アグリゲートモデル（総損失モデル）の世界へようこそ！

アクチュアリーを目指す道のりにおいて、最も重要な問いの一つは「保険金として支払う総額はどれくらいになるか？」というものです。

これまで皆さんは、個々の保険金の大きさ（深刻度：Severity）や、何件の請求が発生するか（頻度：Frequency）を個別に学んできたかもしれません。この章では、それらを統合し、アグリゲート損失（Aggregate Loss）、つまり「ビッグ・トータル（総額）」に注目します。これをモデル化する方法には、個別リスクモデル（Individual Risk Model）と集合リスクモデル（Collective Risk Model）という2つの主要な手法があります。少し難しそうに聞こえるかもしれませんが、心配はいりません。シンプルな例えと段階的な論理で分かりやすく紐解いていきましょう！

1. 個別リスクモデル

個別リスクモデルは、プライベートパーティーのゲストリストを確認するようなものです。誰が来るのかが正確に分かっており（保険契約数が固定）、一人ひとりを個別に見て、その人が「コスト」を発生させるかどうかを確認します。

個別リスクモデルとは？

このモデルでは、保険契約の数を固定し、それを \(n\) とします。各契約 \(i\) に対して損失 \(X_i\) が存在し、総損失 \(S\) は単にこれらすべての個別の損失の合計となります：

\( S = X_1 + X_2 + ... + X_n \)

主な特徴

  • リスクの数が固定： \(n\) の値は既知であり、確率変数ではありません。
  • 独立性： 通常、契約者Aに何が起こっても、それが契約者Bに影響を与えないと仮定します。
  • 変動する損失： 各 \(X_i\) は 0（請求なし）または正の金額となります。

平均と分散の計算

契約数が固定されているため、平均と分散の計算は簡単です：

平均： \( E[S] = \sum_{i=1}^{n} E[X_i] \)

分散： \( Var[S] = \sum_{i=1}^{n} Var[X_i] \) （契約が独立であると仮定した場合！）

クイック復習：

100件の契約があり、各契約の期待損失が50ドルであれば、総期待損失 \(E[S]\) は \(100 \times 50 = 5,000\) となります。

まとめ： 個別リスクモデルは、企業のグループ生命保険のように、参加者の数が決まっているグループに適しています。

2. 集合リスクモデル

集合リスクモデルは、忙しいカフェのようなものです。今日何人のお客さんが来るか（頻度）は正確には分からず、各人がいくら使うか（深刻度）も分かりません。請求の「集合体」全体を捉える視点です。

集合リスクモデルとは？

ここでは、総損失 \(S\) は以下の2つの確率的な要素に依存します：

  1. \(N\)：請求件数（確率変数）。
  2. \(X_i\)：各請求の金額（確率変数）。

公式は以下のようになります：

\( S = X_1 + X_2 + ... + X_N \)

大きな違いに注目してください。合計の「上端」である \(N\) が、今やそれ自体が確率変数になっています！

主な仮定

  • 請求金額 \(X_1, X_2, ...\) は同一分布に従います（同じ「深刻度」パターンを持つ）。
  • 請求金額は相互に独立です。
  • 請求件数 \(N\) は、請求金額 \(X_i\) とは独立です。

集合モデルの「ビッグ・フォーミュラ」

これらはExam FAMにおける最重要項目です。必ず暗記してください：

期待値（平均）： \( E[S] = E[N] \times E[X] \)

分散： \( Var[S] = E[N] \times Var[X] + Var[N] \times (E[X])^2 \)

暗記のコツ： 分散の公式は2つの「エンジン」を持っていると考えてください。最初の部分は「請求がどの程度の大きさになるか」という不確実性を説明し、後半の部分は「何件請求が発生するか」という不確実性を説明しています。

豆知識：

分散の公式 \(Var[S] = E[N]Var[X] + Var[N]E[X]^2\) は、この文脈において全分散の法則（Law of Total Variance）と呼ばれます。アグリゲートモデルのセクションで最も頻繁に出題される概念の一つです！

まとめ： 集合リスクモデルは損害保険の「基本」であり、個々の契約者を逐一追跡することなく、ビジネス全体の総請求額をモデル化するために使用されます。

3. 個別モデルと集合モデルの比較

どちらのモデルを使うべきか迷うことがあるかもしれません。整理のための比較表を参考にしてください：

個別リスクモデル：

  • 請求の可能性がある人数が少ない、または固定されている場合に使用します（例：500人の従業員）。
  • 各 \(X_i\) は特定の個人の損失を表します。
  • その人が請求しなければ \(X_i = 0\) です。

集合リスクモデル：

  • 請求が「ランダム」に発生する大規模なグループで使用します（例：州内の全自動車保険契約）。
  • \(N\) は請求の件数を表し、\(X_i\) は実際に発生した第 \(i\) 番目の請求額です。
  • 各 \(X_i\) は通常 \( > 0\) です。

よくある間違い： 固定数 \(n\) と確率変数 \(N\) を混同しないでください。問題文に「ちょうど1,000件の契約がある」とあれば、個別リスクモデルを検討すべきです。逆に「請求件数はポアソン分布に従う」とあれば、集合リスクモデルの世界にいます。

4. アグリゲート損失分布の近似

総損失 \(S\) の正確な分布を計算するのが非常に困難な場合があります。そのような場合、アクチュアリーは近似手法を用います。ここで、正規分布と中心極限定理の知識が役に立ちます。

正規近似

請求件数が十分に多ければ、\(S\) は正規分布に従うと仮定できます。先ほど計算した平均 \(E[S]\) と分散 \(Var[S]\) を使用します。

総損失が一定金額 \(k\) 以下になる確率を求めるには：

\( P(S \le k) = P\left(Z \le \frac{k - E[S]}{\sqrt{Var[S]}}\right) \)

対数正規近似

保険の損失は通常正の値であり、かつ「歪んでいる」（少数の巨大な請求がある）ことが多いため、正規分布が常に最適とは限りません。対数正規分布は負の損失を許容せず、歪みをよりうまく扱えるため、よく使用されます。

ステップ・バイ・ステップ：正規近似の利用手順
  1. 適切なモデル（個別または集合）を使用して \(E[S]\) を計算する。
  2. \(Var[S]\) を計算する。
  3. 標準偏差を求める：\(\sigma_S = \sqrt{Var[S]}\)。
  4. 目標値 \(k\) を標準化してZスコアを求める：\(Z = \frac{k - E[S]}{\sigma_S}\)。
  5. 試験で提供される標準正規分布表でZスコアを参照する。

キーポイント： 正確な分布を求めるための数学が複雑になりすぎたとき、近似は試験における最高の味方になります！

5. まとめと成功のためのヒント

  • 個別モデル： 固定数の独立したリスクの合計。
  • 集合モデル： ランダムな数の独立同分布（i.i.d.）なリスクの合計。
  • 最重要公式： \(Var[S] = E[N]Var[X] + Var[N]E[X]^2\)。集合リスクの問題が出たら、この公式が必要になる可能性が高いです！
  • 単位に注意： 問題が頻度、深刻度、またはアグリゲート損失のどの平均を求めているのか、常に確認しましょう。
  • 落ち着いて： 複雑に見える問題でも、まずは個別か集合かを見極めることから始めましょう。それができたら、分かっている要素（\(E[N], Var[N], E[X], Var[X]\)）を書き出せば、答えへの道筋が見えてきます。

最初は難しく感じるかもしれませんが、大丈夫です！アグリゲートモデルは単に小さなピースを足し合わせる手法に過ぎません。平均と分散の公式をマスターすれば、この章の最も難しい部分は攻略したも同然です。