Sums of compound Poisson models

ยินดีต้อนรับสู่โลกแห่งความเสี่ยงรวม!

ในการเดินทางบนเส้นทางนักคณิตศาสตร์ประกันภัย คุณคงเคยรู้จักกับ Compound Poisson Model กันมาแล้ว มันเปรียบเสมือน "หัวใจหลัก" ของการจำลองแบบรวมยอด (Aggregate Modeling) เพราะมันมีความสง่างามทางคณิตศาสตร์และยืดหยุ่นมาก แต่จะเกิดอะไรขึ้นเมื่อบริษัทประกันต้องจัดการหลายพอร์ตโฟลิโอพร้อมกัน? หากคุณมีกลุ่มกรมธรรม์ประกันรถยนต์กลุ่มหนึ่ง และประกันบ้านอีกกลุ่มหนึ่ง แล้วคุณต้องการทราบความเสี่ยงรวมของทั้งบริษัทล่ะ?

ในบทนี้ เราจะเรียนรู้ "กลเม็ดทางคณิตศาสตร์" กัน เราจะมาค้นพบว่าเมื่อคุณนำความเสี่ยงแบบ Compound Poisson ที่เป็นอิสระต่อกันหลายตัวมารวมกัน ผลลัพธ์ที่ได้คือ—เสียงกลองรัว—โมเดล Compound Poisson ตัวใหม่ตัวเดียว! เรื่องนี้ทำให้ชีวิตของเราง่ายขึ้นมาก เพราะเราไม่จำเป็นต้องไปเรียนรู้กฎชุดใหม่เพื่อหาความเสี่ยงรวมอีกต่อไป มาลุยกันเลย!

แนวคิดหลัก: คุณสมบัติการรวม (Summation Property)

ลองนึกภาพว่าคุณมีพอร์ตโฟลิโอหลายตัว สมมติว่าคุณมีตัวแปรความเสียหายรวมที่เป็นอิสระต่อกัน \(n\) ตัว คือ \(S_1, S_2, ..., S_n\) ซึ่งแต่ละตัวมีการแจกแจงแบบ Compound Poisson

สำหรับแต่ละพอร์ตโฟลิโอ \(j\):
1. จำนวนค่าสินไหมทดแทนมีการแจกแจงแบบ Poisson ด้วยพารามิเตอร์ \(\lambda_j\)
2. มูลค่าค่าสินไหมทดแทนรายบุคคล (Severity) มีการแจกแจงแบบ \(f_{X_j}(x)\)

ความเสียหายรวมสำหรับทั้งบริษัทคือ \(S = S_1 + S_2 + ... + S_n\)

กฎข้อใหญ่: หาก \(S_j\) ทั้งหมด เป็นอิสระต่อกัน แล้ว ผลรวมของมัน \(S\) จะเป็นตัวแปรสุ่มแบบ Compound Poisson ด้วยเช่นกัน! เพื่อจัดการผลรวมนี้ให้เป็นโมเดล Compound Poisson ใหญ่ๆ เพียงโมเดลเดียว เราแค่ต้องหาของสองอย่างคือ ความถี่รวม (\(\lambda\)) ตัวใหม่ และ การแจกแจงความรุนแรงรวม (\(f_X\)) ตัวใหม่

1. การหาความถี่ตัวใหม่ (\(\lambda\))

ส่วนนี้เป็นเรื่องง่ายๆ ครับ เพื่อหาพารามิเตอร์ความถี่รวม คุณเพียงแค่นำค่า \(\lambda\) ของแต่ละพอร์ตโฟลิโอมารวมกัน

\[ \lambda_{total} = \sum_{j=1}^{n} \lambda_j \]

การเปรียบเทียบ: ลองนึกถึงเครื่องวัดน้ำฝน ถ้าเครื่องหนึ่งวัดได้ 3 หยดต่อนาที และอีกเครื่องวัดได้ 5 หยดต่อนาที เมื่อรวมกันมันก็จะวัดได้ 8 หยดต่อนาทีนั่นเอง

2. การหาการแจกแจงความรุนแรงใหม่ (\(f_X\))

ส่วนนี้อาจจะซับซ้อนขึ้นนิดหน่อย การแจกแจงความรุนแรงใหม่จะเป็น ค่าเฉลี่ยถ่วงน้ำหนัก (Weighted Average) ของการแจกแจงความรุนแรงแต่ละตัว โดย "น้ำหนัก" จะถูกกำหนดตามความน่าจะเป็นที่ค่าสินไหมจะมาจากพอร์ตโฟลิโอนั้นๆ

ความน่าจะเป็นที่ค่าสินไหมจะมาจากพอร์ตโฟลิโอ \(j\) คือ \(\frac{\lambda_j}{\lambda_{total}}\) ดังนั้น การแจกแจงความรุนแรงรวมจึงเท่ากับ:

\[ f_X(x) = \sum_{j=1}^{n} \frac{\lambda_j}{\lambda_{total}} f_{X_j}(x) \]

ทำไมถึงเป็นแบบนี้? หากพอร์ตโฟลิโอ A มีค่าสินไหม 90 ราย และพอร์ตโฟลิโอ B มีเพียง 10 ราย ค่าสินไหมที่ "สุ่ม" มาจากกองรวม ย่อมมีโอกาสสูงที่จะมาจากพอร์ตโฟลิโอ A มากกว่า ดังนั้น การแจกแจงความรุนแรงของพอร์ตโฟลิโอ A จึงได้รับ "น้ำหนัก" ในค่าเฉลี่ยมากกว่านั่นเอง

รายการสรุปสำหรับการรวมโมเดล:

