Convolution and recursive formulas for aggregate claims

ยินดีต้อนรับสู่โลกของค่าสินไหมทดแทนรวม (Aggregate Claims)!

สวัสดี! ถ้าคุณมาถึงจุดนี้ได้ แสดงว่าคุณรู้อยู่แล้วว่าบริษัทประกันไม่ได้สนใจแค่ค่าสินไหมทดแทนรายกรณีเท่านั้น แต่สิ่งที่เขาให้ความสำคัญที่สุดคือ ยอดรวม (total amount) ที่ต้องจ่ายออกไปในช่วงเวลาหนึ่ง ซึ่งยอดรวมนี้เราเรียกว่า ค่าสินไหมทดแทนรวม (Aggregate Claim) โดยมักแทนด้วยสัญลักษณ์ \(S\)

ในบทนี้ เราจะมาเรียนรู้วิธีการคำนวณการแจกแจงความน่าจะเป็นของ \(S\) กัน ทำไมเรื่องนี้ถึงสำคัญน่ะเหรอ? ก็เพราะถ้านักคณิตศาสตร์ประกันภัยไม่สามารถคาดการณ์โอกาสที่ยอดจ่ายจริงจะสูงเกินกว่างบประมาณที่ตั้งไว้ได้ บริษัทก็อาจจะไม่มีเงินพอสำหรับจ่ายค่าสินไหม! เราจะเน้นเครื่องมือหลัก 2 อย่าง คือ การสังวัตนาการ (Convolution) (สำหรับกรณีที่เรารู้จำนวนครั้งที่เกิดเหตุแน่นอน) และ สูตรเวียนเกิด (Recursive Formulas) (โดยเฉพาะ Panjer’s Recursion ซึ่งใช้ในกรณีที่จำนวนครั้งของการเกิดเหตุเป็นตัวแปรสุ่ม)

ไม่ต้องกังวลถ้าคณิตศาสตร์ดูจะหนักหน่วงในตอนแรก เราจะค่อยๆ ย่อยมันให้เป็นส่วนเล็กๆ ที่เข้าใจง่ายเอง!

1. พื้นฐานสำคัญ: \(S\) คืออะไร?

ก่อนจะลุยสูตร เรามาทบทวนแบบจำลองหลักของเรากันก่อน:

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

โดยที่:
• \(N\) คือ ความถี่ (Frequency) (จำนวนครั้งที่เกิดค่าสินไหม)
• \(X_i\) คือ ความรุนแรง (Severity) (ต้นทุนหรือมูลค่าของค่าสินไหมครั้งที่ \(i\))
• \(S\) คือ ค่าสินไหมทดแทนรวม (Aggregate Loss) (ผลรวมทั้งหมดที่บริษัทต้องจ่าย)
ในบทนี้ เรามักจะสมมติว่า \(X_i\) ทุกตัวเป็น อิสระต่อกันและมีการแจกแจงเหมือนกัน (i.i.d.) และเป็นอิสระจากตัวแปร \(N\) ด้วย

2. วิธีการสังวัตนาการ (The Convolution Method)

ลองจินตนาการว่าคุณรู้แน่นอนว่าเกิดเหตุการณ์ขึ้นทั้งหมด 2 ครั้ง (\(N=2\)) หากต้องการหาความน่าจะเป็นที่ต้นทุนรวมจะเป็น 100 บาท คุณต้องพิจารณาทุกวิถีทางที่ตัวเลขสองตัวจะรวมกันได้ 100 (เช่น 20+80, 50+50, 0+100 เป็นต้น)

การสังวัตนาการ (Convolution) ก็คือวิธีทางคณิตศาสตร์ที่เป็นทางการในการ "รวมทุกกรณีที่เป็นไปได้" เข้าด้วยกันนั่นเอง

วิธีการทำงาน:

หากเรากำหนดให้ \(f_X(x)\) คือฟังก์ชันมวลความน่าจะเป็น (pmf) ของค่าสินไหมเดี่ยว แล้วค่า pmf ของผลรวม \(n\) ครั้ง ซึ่งแทนด้วย \(f^{*n}(s)\) สามารถคำนวณได้ดังนี้:

\( f^{*n}(s) = \sum_{x=0}^{s} f_X(x) \cdot f^{*(n-1)}(s-x) \)

ขั้นตอนการคำนวณทีละขั้น:

