003）的思路，我们随后提出了以下通用算法来从Cuk进行采样。算法5.2。给定英国∈ R、 要绘制Cuk的一个实现，请执行以下操作：1。绘制U=U英国-1，英国+1，环球开发商~ U（0，1）d-1.2、setU=C-1（英国）。。。英国-1=C-1（英国-1 | U，英国-2，英国）英国+1=C-1（英国+1 | U，…，英国-2，英国-1，英国）。。。Ud=C-1（Ud | U，…，英国-1，英国，英国+1，环球开发商-1） 3。返回（U，…，英国-1，英国+1，Ud）。根据Schmitz（2003）中的定理2.27和备注2.29，我们得到了k>jC（uj | u。

，uj-1，英国）=D1，。。。，J-1，kC1，。。。，J-1，j，k（u，…，uj-1，uj，英国）D1，。。。，J-1，kC1，。。。，J-1，k（u，…，uj）-1，英国），（5.2）其中简化了toC（uj | u，…，uj-1） =D1，。。。，J-1C1，。。。，J-1，j（u，…，uj-1，uj）D1，。。。，J-1C1，。。。，J-1（u，…，uj-1） ，当k<j.这里，D1，。。。，j、 K表示关于组分1，…，的偏导数，j、 k和C1，。。。，j、 kdenotes对应于这些成分分布的copula。一般而言，条件分布（5.2）的可处理反演并不总是可用的，需要应用数值根查找。然而，在某些情况下，可以明确推导出这样的反例，例如，参见示例5.5。因此，尽管该算法不涉及rejectionstep，但它可能需要更多的实现功能。保险中copula模型的重要抽样方法12示例5.3（Farlie–Gumbel–Morgenstern copula的直接抽样）。Farlie–Gumbel–Morgenstern（FGM）copula由cθ（u）=dYi=1ui定义1+θdYj=1（1- uj）, U∈ Rd，带θ∈ [-1，1]，参见Genest等人（2011）。这个copula是更一般的yraud–Farlie–Gumbel–Morgenstern copula的一种特殊形式，参见Jaworski et al.（2010）第19页。这很容易看到ukCθ（u）=dYi=1，i6=kui1+θ（1- 2uk）dYi=1，i6=k（1- 用户界面）= Cθ（1-2英国）（u，…，英国-1，英国+1，ud），其中Cθ（1-2uk）是参数θ（1）的FGM copula- 2英国）∈ [-1，1]。因此，从CθUk的采样减少为从Cθ（1）的采样-2英国）。为此，可以使用条件分布方法。生产样品U~ Cθ确实可以简化为图U~ U（0，1）和设置U=U，环球开发商-1=Ud-1，andUd=2Ud1+W+p（1+W）- 4W Ud，其中W=θQd-1j=1（1- 2Uj），详见Remillard（2013）第8.7.12节。示例5.4（Frank copula的直接采样）。

