第 3 章/累积损失模型
课堂实验室
CHAPTER 03 / 3.2

连续分布离散化

把一段区间的概率搬到一个格点,比较三种离散化方法与步长的影响。

后续离散卷积与递推计算使用单笔损失的离散概率。选定步长 hh,把连续损失 XX 的概率分配到 0,h,2h,…0,h,2h,\ldots,得到 fj=P(Xh=jh)f_j=P(X_h=jh)。

光滑曲线如何变成阶梯

累积概率
原连续分布 F(x)UpperLowerRounding
f0=P(Xh=0)f_0=P(X_h=0)0.09516
保留的概率总和0.992553
遗漏的尾部概率0.7447%

读数对应 Rounding。当前保留 25 个格点, 至 48;原损失从 49 起的尾部 尚未纳入,概率没有重新归一化。图上的有限阶梯在末端会停在概率总和处。

Upper 把金额向下取整,得到的 CDF 位于原 CDF 上方;Lower 把金额向上取整,CDF 位于下方。Rounding 就近取整,单笔金额误差不超过 h/2h/2。这些上下界关系针对完整的离散分布,截断图的最右端不一定保持。

一段概率,搬到一个点

024
区间概率搬到格点,概率总量不变02468集中到 0
f0=F(h/2)fj=F(jh+h/2)−F(jh−h/2)j≥1\begin{gathered}f_0=F(h/2)\\ f_j=F(jh+h/2)-F(jh-h/2)\\ j\ge1\end{gathered}

把区间 [0,1)[0,1) 的概率放到 00,得到 f0=0.09516f_{0}=0.09516。

零点是特例:损失不能为负,只承接右侧半个步长的概率。

X 连续,区间端点的开闭不影响概率。

抽样后再取整

生成 1,000 笔连续损失,再按当前方法映射到格点。在 PMF 图中, 黑色圆点是出现频率,分母始终为 1,000。

原分布均值 E(X)10
完整离散分布均值 E(Xₕ)9.9834
取整后的样本均值—

生成样本后,可以切换方法,观察同一批损失的取整结果。

这里的理论均值包含全部尾部。就近取整通常减小偏差,但不保证均值精确不变。

三种方法的概率表与均值展开阅读
保留格点上的概率质量;“—”表示该方法未保留这个格点。
j金额 jhUpperLowerRounding
000.18126900.095163
120.1484110.1812690.164019
240.1215080.1484110.134288
360.0994830.1215080.109945
480.081450.0994830.090016
5100.0666850.081450.073699
6120.0545970.0666850.060339
7140.04470.0545970.049402
8160.0365980.04470.040447
9180.0299640.0365980.033115
10200.0245320.0299640.027112
11220.0200850.0245320.022198
12240.0164440.0200850.018174
13260.0134640.0164440.014879
14280.0110230.0134640.012182
15300.0090250.0110230.009974
16320.0073890.0090250.008166
17340.006050.0073890.006686
18360.0049530.006050.005474
19380.0040550.0049530.004482
20400.003320.0040550.003669
21420.0027180.003320.003004
22440.0022260.0027180.00246
23460.0018220.0022260.002014
24480.0014920.0018220.001649
2550—0.001492—
保留的概率0.9932620.9932620.992553
遗漏的尾部0.0067380.0067380.007447
完整离散均值9.0333111.033319.98335

指数分布的完整离散均值可以直接求和:

E(Xhupper)=heλh−1,E(Xhlower)=heλh−1+hE(X_h^{\rm upper})=\frac{h}{e^{\lambda h}-1},\quad E(X_h^{\rm lower})=\frac{h}{e^{\lambda h}-1}+h
E(Xhrounding)=he−λh/21−e−λhE(X_h^{\rm rounding})=\frac{he^{-\lambda h/2}}{1-e^{-\lambda h}}

减小 h 可以细化近似;增大截断范围可以减小遗漏的尾部。二者解决的是不同误差。

对应课件的 R 代码与卷积准备展开阅读

下面的参数与当前页面同步。Upper 和 Rounding 的向量对应 0 到 to − h; Lower 多保留 to 处一个格点。Rounding 的最后一个区间截止于 to − h/2。

library(actuar)
h <- 2
to <- 50
fu <- discretize(pexp(x, rate = 0.1),
                 from = 0, to = to, step = h, method = "upper")
fl <- discretize(pexp(x, rate = 0.1),
                 from = 0, to = to, step = h, method = "lower")
fr <- discretize(pexp(x, rate = 0.1),
                 from = 0, to = to, step = h, method = "rounding")

方法与端点约定参照 actuar::discretize 文档。

下一步做卷积时,要区分格点下标 jj 和实际金额 jhjh。两笔损失独立且使用相同步长时,相加后的下标是 i+ji+j,对应金额是 (i+j)h(i+j)h。

截断向量的概率和小于 1。计算前应扩大范围或明确尾部处理方式; 直接归一化会改变原来的损失模型。