欢迎来到马可夫过程（Markov Processes）的世界！

你好！欢迎来到 CS2 学习之旅中最基础的章节之一。如果你曾经好奇精算师是如何建立模型来描述汽车保险的「无赔款折扣」（NCD）等级变动，或是描述一个人从「健康」到「患病」再到「死亡」的状态转移，那么你来对地方了。

今天，我们要学习的是马可夫过程（Markov processes）。别被这个名字吓倒——它的核心非常简单：马可夫过程就是一个「善忘」的系统。它不在乎自己是如何走到现在这个状态的，它只关心现在处于什么状态。让我们开始吧！

1. 到底什么是马可夫过程？

想像你在玩一款桌游，你的下一步取决于当前所在的格子以及骰子点数。至于你走到这一格是因为刚才掷出了 6 点，还是因为踩到了「去监狱」的格子，这完全不重要。这种「无记忆」的特性，就是马可夫过程的定义。

马可夫性质（The Markov Property）

如果一个随机过程 \( \{X_t\} \) 的未来状态仅取决于其当前状态，而与之前的事件序列无关，则该过程具有马可夫性质。

以数学形式表示，对于离散时间过程：

\( P(X_{n+1} = x_{n+1} | X_n = x_n, X_{n-1} = x_{n-1}, \dots, X_0 = x_0) = P(X_{n+1} = x_{n+1} | X_n = x_n) \)

重点重温：你可以把马可夫性质想像成「金鱼的记忆力」。这个过程的记忆非常短——它只记得当下自己在哪里。

如果一开始觉得有点难也不用担心……

很多学生初学时会觉得符号很复杂。只要记住一点：过去已成过去。预测未来所需的所有信息，都已经包含在当前的状态里了。

2. 马可夫过程的分类

并非所有的马可夫过程都长得一样。我们根据两个维度来分类：时间和状态空间。

时间：离散（Discrete）与连续（Continuous）

  • 离散时间：变动发生在特定的时间间隔（例如：每一年年底）。例子：无赔款折扣（NCD）系统，仅在保单续保时调整等级。
  • 连续时间：变动随时可能发生。例子：一个人可能在一天内的任何时间生病或离世，而不仅仅是在午夜！

状态空间：离散（Discrete）与连续（Continuous）

  • 离散状态空间：你身处于有限或可数的几个「箱子」之一。例子：索偿次数（0, 1, 2...）。
  • 连续状态空间：你可以在一定范围内的任何数值上。例子：一家公司的精确股价。

备注：在 CS2 中，我们主要关注具有离散状态空间的过程，通常称为马可夫链（Markov Chains）。

3. 转移概率（Transition Probabilities）

由于我们只关心当前状态，我们需要知道从状态 i 移动到状态 j 的概率。我们将其称为转移概率。

转移矩阵（Transition Matrix, \( P \)）

对于离散时间马可夫链，我们将这些概率整理成一个方阵。如果我们有状态 1、2 和 3，矩阵看起来像这样：

\( P = \begin{pmatrix} p_{11} & p_{12} & p_{13} \\ p_{21} & p_{22} & p_{23} \\ p_{31} & p_{32} & p_{33} \end{pmatrix} \)

如何解读：列（Row）代表你的起点（从哪里来），行（Column）代表你的终点（到哪里去）。所以，\( p_{12} \) 就是从状态 1 移动到状态 2 的概率。

转移矩阵的重要规则：
  • 规则 1：所有元素必须介于 0 和 1 之间（因为它们是概率！）。
  • 规则 2：每一列（Row）的总和必须恰好为 1。这是因为过程必然会转移到某个状态（即使是留在原地，也算转移到自己）。
常见错误要避开：

很多学生常试图让行（Column）的总和等于 1。千万别这样！只有列的总和要求为 1。行总和可以是任何数字。

4. 时间齐次性（Time Homogeneity）

如果转移概率不随观察时间的改变而改变，那么这个马可夫过程就是时间齐次的（time-homogeneous）。

例子：如果一个「健康」的人变为「患病」的概率，今天和十年后是一样的，那么这个过程就是时间齐次的。如果风险随年龄增长而增加（这通常是事实！），那么它就是非齐次的（non-homogeneous）。

你知道吗？大多数考题都会以「考虑一个时间齐次的马可夫链……」开头。这简直是送分题！因为这代表转移矩阵 \( P \) 在时间的推移下保持不变。

5. 查普曼-科尔莫哥洛夫方程（Chapman-Kolmogorov Equations）

听起来名字很吓人，但实际上是一个非常直观的概念。它能帮助我们找出多步骤（multiple steps）的转移概率。

假设你想知道从状态 i 在两步内移动到状态 j 的概率。为了做到这一点，你必须在第一步从 i 移动到某个中间状态 k，然后在第二步从 k 移动到 j。

在数学上，\( n \) 步转移矩阵就是将 1 步转移矩阵进行 \( n \) 次幂运算：

\( P^{(n)} = P \times P \times \dots \times P = P^n \)

逐步例子：
如果你有 1 年的转移矩阵 \( P \)，而你想找到 3 年期的转移概率，你只需要计算 \( P^3 \)。

关键重点：

若已知初始分布向量 \( \pi_0 \)，要计算经过 \( n \) 步后处于某个状态的概率：
\( \pi_n = \pi_0 P^n \)

6. 总结与快速重温

恭喜你掌握了马可夫过程的基础！以下是你应该记住的清单：

1. 马可夫性质：未来仅取决于现在（无记忆性）。
2. 状态与时间：可以是离散的（阶梯/桶子）或连续的（流动的）。
3. 转移矩阵：列 =「从哪来」，行 =「到哪去」。列总和永远为 1。
4. 时间齐次性：转移规则不会随着时间改变。
5. 查普曼-科尔莫哥洛夫方程：使用矩阵乘法来推算未来的多步骤状态。

专家小撇步：在处理 NCD 或保险问题时，请务必先画出状态转移图（state-transition diagram）。这样在填写转移矩阵时就不容易出错了！

请持续练习这些定义——它们是你以后在 CS2 中应对更复杂模型时的基石。你可以做到的！