根据Mes fioui和Quessy（2008）第6节，如果C（u）=ψψ-1（u）+···+ψ-1（ud）是一个d维阿基米德copula，带生成元ψ，然后- 1） 多元分布Cukis的维copulac也是阿基米德分布，生成元ψuk（t）=ψ（t+ψ-1（uk））ψ（ψ-1（英国）），t∈ [0，∞].这可以用来证明如果C是一个具有参数α的Frank copula∈ R和发生器ψα（t）=-α-1日志（1- （1）- E-α） e类-t） 然后，CUKC可以用参数θ（α，uk）=1的Ali–Mikhail–Haq型copula的多元分布建模- E-αuk，生成器ψθ（α，uk）（t）=1- θ（α，uk）et- θ（α，uk）（5.3）和具有分位数函数的边际分布f-1α，uk（u）=-α对数E-α- 11+e-αuk（u-1.- 1） +1个, U∈ [0，1]。（5.4）因此，从Cukis的采样减少到从Ali–Mikhail–Haq copula和generator（5.3）的采样，例如使用快速马歇尔-奥尔金算法，见Hofert（2010）第2.4节和第2.5节，然后将分位数函数（5.4）应用于copula样本。以类似的方式，如果Cis阿基米德使得CUKI易于使用马歇尔-奥尔金算法进行采样（许多示例和技术都是已知的），并且边缘分布易于反转，则可以获得算法5.1中步骤4的快速采样技术。示例5.5（Clayton copula的条件分布方法）。克莱顿copula由cθ（u）=1+dXi=1（u）定义-θi- 1） 哦！-1/θ，u∈ Rd，保险业中copula模型的一种重要抽样方法，θ>0。使用（5.2），可以显示Cθ(-1） （uj | u，…，uj-1，英国）=1+1- （j）- 1） +j-1Xk=1u-θk！（uj）-J-1+1/θ- 1.!-1/θ，这使得我们可以轻松地实现算法5.2.5.2样本权重的计算。对于拒绝采样方法，我们推导了算法5.1中使用的权重w（Vi）的表示。定理5.6。

Radon–Nikodym导数w（u）=dC（u）/dFV（u）可以写成w（u）=d-1dXi=1Zui1- λdF∧（λ）！-1.证明。注意dC[λ]（u）=dC（u）d（1- λ） dXi=11{ui>λ}，我们继续类似于定理4.4的证明。正如在拒绝采样算法中一样，我们注意到dC（u）不出现在w（u）中，因此C密度的存在不是推导权重的要求。为了确保重要性抽样估计的一致性和渐近正态性，我们还将检查权函数的有界性。引理5.7。在条件A下，权函数w从上到下以P∧=0为界-1开[0，1]。证据我们注意到，所有成分的w（u）都在减少。因此，它在byw（0，…，0）=P[λ=0]上方有界-1<∞. 对于一般的F∧，权重函数w的计算可能很苛刻。通常，可以使用数值积分方案。为了避免这些问题，我们建议使用与第4节中相同的F∧设置，即离散情况和连续情况。5.2.1离散F∧，如果F∧离散，使得P[λ=xk]=pk，P>0，k=1，n∧，0=x<···<xn∧<1，则可以将W（u）=ddXi=1n∧Xk=11{Xk≤ ui}1- xkpk！-1.（5.5）5.2.2连续F∧，取∧asF∧（λ）=（1）的cdf- γ） +γ1.- （1）- λ） β, β>1，0≤ γ<1，对于任何copula C，给出了权重sw（u）=β的以下闭合形式- 1β- 1+γ- γβd-1Pdi=1（1- ui）β-1.（5.6）请注意，我们不需要对copula对角线进行任何限制，与第4.2.2节保险中copula模型的重要性抽样方法145.3最优方案分布要获得较小的方差，我们应选择∧，以便w（u）-1与ψ（u）近似成比例。根据定理5.6，我们可以将此关系写成Kd-1dXi=1Zui1- λdF∧（λ）≈ ψ（u），（5.7）对于某些未知常数K∈ R+。

