第 3 章/累积损失模型/3.4 Panjer 递推法
课堂实验室
CHAPTER 03 / 3.4 Panjer 递推法 / 3.4.2

Panjer 递推

把同样的逐项递推搬到累积损失 SS 上:每个新概率由前面几个按权重拼成。

逐步递推 · 已算到 s=0s=0

起点 fS(0)=PN(fX(0))=0.13534f_S(0)=P_N\big(f_X(0)\big)=0.13534

0.1353????????????0123456789101112

橙色是起点 fS(0)f_S(0)。点击“下一步”,看新的一根柱如何由前面的柱子拼出来。

yya+byxa+\frac{by}{x}fX(y)f_X(y)fS(x−y)f_S(x-y)乘积
Poisson:fS(0)=e−λ[1−fX(0)]=e−2×1f_S(0)=e^{-\lambda[1-f_X(0)]}=e^{-2\times1}。点击“下一步”计算 fS(1)f_S(1)。

每一步只回看最近 x∧mx\wedge m 个已算出的值(m=2m=2 为单笔金额的最大取值)。

(a,b,0)(a,b,0) 类 · Poisson 分布
aa0
bb2
pk=(a+bk)pk−1,k=1,2,…p_k=\Big(a+\frac{b}{k}\Big)p_{k-1},\quad k=1,2,\dots

Poisson:a=0a=0,b=λb=\lambda。 此时 p1−(a+b)p0=0p_1-(a+b)p_0=0。 3.4.1 节介绍这两类次数分布。

为什么能递推

权重 a+by/xa+by/x 从哪里来

已知 nn 笔金额之和 Sn=xS_n=x 时,由对称性,任一笔(例如最后一笔 XnX_n)的条件期望都是 x/nx/n,所以 a+bn=E[a+bXnx ∣ Sn=x]a+\frac bn=E\big[a+\frac{bX_n}{x}\,\big|\,S_n=x\big]。按 Xn=yX_n=y 展开这个期望,权重就是 a+byxa+\frac{by}{x},而其余 n−1n-1 笔之和为 x−yx-y;再用 pn=(a+bn)pn−1p_n=(a+\frac bn)p_{n-1} 对 nn 求和,后一部分正好合成 fS(x−y)f_S(x-y)。

fS(x)=∑n≥1pn−1(a+bn)fX∗n(x)=∑y=0x∧m(a+byx)fX(y) fS(x−y)f_S(x)=\sum_{n\ge1}p_{n-1}\Big(a+\frac bn\Big)f_X^{*n}(x)=\sum_{y=0}^{x\wedge m}\Big(a+\frac{by}{x}\Big)f_X(y)\,f_S(x-y)

这里写的是 (a,b,0)(a,b,0) 类。y=0y=0 的一项含 fS(x)f_S(x) 本身,移到左边就得到因子 1/(1−afX(0))1/(1-af_X(0))。于是每个新概率只需要前面最多 mm 个已算出的值,而不必对每个 nn 做一次卷积。

E(S)E(S)2.8
Var⁡(S)\operatorname{Var}(S)4.4
递推求和项数(到 s=18s=18)35
卷积法求和项数1,279
ss0123456789
fS(s)f_S(s)0.1353?????????

与课件一致:P(S=0)=e−2≈0.1353P(S=0)=e^{-2}\approx0.1353,P(S=1)≈0.1624P(S=1)\approx0.1624,P(S=2)≈0.2057P(S=2)\approx0.2057,P(S=3)≈0.1689P(S=3)\approx0.1689。

递推法把“对每个 nn 做一次卷积”换成“每个 ss 一个短求和”:算到 s=18s=18,递推只要 35 项乘积。它的前提是次数分布属于 (a,b,0)(a,b,0) 或 (a,b,1)(a,b,1) 类,金额取 0,1,2,…0,1,2,\dots 个货币单位。
Panjer 递推公式与 R 代码展开阅读

金额 fX(x)f_X(x) 定义在 0,1,…,m0,1,\dots,m 个货币单位上(mm 可以是无穷)。次数分布属于 (a,b,1)(a,b,1) 类,即 pk=(a+b/k)pk−1p_k=(a+b/k)p_{k-1},k=2,3,…k=2,3,\dots 时:

fS(x)=11−afX(0){[p1−(a+b)p0]fX(x)+∑y=1x∧m(a+byx)fX(y)fS(x−y)},x=1,2,…f_S(x)=\frac{1}{1-af_X(0)}\Big\{\big[p_1-(a+b)p_0\big]f_X(x)+\sum_{y=1}^{x\wedge m}\Big(a+\frac{by}{x}\Big)f_X(y)f_S(x-y)\Big\},\quad x=1,2,\dots
fS(0)=PN[fX(0)]f_S(0)=P_N\big[f_X(0)\big]

(a,b,0)(a,b,0) 类(Poisson、二项、负二项)满足 p1=(a+b)p0p_1=(a+b)p_0,方括号一项消失;Poisson 时 a=0a=0、b=λb=\lambda:

fS(x)=λx∑y=1x∧my fX(y)fS(x−y),fS(0)=e−λ[1−fX(0)]f_S(x)=\frac{\lambda}{x}\sum_{y=1}^{x\wedge m}y\,f_X(y)f_S(x-y),\qquad f_S(0)=e^{-\lambda[1-f_X(0)]}

课件代码:

library(actuar)
fx <- c(0, 0.6, 0.4)
Fs <- aggregateDist(method = "recursive", model.freq = "poisson",
                    model.sev = fx, lambda = 2, x.scale = 1)
diff(Fs)                      # 累积损失的概率

diff(Fs) 给出上表的 fS(s)f_S(s)。金额分布若是连续的,需要先离散化成 0,h,2h,…0,h,2h,\dots 上的概率,再用递推;3.5 节用这种方法给模拟结果提供参考曲线。