Normal and log-normal approximation of aggregate losses

ยินดีต้อนรับสู่เรื่องการประมาณค่าความเสียหายรวม (Aggregate Loss Approximations)!

สวัสดีครับ! ถ้าคุณกำลังเตรียมตัวสอบ Exam FAM อยู่ละก็ คุณคงทราบดีว่าการคำนวณหาการแจกแจงที่แท้จริงของผลรวมค่าสินไหมทดแทน (ซึ่งเราเรียกว่า Aggregate Loss หรือ \(S\)) นั้นเป็นเรื่องที่ปวดหัวสุดๆ ในโลกความเป็นจริง บริษัทประกันภัยอาจมีเคลมเข้ามานับพันรายการ การพยายามคำนวณผลลัพธ์ที่เป็นไปได้ทั้งหมดออกมาให้แม่นยำนั้นเกือบจะเป็นไปไม่ได้เลยครับ

นั่นคือจุดที่ การประมาณค่า (Approximations) เข้ามามีบทบาท! ในบทนี้ เราจะมาเรียนรู้วิธีใช้ "ทางลัด" สองวิธีที่นิยมใช้กันมาก นั่นคือการแจกแจงแบบ Normal และ Log-normal เพื่อประเมินพฤติกรรมของความเสียหายรวม เครื่องมือเหล่านี้จะช่วยให้นักคณิตศาสตร์ประกันภัยประเมินได้ว่าบริษัทต้องมีเงินทุนสำรองเท่าไหร่ถึงจะรอดพ้นจากภาวะล้มละลาย โดยที่ไม่ต้องง้อซูเปอร์คอมพิวเตอร์เลยครับ

1. พื้นฐานที่สำคัญ: ค่าเฉลี่ยและความแปรปรวนของ \(S\)

ก่อนที่เราจะประมาณค่าอะไรได้ เราต้องรู้ "จุดศูนย์กลาง" และ "การกระจายตัว" ของความเสียหายรวม \(S\) ของเราก่อน อย่าลืมนะครับว่า \(S\) คือผลรวมของจำนวนเคลม (\(N\)) ที่เป็นตัวแปรสุ่ม คูณกับขนาดของแต่ละเคลม (\(X\)) ที่เป็นตัวแปรสุ่มเช่นกัน

สูตร "ที่ต้องรู้ให้แม่น":
1. ค่าคาดหมาย (ค่าเฉลี่ย): \(E[S] = E[N] \times E[X]\)
2. ความแปรปรวน: \(Var(S) = E[N] \times Var(X) + Var(N) \times (E[X])^2\)

การเปรียบเทียบ: ให้ลองนึกถึง \(E[S]\) เหมือนความสูงเฉลี่ยของกองอิฐ มันขึ้นอยู่กับว่าโดยเฉลี่ยแล้วคุณมีอิฐกี่ก้อน (\(E[N]\)) และอิฐแต่ละก้อนหนาแค่ไหน (\(E[X]\)) ส่วนสูตรความแปรปรวนจะซับซ้อนกว่านิดหน่อย เพราะมันต้องคำนึงถึงความไม่แน่นอนของ ทั้งสองอย่าง ทั้งจำนวนอิฐและความหนาของอิฐแต่ละก้อนเลยครับ!

ทบทวนด่วน: การแจกแจงของความถี่ (Frequency Distributions) ที่พบบ่อย

อย่าลืมข้อมูลเหล่านี้สำหรับการคำนวณ \(Var(N)\) ของคุณนะครับ:
• Poisson: \(E[N] = Var(N) = \lambda\)
• Negative Binomial: \(Var(N) > E[N]\)
• Binomial: \(Var(N) < E[N]\)

2. การประมาณด้วยการแจกแจงปกติ (Normal Approximation)

