即
Xi 中的风险都为同质风险,其分布函数为 P(x)。与个体风险模型不同之处在于,理赔
次数
n=N 是随机变量。这正是
“聚合”的意义之所在。
2、建立理赔额 S 的数字特征
首先确定理赔总额
S 的数字特征的计算公式。
X 的数学期望:uX=E{X}
X 的方差:?滓=Var{X}
X 的矩母函数:MX(t)=E{etX}
再设
MN(t)与 MS(t)分别为 N 与 S 的矩母函数,应用条件期望嵌套公式及全方差
公式,我们有:
这样便建立了
S 的数字特征。
这表明:理赔总额
S 的期望值为理赔次数 N 与每次理赔次数 N 期望值之乘积;理赔总
额
S 的变异(即方差)由两部分构成。一部分来自于个体理赔量的变异,另一部分来自于理
赔次数的变异;理赔总额
S 的矩母函数是理赔次数 N 的矩母函数在关于个体理赔量 X1 的
半不变量
lnMX(t)处的函数值。
利用全概率公式,可得
S 的分布函数为:
F(x)=P(x)Pro(N=n)(9)
其中
P(x)=P?鄢 P?鄢
…P(x)=Pro(X1+X2+…+Xn=x)理赔次数 N 取不同的分布,
个别理赔量取不同的分布
P(x),就得到了总理赔量 S 的不同复合分布。如果 N 为 Poisson
分布,则
S 的相应分布便成为复合 Poisson 分布。
3、复合 Poisson 分布
当理赔次数服从参数为
?姿的 Poisson 分布,个别理赔量的分布函数为 P(x)时,称 S
的分布为参数
?姿、分布函数 P(x)确定的复合 Poisson 分布,它的数字特征如下:
复合
Poisson 分布有一个很好的性质,如定理 1 所述。
定理
1:如果 S1,S 2,
…,S m 是相互独立的随机变量,Si 是参数为?姿 i 与分布函
数
Fi(x)(i=1,2,3,,
…,m)的复合 Poisson 分布,则 S=S1+S 2+…+S m 是参数?
姿
=?姿与分布函数 F(x)=F(x)的复合 Poisson 分布。
这个定理在建立保险模型方面有两个应用:若有
m 个险种,每个险种的理赔总量均是
复合
Poisson 变量并相互独立,则总理赔量也服从复合 Poisson 分布;考虑 m 年期的单个险
种,假设各年内的理赔总量均是复合
Poisson 变量,但各年理赔总量的分布可能不同,则定
理表明:
m 年期的总理赔量也服从复合 Poisson 分布。
三、长期聚合风险模型
1、长期聚合风险模型简介
本模型是针对一个较长时期内建立保险人盈余量变化模型。此处的盈余是指某个初始启
动基金加上收取保费超过理赔的那一部分,而非财务意义上的盈余。为了数学处理方便,通
常不考虑利息和其他除了保费和理赔之外的影响盈余的因素,例如附加费和保单持有人的
分红等等。对
t0,记 U(t)为保险人在时刻 t 的盈余。假设保费以常数 c>0,c=(1+?
兹)
u,连续收取,S(t)为直到时刻 t 的总理赔量。如果 U(0)=u 为时刻 0 时初始盈余,
则有:
U(t)=u+ct-S(t),t0 (10)
因此,通常的盈余过程
{U(t),t0}如图 1 所示:
使用
“过程”这一词表明,我们关心的是随时间 t,(t0)变化的随机变化族以及它们分
布之间的关系。
如果
S(t)X,式中理赔次数过程 N(t)为齐次 Poisson 过程时,模型(10)称为古典
风险模型。