保险copula模型的一种重要抽样方法

然而，我们在第7节的数值案例研究中说明，对于几个典型的保险问题，我们得到了实质性的方差减少。7案例研究在本节中，我们将说明与保险应用相关的泛函ψ的重要性抽样算法的性能。我们将在同一示例中使用第4节和第5节中定义的两种重要抽样算法。我们使用三个随机向量，维度分别为d=2、d=5和d=25。我们的案例研究将假设X=（X，…，Xd）的边际分布为对数正态分布，参数化为Xj~ LN（10-0.1j，1+0.2j），j=1，d、 每个利润率的yieldsequal期望值，即e【Xj】=36 315.5和标准偏差e【Xj】√e1+0.2j- 我们将考虑两个copulas的例子，即Clayton和Gumbel。Kendall的tau，参见Nelsen（2006）中的第5.1.1节，每对边距之间为1/3，这产生了Clayton参数1和Gumbel参数1.5。请注意，我们的重要性抽样方法并不依赖于对copula的特定假设。因此，算法的一般行为不会随依赖性的强度而发生显著变化。本案例研究已使用R包copula实现。我们研究了以下五个X函数的估计。所有这些函数都是根据总损失S=Pdj=1Xj制定的，这是受到精算实践中经常出现的风险聚合问题的启发：oE[最大值{S- T、 0}]，这是具有免赔额T的止损险的公平保费。

对于T，我们使用T=10d，这大约是S期望值的3倍；保险中copula模型的一种重要抽样方法17oVaR0。995（S）和ES0。99（S），分别是确定偿付能力资本低于偿付能力II和瑞士偿付能力测试的风险度量（见FOPI（2006）和CEIOPS（2010））；oE[X | S>F-1S（0.99）]和E[Xd | S>F-1S（0.99）]，代表根据欧拉原理分配给第一个和最后一个保证金的资本，见Tasche（2008）。为了便于校准和模拟，我们使用F∧的离散框架。由于我们希望使用相同的样本来估计所有目标函数，因此我们只对每个问题维度进行一次F∧校准。回想第2节，VaRα和ESα不能写成E型[ψ（X）]的预期。因此，我们使用止损目标函数eψ（u）=max{Pdj=1F校准F∧-1j（uj）-T、 0}。仅当Pdj=1F时，该值为非零-1j（uj）高于免赔额T，因此使用此功能进行校准将有利于在我们的应用感兴趣的区域中获得高浓度的畸变样品。请注意，F∧的校准取决于copula和重要性采样算法的选择，请参见第4.3.1节和第5.3.1节。离散点的数量设置为n∧=10。如表1所示，最高点x=1- （1/2）≈ 0.998，远远超出了考虑中的最高风险值水平。为了满足条件A，我们手动将XT的重量设置为p=0.1，并按比例减少其他重量。k=1的权重pk。

对于尺寸d=2、5和25，使用Gumbel copula和拒绝采样方法进行校准后得到的n∧如表1所示。k 1 2 3 4 5 6 7 8 10 xK0。000 0.500 0.750 0.875 0.937 0.968 0.984 0.992 0.996 0.998d=2 pk0。100 0.000 0.000 0.000 0.115 0.325 0.206 0.128 0.787 0.048d=5 pk0。100 0.000 0.000 0.000 0.129 0.302 0.202 0.131 0.084 0.053d=25 pk0。100 0.000 0.000 0.000 0.022 0.252 0.216 0.174 0.135 0.102表1：使用Gumbel copula校准的概率权重PK。当参考copula为Gumbel且使用拒绝采样方法时，图2中绘制了权重函数ew（·）=w（·1）和5000个V样本的散点图。考虑到本案例研究的设置，很容易检查引理3.2是否满足要求。由于FV的构造，与copula样本相比，更多样本位于上边界或右边界附近。由于目标函数使用S分布函数的估计，我们将样本权重归一化为和1。这进一步减少了Geweke（2005）第4.2.2节或Liu（2008）第2.5.2节所主张的估计误差。为了评估重要性抽样带来的改进，我们对d∈ {2，5，25}。我们使用n=10000的样本量来计算两种算法中每一种算法的重要性抽样器bu，以及分配目标函数的标准蒙特卡罗估计量u。总共500次重复用于获得这些估计值的经验分布，从而估计其方差。虽然抽样规模对样本方差的值有影响，但它不应在算法效率的研究中发挥重要作用。使用拒绝算法的Gumbel和Clayton情况的结果如表2、3所示，使用直接算法的Gumbel和Clayton情况的结果如表4、5所示。

尽管估计值可能会因用于采样的算法而异，但我们仅给出了从普通蒙特卡罗模拟中获得的参考值，因为我们的实证研究显示了不可忽略的差异。这些表格中的主要结果以方差缩减因子的形式表示，它表示普通蒙特卡罗估计量的样本方差除以我们的重要抽样估计量的样本方差。表2、3、4和5表明，重要性抽样算法大大降低了所有目标函数的估计误差。由于F∧被校准为该函数，因此最大的减少是停止损耗，这并不奇怪。通过对每个函数进行特定校准，可以实现其他函数的更大缩减。