การประมาณด้วยการแจกแจงปกติ อาศัยหลักการของ ทฤษฎีขีดจำกัดส่วนกลาง (Central Limit Theorem) ซึ่งบอกเราว่าถ้าคุณมีจำนวนเคลมมากพอ การแจกแจงของความเสียหายรวมจะเริ่มมีลักษณะคล้ายระฆังคว่ำ ไม่ว่าการแจกแจงของเคลมแต่ละรายจะเป็นอย่างไรก็ตาม

วิธีใช้:

เราสมมติว่า \(S\) มีการแจกแจงแบบปกติ: \(S \sim N(E[S], Var(S))\)
ในการหาความน่าจะเป็นที่ความเสียหายรวมจะมีค่าน้อยกว่าค่า \(k\) ใดค่าหนึ่ง เราจะใช้สูตร Z-score ดังนี้:
\(Z = \frac{k - E[S]}{\sqrt{Var(S)}}\)

ขั้นตอนการทำ:
1. คำนวณ \(E[S]\) โดยใช้ค่าเฉลี่ยของความถี่และความรุนแรง
2. คำนวณ \(Var(S)\) โดยใช้สูตรจากหัวข้อที่ 1
3. นำค่าที่ได้ไปแทนในสูตร Z-score
4. เปิดหาค่าความน่าจะเป็นจากตารางการแจกแจงปกติมาตรฐาน (ตาราง \(\Phi\))

ข้อควรระวัง:
นักศึกษามักลืม ถอดรูท (square root) ของความแปรปรวนครับ สูตร Z-score ต้องการค่า ส่วนเบี่ยงเบนมาตรฐาน (standard deviation) หรือ \(\sigma_S = \sqrt{Var(S)}\) ไม่ใช่ค่าความแปรปรวนตรงๆ นะครับ!

เกร็ดน่ารู้: การประมาณด้วยวิธีนี้มักจะแม่นยำขึ้นเมื่อจำนวนเคลมที่คาดไว้ (\(E[N]\)) มีค่ามากๆ อย่างไรก็ตาม มันมีจุดอ่อนที่สำคัญคือ การแจกแจงปกติในทางทฤษฎีสามารถติดลบได้ แต่ในโลกประกันภัย ค่าเสียหายไม่มีวันต่ำกว่าศูนย์ครับ!

3. การประมาณด้วยการแจกแจงแบบล็อกปกติ (Log-normal Approximation)

เนื่องจากความเสียหายในงานประกันภัยมักจะมีลักษณะ เบ้ (skewed) (มีเคลมขนาดเล็กจำนวนมาก และมีเคลมก้อนใหญ่เพียงไม่กี่รายการ) และมีค่าเป็นบวกเสมอ ดังนั้น การประมาณด้วยการแจกแจงแบบ Log-normal จึงมักจะเหมาะสมกว่าการแจกแจงแบบปกติครับ

แนวคิด:

เราสมมติว่า ค่าลอการิทึมธรรมชาติ ของความเสียหาย หรือ \(\ln(S)\) มีการแจกแจงแบบปกติ ซึ่งนั่นหมายความว่าตัว \(S\) เองมีการแจกแจงแบบ Log-normal เราต้องหาพารามิเตอร์สองตัวคือ \(\mu\) และ \(\sigma^2\) หมายเหตุ: นี่ ไม่ใช่ ค่าเฉลี่ยและความแปรปรวนของ \(S\) นะครับ แต่เป็นค่าเฉลี่ยและความแปรปรวนของ \(\ln(S)\)!