1. เริ่มที่ \(n=1\): การแจกแจงของผลรวมหนึ่งครั้งก็คือตัวการแจกแจงของค่าสินไหมนั้นเอง คือ \( f^{*1}(s) = f_X(s) \)
2. ขยับไปที่ \(n=2\): คำนวณ "2-fold convolution" โดยการนำการแจกแจงของ \(X\) มาซ้อนทับกัน
3. ทำต่อไปเรื่อยๆ: สำหรับ \(n=3\) คุณก็นำ \(X\) มาสังวัตนาการกับผลลัพธ์ของ \(n=2\)

เคล็ดลับเล็กๆ: วิธีนี้เหมาะมากสำหรับ \(N\) ที่มีจำนวนน้อยๆ แต่ถ้า \(N\) มีจำนวนมาก วิธีนี้จะกลายเป็นฝันร้ายถ้าต้องคำนวณด้วยมือ เปรียบเสมือนการนับเลขด้วยมือ ซึ่งแม่นยำแต่เชื่องช้าสุดๆ!

สรุปประเด็นสำคัญ: การสังวัตนาการคือวิธีหาการแจกแจงของตัวแปรอิสระที่ถูกบวกเข้าด้วยกันในจำนวนครั้งที่ คงที่ (fixed)

3. สูตรเวียนเกิดของ Panjer (Panjer’s Recursive Formula)

ตอนนี้มาถึง "กลเม็ดเด็ด" ของคณิตศาสตร์ประกันภัยกัน ในชีวิตจริง \(N\) ไม่ได้คงที่ แต่เป็นตัวแปรสุ่ม (เช่น Poisson หรือ Negative Binomial) ถ้าเราใช้ Convolution เราต้องคำนวณซ้ำทุกค่าที่เป็นไปได้ของ \(N\) ซึ่งเหนื่อยเกินไป!

Harry Panjer ได้คิดค้นทางลัดแบบเวียนเกิดขึ้นมา หากความถี่ \(N\) อยู่ใน กลุ่ม (a, b, 0) เราก็สามารถหาความน่าจะเป็นของผลรวม \(S\) ได้โดยไม่ต้องไล่คำนวณค่า \(n\) ทีละตัว

ทบทวนกลุ่ม (a, b, 0):

จำไว้ว่าสำหรับการแจกแจงกลุ่มนี้ ความน่าจะเป็น \(p_n = P(N=n)\) จะเป็นไปตามเงื่อนไข:
\( \frac{p_n}{p_{n-1}} = a + \frac{b}{n} \)

กลุ่มที่พบบ่อยได้แก่:
• Poisson: \(a = 0, b = \lambda\)
• Binomial: \(a < 0\)
• Negative Binomial: \(a > 0\)

สูตรเด็ดของงานนี้:

สำหรับค่าสินไหม \(X\) แบบไม่ต่อเนื่องที่มี pmf คือ \(f_X(x)\) โดยที่ \(x = 1, 2, 3, ...\) ค่า pmf ของค่าสินไหมรวม \(f_S(s)\) คือ:

\( f_S(s) = \frac{1}{1 - a f_X(0)} \sum_{x=1}^{s} (a + \frac{bx}{s}) f_X(x) f_S(s-x) \)

เดี๋ยวก่อน! แล้วต้องเริ่มตรงไหน?

คุณต้องมีค่าเริ่มต้นคือ \(f_S(0)\) ซึ่งคือความน่าจะเป็นที่ค่าสินไหมรวมเป็นศูนย์ เหตุการณ์นี้จะเกิดขึ้นได้ก็ต่อเมื่อ \(N=0\) หรือ \(N>0\) แต่ค่าสินไหมทุกตัวดันเป็น 0 บาท
สำหรับกลุ่ม (a, b, 0) สูตรคือ:
\( f_S(0) = P_N(f_X(0)) \)

โดยที่ \(P_N(z)\) คือ ฟังก์ชันสร้างความน่าจะเป็น (pgf) ของความถี่ \(N\)

คุณรู้ไหม? ถ้าความรุนแรง \(X\) ไม่สามารถเป็นศูนย์ได้ (นั่นคือ \(f_X(0) = 0\)) สูตรจะง่ายขึ้นเยอะเลย เพราะตัวเศษข้างหน้าจะเป็น 1!

