欢迎来到严重程度模型 (Severity Models)！

哈喽，未来的精算师！欢迎来到 ASTAM 课程中最实用且有趣的单元之一。虽然频率 (frequency) 告诉我们索赔发生的次数，但严重程度 (severity) 则告诉我们这些索赔实际产生的成本。你可以这样理解：频率就是你摔坏手机的次数，而严重程度就是维修账单的金额！

在本章中，我们将学习如何描述和比较不同索赔成本的“分布形态”。有些索赔金额小且可预测（例如挡风玻璃破裂），而另一些则可能巨大且罕见（例如飓风）。理解这些特性有助于我们合理地制定保险费率，并确保保险公司有足够的资金来支付那些“重大”意外。

如果起初觉得这些概念很复杂，请不用担心！ 我们会一步步拆解，从基础定义到 SOA 最爱考的进阶“尾部加权 (tail weight)”概念。

1. 基础函数

在分析分布之前，我们需要先掌握基本的工具。你可能在 Exam FAM 中学过这些，但它们在这里同样至关重要。

累计分配函数 (Cumulative Distribution Function, CDF)： \(F(x)\)
这告诉我们索赔 \(X\) 小于或等于特定金额 \(x\) 的概率。
\(F(x) = P(X \le x)\)

生存函数 (Survival Function)： \(S(x)\)
在严重程度分析中，我们通常更关心损失超过特定金额（例如免赔额）的概率。
\(S(x) = 1 - F(x) = P(X > x)\)

概率密度函数 (Probability Density Function, PDF)： \(f(x)\)
CDF 的导数。它代表索赔金额正好为某个值的“可能性”。
\(f(x) = F'(x) = -S'(x)\)

危险率 (Hazard Rate) / 失效率 (Failure Rate)： \(h(x)\)
这是 ASTAM 的关键概念。它代表在已知索赔尚未发生的情况下，此刻发生索赔的“瞬时”概率。在严重程度分析中，它能帮助我们观察当索赔金额增加时，发生更大索赔的“风险”如何变化。
\(h(x) = \frac{f(x)}{S(x)}\)

快速复习：危险率

如果 \(h(x)\) 是递减的 (decreasing)，表示随着索赔金额变大，索赔结束（成本停止增加）的“比率”会变慢。这是重尾分布 (heavy-tailed) 的征兆（极大额索赔是有可能发生的）。

2. 动差 (Moments) 及其相关概念

动差帮助我们用少数几个数字来总结一个分布。

原始动差 (\(k\)-th moment)

\(k\)-th 原始动差记作 \(E[X^k]\)。
\(E[X^k] = \int_{0}^{\infty} x^k f(x) dx\)

精算小贴士： 对于仅取正值的严重程度分布（大多数情况下都是！），你也可以利用生存函数来计算平均值：
\(E[X] = \int_{0}^{\infty} S(x) dx\)

变异数、偏态与峰态

  • 变异数 (Variance)： 衡量“分散程度”。高变异数代表索赔金额差异极大。
  • 偏态 (Skewness)： 衡量不对称性。大多数严重程度分布都是右偏 (positively skewed) 的，这意味着存在一个长尾，包含极大额的索赔。
  • 峰态 (Kurtosis)： 衡量“尖峰程度”和尾部加权。较高的峰态通常代表出现更多“极端”值（厚尾）。

你知道吗？ 在保险界，我们几乎看不到使用“正态分布”来描述严重程度，因为索赔成本不可能为负，而且它们往往含有正态分布无法处理的巨大“异常值”！

3. 尾部加权：分布有多“危险”？

这是本章对于 ASTAM 考试最重要的概念。尾部加权 (tail weight) 描述了我们见到极大额索赔的可能性。

分布比较

SOA 经常会问你两个分布中哪一个是“重尾 (heavier-tailed)”。对于保险公司而言，尾部越重的分布风险越高。以下是三种检查方法：

方法 1：动差是否存在
如果分布 A 拥有所有动差（如指数分布或 Gamma 分布），但分布 B 仅拥有前两个动差（如某些 Pareto 分布），那么分布 B 的尾部较重。如果对于较大的 \(k\)，动差不存在，则该尾部为“厚尾”。