วิธีหาค่าพารามิเตอร์:

เพื่อให้การแจกแจงแบบ Log-normal สอดคล้องกับความเสียหายรวมของเรา เราจะใช้ วิธีโมเมนต์ (Method of Moments) โดยโจทย์จะให้ (หรือให้คุณคำนวณ) ค่า \(E[S]\) และ \(E[S^2]\) มา
จำไว้ว่า \(E[S^2] = Var(S) + (E[S])^2\)

ใช้สองสูตร "มหัศจรรย์" นี้เพื่อหาค่า \(\sigma^2\) และ \(\mu\):
1. \(\sigma^2 = \ln\left(\frac{E[S^2]}{(E[S])^2}\right) = \ln\left(1 + \frac{Var(S)}{(E[S])^2}\right)\)
2. \(\mu = \ln(E[S]) - 0.5\sigma^2\)

ขั้นตอนการหาความน่าจะเป็น:
หากคุณต้องการหาค่า \(Pr(S \le k)\):
1. หาค่า \(\mu\) และ \(\sigma\) โดยใช้สูตรข้างต้น
2. แปลงปัญหาไปอยู่ในรูปของลอการิทึม: \(Pr(\ln(S) \le \ln(k))\)
3. คำนวณ Z-score: \(Z = \frac{\ln(k) - \mu}{\sigma}\)
4. เปิดตารางปกติ (Normal table)

ประเด็นสำคัญ: การแจกแจงแบบ Log-normal จะมีลักษณะ "เบ้ขวา" ซึ่งตรงกับพฤติกรรมข้อมูลการเคลมประกันส่วนใหญ่ได้ดีกว่าการแจกแจงปกติที่สมมาตรครับ

4. Normal หรือ Log-normal: จะเลือกใช้อันไหนดี?

ในการสอบ โจทย์มักจะระบุมาให้ชัดเจนว่าจะให้ใช้วิธีไหน แต่ถ้าให้แนะนำวิธีสังเกตความแตกต่าง มีดังนี้ครับ:

• ใช้ Normal เมื่อ: จำนวนเคลมมีขนาดใหญ่มาก และการแจกแจงค่อนข้างสมมาตร
• ใช้ Log-normal เมื่อ: การแจกแจงมีลักษณะเบ้ หรือเมื่อคุณต้องการให้แน่ใจว่าตัวแบบจะไม่คำนวณค่าเสียหายที่ติดลบออกมา

ตัวช่วยจำ:
Normal นั้น Nice (ใช้ง่าย) และตรงไปตรงมา (ใช้ \(E[S]\) และ \(Var(S)\) ได้เลย)
Log-normal Loves Logs (ต้องใช้ \(\ln\) และจับคู่โมเมนต์)

5. สรุปและทบทวนอย่างรวดเร็ว

1. ค่าเฉลี่ยความเสียหายรวม: \(E[S] = E[N]E[X]\)
2. ความแปรปรวนความเสียหายรวม: \(Var(S) = E[N]Var(X) + Var(N)E[X]^2\)
3. Z-score แบบ Normal: \(Z = (k - E[S]) / \sqrt{Var(S)}\)
4. พารามิเตอร์แบบ Log-normal: จับคู่ \(E[S]\) และ \(E[S^2]\) เพื่อหา \(\mu\) และ \(\sigma^2\)
5. Z-score แบบ Log-normal: \(Z = (\ln(k) - \mu) / \sigma\)

ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ! ข้อผิดพลาดที่พบบ่อยที่สุดคือการคำนวณเลขในสูตรความแปรปรวนผิด หรือสับสนพารามิเตอร์ของ Log-normal ลองทำโจทย์ที่ต้องฝึกหา \(Var(S)\) ดูก่อน แล้วที่เหลือก็จะเริ่มรู้สึกคล่องเหมือนเป็นสัญชาตญาณเองครับ

เคล็ดลับจากผู้เชี่ยวชาญ: ในโจทย์เรื่อง Log-normal ให้เช็คเสมอว่าโจทย์ให้ สัมประสิทธิ์ความผันผวน (Coefficient of Variation) หรือ \(CV\) มาหรือไม่? \(CV = \sqrt{Var(S)} / E[S]\) ถ้าโจทย์ให้มา สูตรสำหรับ \(\sigma^2\) จะง่ายขึ้นอีกเยอะ: \(\sigma^2 = \ln(1 + CV^2)\) ครับ!