根据拒绝抽样方法，我们应将校准限制在对角线上，以获得一个易于处理的优化方案，并且我们假设ψ（u）≈ ψ最大{u，…，ud}1. 因此（5.7）降低了toKZt1- λdF∧（λ）≈ ψ（t1），t∈ [0，1]。（5.8）在下文中，我们提出了校准F∧的方法，以满足近似关系（5.8）。我们用第5.2.1节和第5.2.2.5.3.1节中所述的F∧的两种选择来说明这种校准，在离散情况下，我们得到KN∧Xk=11{Xk≤ t} pk1- xk公司≈ ψ（t1），t∈ [0，1）。（5.9）我们建议通过强制等式（5.9）来确定pk，该等式仅适用于t=x，…，xn∧，这导致三角系统kkxl=11- xlpl=ψ（xk1），k=1，n∧。在拒绝采样方法中选择xk，我们可以使用以下算法解决pk：算法5.8.1。选择n∧∈ N2、定义xk=1- （1/2）k-1，k=1，n∧；3、确定ep=ψ（0，…，0）和epk=（ψ（xk1）- ψ（xk-11） ）（1- xk），对于k=2，n∧；4、定义pk=epk/（Plepl）。5.3.2连续F∧在连续情况下，遗憾的是，优化不能像离散情况下那样简单明确。在这种情况下，K上的优化∈ R、 γ∈ （0，1）和β>1执行，例如“1+γ1.- β（1- t） β-1.β- 1个#≈ ψ（t1），t∈ [0，1]。（5.10）保险中copula模型的重要抽样方法156罕见事件分析由于重要抽样技术旨在用于与罕见事件相关的函数ψ为大集合的情况，我们可能希望研究该算法在罕见事件设置中的效率。我们将ψ（s）（u）视为只在小概率集上取非零值的函数。设p（s）=Eψ（s）（U）是兴趣的可能性。罕见的事件设置假设LIM→1p（s）=0。

对于每个s，我们将选择一个新的混合分布F（s）∧，因此改变建议分布F（s）的校准及其采样成本，我们将表示T（s）。在直接抽样算法中，见第5节，该抽样成本是有限的，以s为单位为常数，其中s的阶数为E[（1- ∧）-1] ，参见第4节中的拒绝采样算法中的定理4.3。设bu（s）n=n-1Pni=1ψ（s）（Vi）w（s）（Vi）是重要抽样估计。在罕见的事件设置中，我们理想的目标是有界相对误差，如s→ 1，参见Asmussen和Glynn（2007）中的第六章，即islim sups→1varhbu（s）nip（s）T（s）<∞. （6.1）用其上限n替换varhbu（s）Nib-1E级ψ（s）（V）w（s）（V）, 我们的目标是找到一种能够满足需求的算法→1n-1E级ψ（s）（V）w（s）（V）p（s）T（s）<∞. （6.2）首先注意，最优性条件（4.4）保证ψ（s）（V）w（s）（V）/p（s）∝ 1、我们现在假设F（s）∧的校准条件温和，这将需要获得效率标准（6.2）。条件B.对于所有s>0的情况，构造∧的离散分布，使得存在sk∈ {1，…，n∧}，其中xk=s，pk>0。我们首先研究了第4节中的拒绝抽样情况，仅限于∧的离散分布设置。虽然文献中典型的罕见事件集考虑了边缘的总和，但我们将考虑最大值，这使我们能够保持在自{maxiui>s}起的罕见事件框架内 {Piui>s}，u∈ [0，1]d.定理6.1。假设ψ（s）（u）=1{maxiui>s}，建议分布fv和相应的权重函数w（u）如第4节所示。此外，假设F∧是一个离散分布，原子数为n∧，P[λ=xk]=pk，k=1，n∧，0=x<···<xn∧<1，按照算法4.6进行校准，条件B保持不变。表示k*u=最大值{1≤ K≤n∧：xk≤ 最大值}，u∈ [0，1）d。

Thenlim sups公司→1E级ψ（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。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≤ 最大值}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。注意，定理6.1保证了当lim sups时，如（6.1）所示的有界相对误差→1吨（s）<∞. 这对于拒绝算法来说并不适用。事实上，自E[（1- ∧）-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，对于任何i=1，…，取ψ（s）（u）=1{ui>s}，d和k*u=最大值{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的校准基于以下假设：≈ψ（最大值1）。在定理6.1中，我们已经能够证明当ψ（u）=1{maxiui>s}时，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）]。通过Jensen不等式，我们得到了E[ψ（V）w（V）]≤ E[ψ（U）]，因此var（bun）≤ var（un），因此估计值的方差较小。尽管假设ψ（u）≈ ψ（maxiui1）是保险数学中的典型应用，它通常不相等，因此不能很容易地合并到一个分析框架中，以证明某种方差折减因子。