1. รวมค่า lambdas เพื่อหาความถี่ใหม่ของคุณ
2. ถ่วงน้ำหนักความรุนแรง (severities) ด้วยค่า \(\lambda / \lambda_{total}\) ของแต่ละตัว
3. ดำเนินการตามปกติ โดยใช้วิธีหาค่ารวมที่คุณถนัด (เช่น Panjer's recursion หรือ MGFs) โดยใช้พารามิเตอร์ชุดใหม่นี้

ตัวอย่างแบบทีละขั้นตอน

มาดูตัวอย่างเพื่อให้เห็นภาพชัดเจนกันเถอะ

สมมติว่าบริษัทประกันมีธุรกิจสองประเภทที่เป็นอิสระต่อกัน:
ประเภทที่ 1: Compound Poisson ด้วย \(\lambda_1 = 2\) และค่าสินไหมทุกรายการเท่ากับ 10 พอดี
ประเภทที่ 2: Compound Poisson ด้วย \(\lambda_2 = 3\) และค่าสินไหมทุกรายการเท่ากับ 20 พอดี

ขั้นตอนที่ 1: หาค่า \(\lambda\) รวม
\( \lambda = 2 + 3 = 5 \)

ขั้นตอนที่ 2: หาการแจกแจงความรุนแรงรวม
ความน่าจะเป็นที่ค่าสินไหมจะเท่ากับ 10 คือ \( \frac{2}{5} = 0.4 \)
ความน่าจะเป็นที่ค่าสินไหมจะเท่ากับ 20 คือ \( \frac{3}{5} = 0.6 \)

ผลลัพธ์: ความเสียหายรวม \(S\) คือโมเดล Compound Poisson ที่มี \(\lambda = 5\) และการแจกแจงความรุนแรงที่ \(P(X=10) = 0.4\) และ \(P(X=20) = 0.6\)

ข้อผิดพลาดที่พบบ่อย

ข้อผิดพลาด 1: ลืมถ่วงน้ำหนักค่าความรุนแรง (Severities)
นักศึกษามักจะแค่นำการแจกแจงความรุนแรงมาบวกกันตรงๆ หรือหาค่าเฉลี่ยแบบ 50/50 จำไว้ว่า: พอร์ตโฟลิโอที่มี \(\lambda\) สูงกว่าย่อมมีอิทธิพลต่อลักษณะความรุนแรงสุดท้ายมากกว่า!

ข้อผิดพลาด 2: ละเลยความเป็นอิสระ (Independence)
คุณสมบัตินี้จะใช้ได้ก็ต่อเมื่อพอร์ตโฟลิโอเป็น อิสระต่อกัน เท่านั้น หากเกิดพายุเฮอริเคนแล้วส่งผลกระทบต่อทั้งพอร์ต "รถยนต์" และ "บ้าน" พร้อมกัน ทั้งสองพอร์ตจะไม่เป็นอิสระต่อกัน และการรวมค่าแบบง่ายๆ นี้จะใช้งานไม่ได้

ข้อผิดพลาด 3: สับสนระหว่างความถี่และความรุนแรง
จำไว้ว่า: \(\lambda\) คือ *ความถี่ว่าเกิดขึ้นบ่อยแค่ไหน* ส่วน \(X\) คือ *มูลค่าความเสียหายเท่าไหร่* เรานำความถี่มาบวกกัน แต่เรานำมูลค่ามาหาค่าเฉลี่ย

ทบทวนสั้นๆ: ทำไมถึงต้องใช้วิธีนี้?

รู้หรือไม่? คุณสมบัตินี้ช่วยชีวิตเราในเรื่องประสิทธิภาพการคำนวณ แทนที่จะต้องคำนวณการแจกแจงของพอร์ตโฟลิโอ A แล้วต่อด้วย B จากนั้นทำ Convolution ที่ซับซ้อนเพื่อหา \(S_A + S_B\) คุณสามารถรวมพารามิเตอร์ตั้งแต่ต้นแล้วคำนวณเพียง ครั้งเดียว สำหรับทั้งระบบได้เลย ซึ่งช่วยประหยัดเวลาและลดโอกาสผิดพลาดในการคำนวณ!

สรุปประเด็นสำคัญสำหรับวันสอบ

1. กฎ: ผลรวมของ Compound Poisson ที่เป็นอิสระต่อกัน = Compound Poisson ตัวเดียว
2. ค่า Lambda: \(\lambda_{new} = \lambda_1 + \lambda_2 + ... + \lambda_n\)
3. ค่าความรุนแรง (Severity): \(f_{X, new}(x) = w_1 f_{X_1}(x) + w_2 f_{X_2}(x) + ...\), โดย \(w_j = \lambda_j / \lambda_{total}\)
4. โมเมนต์ (Moments): ค่าเฉลี่ยของผลรวมคือผลรวมของค่าเฉลี่ย และความแปรปรวนของผลรวมคือผลรวมของความแปรปรวน (เนื่องจากเป็นอิสระต่อกัน)

ไม่ต้องกังวลไปนะถ้าช่วงแรกการหาค่าเฉลี่ยถ่วงน้ำหนักจะดูแปลกๆ แค่จำไว้ว่า "จำนวนสินไหมที่มากขึ้น (\(\lambda\)) ก็เท่ากับน้ำหนักที่มากขึ้น" เมื่อคุณได้ \(\lambda\) ตัวใหม่และการแจกแจงความรุนแรงตัวใหม่แล้ว คุณก็สามารถแก้โจทย์หาความน่าจะเป็นหรือโมเมนต์ได้เหมือนกับที่ทำในบทพื้นฐานของ Compound Poisson เลย!