ขั้นตอนการใช้ Panjer:

1. ระบุค่า \(a\) และ \(b\): อิงตามการแจกแจงความถี่ (\(N\)) ที่โจทย์ให้มา
2. คำนวณ \(f_S(0)\): ใช้ pgf ของ \(N\)
3. แก้หา \(f_S(1)\): ใช้สูตรแทนค่า \(s=1\)
4. แก้หา \(f_S(2)\): ใช้สูตรแทนค่า \(s=2\) (ซึ่งจะต้องใช้ผลลัพธ์จาก \(f_S(1)\) ที่คำนวณไว้แล้ว)
5. ทำซ้ำไปเรื่อยๆ จนกว่าจะถึงค่า \(s\) ที่ต้องการ

ข้อผิดพลาดที่พบบ่อย: ลืมว่าผลรวมในสูตร Panjer ต้องเริ่มที่ \(x=1\) ไม่ใช่ \(x=0\) ถ้าคุณเผลอรวม \(x=0\) เข้าไปด้วย คุณจะได้ \(f_S(s)\) ติดอยู่ในสมการทั้งสองข้างและงงแน่นอน!

สรุปประเด็นสำคัญ: Panjer’s recursion เป็นเครื่องมือทรงพลังที่ใช้หาการแจกแจงของ \(S\) โดยการนำค่า \(f_S\) ที่คำนวณได้ก่อนหน้ามาใช้ซ้ำ

4. จัดการกับความรุนแรงที่เป็นตัวแปรต่อเนื่อง: การทำให้เป็นค่าไม่ต่อเนื่อง (Discretization)

สูตรของ Panjer ใช้ได้เฉพาะกับกรณีที่ \(X\) เป็น ตัวแปรไม่ต่อเนื่อง (discrete) เท่านั้น (เช่น ค่าสินไหมเป็น 1 บาท, 2 บาท) แต่ในโลกจริง ค่าสินไหมมักจะเป็นตัวแปรต่อเนื่อง เราจะทำอย่างไร?

เราต้อง discretize การแจกแจงนั้น! ด้วยการ "หั่น" เส้นโค้งต่อเนื่องให้กลายเป็นถังหรือช่องที่มีขนาด \(h\)

วิธีปัดเศษ (Method of Rounding - วิธีที่ง่ายที่สุด)

ในวิธีนี้ เราจะกำหนดความน่าจะเป็นของช่วงหนึ่งๆ ให้กับ "จุดบนตาราง" (grid point) ที่ใกล้ที่สุด หากเรากำหนดขนาดของช่วงคือ \(h\):

• \( f_0 = P(0 \le X < h/2) = F_X(h/2) \)
• \( f_j = P(jh - h/2 \le X < jh + h/2) = F_X(jh + h/2) - F_X(jh - h/2) \)

การเปรียบเทียบ: ลองนึกภาพว่าคุณมีแป้งทำขนมกองโต (ต่อเนื่อง) การทำ discretization ก็เหมือนกับการตักแป้งใส่ถุงถุงละ 1 ปอนด์ (ไม่ต่อเนื่อง) มันอาจจะไม่แม่นยำร้อยเปอร์เซ็นต์ แต่มันทำให้เรานับจำนวนได้ง่ายขึ้นมาก!

5. ทบทวนรวดเร็วและเทคนิคสอบ

เทคนิคจำ: "A-B-S" ของ Panjer
จำเทอมในผลรวม: (a + bx/s)
• a และ b มาจากความถี่
• x คือค่าสินไหมที่คุณกำลังพิจารณาอยู่
• s คือผลรวมทั้งหมดที่คุณกำลังคำนวณ

ตารางสรุปเร็ว:
• ความถี่ \(N\) คงที่: ใช้ Convolution
• ความถี่ \(N\) อยู่ในกลุ่ม (a, b, 0): ใช้ Panjer’s Recursion
• ความรุนแรง \(X\) เป็นค่าต่อเนื่อง: Discretize ก่อน แล้วค่อยใช้ Panjer

ให้กำลังใจทิ้งท้าย

ครั้งแรกที่คุณเห็นตาราง Panjer มันอาจดูเหมือนภูเขาตัวเลข แต่สังเกตแพทเทิร์นให้ดีนะ แต่ละแถวจะใช้คำตอบจากแถวก่อนหน้ามาคิดต่อ ลองฝึกคำนวณ \(f_S(1)\) และ \(f_S(2)\) สักสองสามรอบ แล้วคุณจะเริ่มจับจังหวะได้เอง คุณทำได้อยู่แล้ว สู้ๆ!