方法 2：生存函数之比
观察两个分布生存函数之比的极限来进行比较：
\(\lim_{x \to \infty} \frac{S_1(x)}{S_2(x)}\)
如果极限趋近于 \(\infty\)，则分布 1 的尾部较重。如果极限趋近于 0，则分布 2 较重。

方法 3：危险率行为
递减危险率 (DHR) 代表重尾。如果 \(x \to \infty\) 时 \(h(x) \to 0\)，则为极重尾（如 Pareto 分布）。如果 \(h(x) \to c\)（常数），则为中等（指数分布）。如果 \(h(x) \to \infty\)，则为轻尾。

尾部加权总结（由最轻到最重）
  1. 轻尾 (Light Tails)： 正态分布、Gamma 分布（当 \(\alpha > 1\) 时）。这些比较“安全”。
  2. 中等尾 (Medium Tails)： 指数分布。我们的“基准”。
  3. 重尾 (Heavy Tails)： 对数正态 (Lognormal)、Pareto、Burr 分布。这些是让精算师彻夜难眠的类型！

4. 平均剩余寿命 (Mean Residual Life, MRL)

平均剩余寿命函数 (Mean Residual Life function)，即 \(e(x)\)，是指已知索赔金额已超过 \(x\) 的情况下，该索赔的预期额外成本。

公式： \(e(x) = E[X - x | X > x] = \frac{\int_{x}^{\infty} S(t) dt}{S(x)}\)

为什么 MRL 很重要：

  • 如果 \(e(x)\) 是常数：这是指数分布（具有“无记忆性”）。无论索赔已经多大，预期的额外成本都保持不变。
  • 如果 \(e(x)\) 是递增的：这是重尾分布（如 Pareto）。索赔金额越大，我们预期额外的成本就越高！
  • 如果 \(e(x)\) 是递减的：这是轻尾分布。

类比： 想象你在维修一栋非常老旧的房子。如果“维修严重程度”具有递增的 MRL，这意味着每当你发现一个问题并修复它之后，你反而预期剩余的潜在问题会更昂贵！（这就是重尾噩梦）。

5. 必须了解的重要严重程度分布

虽然考试时有公式表，但你应该要认出这些分布的“个性”：

1. 指数分布 (Exponential)： “中间地带”。具有恒定的危险率和恒定的 MRL。
2. Gamma 分布： 灵活。若形状参数 \(\alpha > 1\)，为轻尾；若 \(\alpha < 1\)，则比指数分布重。
3. Pareto 分布： 经典的重尾代表。常用于大型巨灾损失。具有递减的危险率和递增的 MRL。
4. Weibull 分布： 同样灵活。其尾部加权取决于形状参数 \(\tau\)。
5. 对数正态分布 (Lognormal)： 许多保险业务的常见选择。比 Gamma 分布重，但通常比 Pareto 分布轻。

6. 常见陷阱与错误

  • 混淆 \(f(x)\) 与 \(h(x)\)： 请记住危险率 \(h(x)\) 是一个比率。即使 PDF \(f(x)\) 趋近于零，危险率仍可能趋向无穷大。
  • 忽略定义域 (Support)： 务必检查分布是从 0 开始，还是从其他值开始（例如截断分布）。
  • 搞混尾部比较： 使用比率 \(\frac{S_1(x)}{S_2(x)}\) 时，确保你是取 \(x \to \infty\) 的极限，而不是 \(x \to 0\)。

考试重点总结

1. 危险率： 递减危险率 = 重尾。常数 = 指数分布。
2. 平均剩余寿命： 递增 MRL = 重尾。对于超额损失再保险 (excess-of-loss reinsurance) 定价很有用。
3. 动差是否存在： 如果高阶动差不存在，你面对的就是“危险的”重尾分布。
4. 比较： 利用生存函数的极限或危险率来根据风险程度对分布进行排序。

继续努力！ 严重程度特性是 ASTAM 后续更复杂模型（如承保调整，包括免赔额与保额上限）的基础。现在掌握好这些“形态”，课程剩下的部分会顺利很多！