欢迎来到状态依赖概率的世界！

你好，未来的精算师！在之前的章节中，你可能接触过简单的生存模型，当中人们只会处于“生存”或“死亡”两种状态。这一章我们要升级了！我们将探索连续时间马可夫模型 (Continuous-Time Markov Models)，在这个模型中，一个人可以在多个不同状态之间转换（例如“健康”、“患病”和“死亡”），而转换的概率取决于他们当前的年龄和所处状态。

这听起来可能很吓人，但你可以把它想象成寿险界的 GPS。我们正试图绘制一个人可能经历的所有路径，并计算他们在特定时间到达特定目的地的概率。让我们开始吧！

1. 基本概念：什么是状态依赖模型？

在现实世界中，风险并非只有“开”或“关”这两种状态。一个人可能在退休计划中处于“活跃”状态，然后转为“伤残”，之后或许“康复”，最终“身故”。

在连续时间马可夫模型中，我们假设：
1. 未来仅取决于当前状态（这就是“马可夫性质”(Markov Property)）。
2. 转换可以在任何极短的时间内发生。
3. 转换概率取决于个人的年龄，我们将其表示为 \( x+t \)。

关键术语：转换强度 (Transition Intensity)

转换强度，表示为 \( \mu_{x+t}^{ij} \)，是指在 \( x+t \) 岁时，从状态 \( i \) 移转至状态 \( j \) 的“瞬间”速率。

类比：将转换强度想象成汽车的速度计。如果速度计显示时速 60 英里，并不代表你已经行驶了 60 英里；而是代表在这一瞬间，你的移动速率就是这么快。同样地，\( \mu_{x+t}^{ij} \) 就是人们从状态 \( i \)“流向”状态 \( j \) 的速率。

2. 转换概率：\( {}_t p_x^{ij} \)

虽然强度是“速度”，但转换概率是指经过一段时间后，处于特定状态的实际可能性。

\( {}_t p_x^{ij} \) = 一个在 \( x \) 岁时处于状态 \( i \) 的人，在 \( x+t \) 岁时处于状态 \( j \) 的概率。

重要区别：
- \( {}_t p_x^{ii} \): 给定起始状态为 \( i \)，在时间 \( t \) 处于状态 \( i \) 的概率。（你可以中途离开又回到状态 \( i \)！）
- \( {}_t p_x^{\bar{ii}} \): 从时间 \( 0 \) 到 \( t \) 持续停留在状态 \( i \) 且从未离开过的概率。

停留概率的快速公式：
\( {}_t p_x^{\bar{ii}} = \exp\left( -\int_0^t \sum_{k \neq i} \mu_{x+s}^{ik} ds \right) \)
记忆小撇步：这看起来和生存公式 \( {}_t p_x = e^{-\int \mu ds} \) 如出一辙！我们只需将所有“离开”状态 \( i \) 的路径加总即可。

摘要表：概率 vs. 强度

强度 (\( \mu \))： 变化的速率（“速度”）。
概率 (\( p \))： 身处某地的可能性（“位置”）。

3. 柯尔莫哥洛夫前向方程式 (Kolmogorov Forward Equations)

别被名字吓到了！这些方程式只是用来描述概率如何随极短时间片段发生变化的方法。

对于任何状态 \( j \)，概率的变化率 \( \frac{d}{dt} {}_t p_x^{ij} \) 是通过观察流入量 (Inflow) 减去 流出量 (Outflow) 来计算的。

一般方程式：
\( \frac{d}{dt} {}_t p_x^{ij} = \sum_{k \neq j} \left( {}_t p_x^{ik} \mu_{x+t}^{kj} \right) - {}_t p_x^{ij} \sum_{k \neq j} \mu_{x+t}^{jk} \)

让我们拆解一下：
1. 流入：将处于任何其他状态 \( k \) 并转换到状态 \( j \) 的概率加总。
2. 流出：减去已经处于状态 \( j \) 并转换离开该状态到任何其他状态 \( k \) 的概率。

范例：健康-患病-死亡模型
若状态 0 = 健康，1 = 患病，2 = 死亡，则处于患病状态的概率变化 (\( {}_t p_x^{01} \)) 为：
\( \frac{d}{dt} {}_t p_x^{01} = \underbrace{{}_t p_x^{00} \mu_{x+t}^{01}}_{\text{从健康到患病}} - \underbrace{{}_t p_x^{01} (\mu_{x+t}^{10} + \mu_{x+t}^{12})}_{\text{从患病到健康或死亡}} \)

4. 求解方程式（欧拉法 Euler’s Method）

在 ALTAM 考试中，你通常无法仅用微积分完美求解这些方程式。相反，你需要使用欧拉法来估算下一步。

欧拉逼近逐步教学：
1. 从时间 \( t \) 的当前概率开始。
2. 使用柯尔莫哥洛夫前向方程式计算导数（变化率）。
3. 将该变化率乘以一个极小的时间步长 \( h \)。
4. 将其加到起始概率上，即可得到时间 \( t+h \) 的概率。

公式：
\( {}_t+h p_x^{ij} \approx {}_t p_x^{ij} + h \cdot \left( \frac{d}{dt} {}_t p_x^{ij} \right) \)

常见错误：忘记 \( h \)（步长）通常很小（例如一个月为 1/12，或一天为 1/365）。千万别忘了将导数乘以 \( h \)！

5. 处理非恒定强度

有时考试会给你随时间变化的强度函数，例如 \( \mu_{x+t}^{01} = 0.01 + 0.001(x+t) \)。

你知道吗？这使得模型变成了“非齐次模型”(Non-Homogeneous)。这意味着转换的“速度”会随着年龄增长而改变。

当强度发生变化时，要找出留在某状态的概率，你必须进行积分。
\( {}_t p_x^{\bar{ii}} = \exp\left( -\int_0^t \text{总离开速率} \right) \)

快速回顾：
- 如果离开速率是恒定的 (\( \mu \))，则 \( {}_t p_x^{\bar{ii}} = e^{-\mu t} \)。
- 如果离开速率是线性的（如 \( At + B \)），你需要进行积分，指数部分将会变成一个二次式！

6. 总结与核心重点

需要牢记的重点：
- 状态与转换：我们使用强度 (\( \mu \)) 来追踪多种状态之间的移动。
- 停留 vs. 处于： \( {}_t p_x^{\bar{ii}} \) 代表“从未离开”，而 \( {}_t p_x^{ii} \) 代表“又回到了原点”。
- 前向方程式：变化率简单来说就是“流入量减去流出量”。
- 欧拉法：用于数值步长计算：\( \text{新值} = \text{旧值} + (\text{步长} \times \text{变化率}) \)。

最终鼓励：
连续时间马可夫模型只是一种追踪移动的正式方式。如果你能视觉化状态盒之间的“流动”，数学逻辑通常就会随之清晰。试着练习绘制状态图——这有助于厘清哪些强度属于方程式的哪一部分！