简介：解读随机性

欢迎踏上随机过程 (Stochastic Processes) 的学习旅程！如果这个名称听起来有点吓人，别担心——其实你已经凭直觉理解这个概念了。在精算科学的世界里，我们很难确切预知未来：我们无法得知保险索赔具体会在哪一天发生，也无法预测明天的股价。 随机过程简单来说，就是一种用来模拟随机变量如何随时间变化的数学工具。你可以把它想象成一部“随机电影”，而不仅仅是随机的一张快照。读完这一章，你将能够分类各类过程，并理解驱动它们的基本性质。

1. 什么是随机过程？

最简单地说，随机过程是一系列随时间标记的随机变量，我们通常写作 \( \{X_t : t \in T\} \)。 构成要素： 1. 状态空间 (State Space, \(S\))： 这是随机变量所有可能取值的集合。如果我们在计算队伍中的人数，状态空间就是 \( \{0, 1, 2, ...\} \)。 2. 索引集 (Index Set, \(T\))： 这代表时间。它可以是离散的（例如：每天中午），也可以是连续的（例如：任何时间点）。 现实生活中的类比： 想象你在追踪潮汐的高度。“状态空间”是任何可能的高度（例如 0 到 10 米）。“索引集”是一天中的时间。由于潮汐可以在任何微秒进行测量，这是一个连续时间 (continuous time) 过程。

2. 随机过程的分类

考试中最常见的任务之一就是辨识过程的类型。我们根据时间和状态空间是离散还是连续来进行分类。

A. 离散时间，离散状态空间

例子： 保险公司每天收到的索赔数量。 时间按步进（第 1 天、第 2 天），而索赔数量是整数。

B. 连续时间，离散状态空间

例子： 从年初到 \(t\) 时刻累计收到的保险索赔总数。 索赔可能在任何时刻发生（连续时间），但累计总数始终是整数（离散状态）。

C. 离散时间，连续状态空间

例子： 每天收市时的股票价格。 时间是离散的（每日），但价格可以是任何小数值（连续）。

D. 连续时间，连续状态空间

例子： 一整天持续测量的政府债券收益率。 时间和数值均可在范围内取任何值。
快速回顾：2x2 分类表
- 离散时间： 时间是一连串的点：\( t = 0, 1, 2... \) - 连续时间： 时间是一个区间：\( [0, \infty) \) - 离散状态： 数值是可数的（0, 1, 2...）。 - 连续状态： 数值可以是范围内的任何实数。

3. 随机过程的关键性质

为了简化分析，我们通常会寻找特定的“行为”或性质。

马可夫性质 (Markov Property)

这可能是 CS2 中最重要的概念。如果一个过程的未来状态仅取决于现在的状态，而与到达该状态的路径无关，则该过程具有马可夫性质。 金鱼类比： 想象一条鱼缸里的金鱼。要预测它 10 秒后在哪里，你只需要知道它现在在哪里。它 5 分钟前在哪里对你的预测没有帮助。该过程的“记忆”只有一步之深。 数学表达式： \( P(X_{t+n} = y | X_t = x, X_{t-1} = x_{t-1}, ..., X_0 = x_0) = P(X_{t+n} = y | X_t = x) \)

平稳性 (Stationarity)

如果一个过程的统计性质不随时间推移而改变，该过程就是“平稳”的。你需要掌握两种主要类型： 1. 严平稳 (Strict Stationarity)： 无论时间如何平移，整个联合分布保持不变。这在现实世界中非常严苛且罕见。 2. 弱平稳 (Weak / Second-Order Stationarity)： 我们只关注前两个“矩”： - 均值 \( E[X_t] \) 为常数（不依赖于 \(t\)）。 - 两个点之间的协方差 \( Cov(X_t, X_{t+k}) \) 仅取决于它们之间的滞后项 (lag, \(k\))，而不取决于实际时间 \(t\)。
如果这看起来很难，别担心……
把平稳过程想象成喷泉。虽然个别的水滴在移动（随机性），但喷泉的整体“形状”和“高度”随时间看来是一样的。

4. 增量 (Increments)：随时间的变化

我们经常研究过程的增量，即一段时间内的变化：\( X_{t+s} - X_t \)。 独立增量 (Independent Increments)： 过程在不重叠的时间区间内的变化是相互独立的。例如，上午 9 点到 10 点收到的索赔数量，对下午 2 点到 3 点收到的索赔数量没有影响。 平稳增量 (Stationary Increments)： 变化的分布仅取决于时间区间的长度，而不是开始时间。无论是周一早上还是周五晚上，任何 1 小时内的索赔数量都遵循相同的分布。

5. 值得记住的常见例子

随机游走 (Random Walk)

想象一个人站在直线上。每秒钟掷一次硬币。如果是正面，他向右走一步 (+1)；如果是反面，他向左走一步 (-1)。 - 这是一个离散时间、离散状态过程。 - 它是马可夫过程的经典例子。

泊松过程 (Poisson Process)

这用于模拟事件的发生（如保险索赔或电话来电）。 - 它具有独立增量。 - 它是一个连续时间、离散状态过程。

6. 应避免的常见错误

- 混淆状态与时间： 随时问自己：“我正在测量什么？”(状态) 以及“我何时测量它？”(时间)。 - 假设所有过程都是马可夫的： 有些过程具有“长记忆”，即过去 10 个步骤都很重要。这些过程就不是马可夫的。 - 混淆增量： 记住，独立 (Independent) 增量是指区间之间的关系，而平稳 (Stationary) 增量是指变化本身的分布。

总结与关键要点

- 随机过程是随时间变化的随机变量序列。 - 过程根据其时间（离散/连续）和状态空间（离散/连续）进行分类。 - 马可夫性质意味着在已知现在的情况下，未来与过去无关。 - 弱平稳性要求均值恒定，且协方差仅取决于时间滞后。 - 独立增量意味着一个时间段内发生的事情不会影响另一个时间段。 复习小贴士： 当面对一个新过程时，试着在图表上画出来。如果 x 轴（时间）是点状的，它就是离散时间；如果 y 轴（数值）是点状的，它就是离散状态空间！