欢迎来到总赔款（Aggregate Claims）的世界！

你好！既然你已经修读到 Exam ASTAM，你一定已经知道，保险公司关心的不仅仅是单一的一笔赔款——他们更在乎在一段时间内必须赔付的总金额。这笔总金额称为总赔款（Aggregate Claim），通常记作 \(S\)。

在本章中，我们将学习如何计算 \(S\) 的概率分布。为什么这很重要？因为如果精算师无法预测总赔款超过特定金额的可能性，公司可能就没有足够的资金来支付赔款！我们将专注于两个主要的“工具包”：卷积（Convolution）（适用于我们确切知道发生了多少次赔款时）以及递归公式（Recursive Formulas）（特别是 Panjer 递归，适用于赔款次数为随机变量时）。

如果一开始觉得数学部分看起来很吃力，别担心。我们会把它拆解成容易消化的小部分！

1. 基本构建：什么是 \(S\)？

在深入公式之前，让我们回顾一下核心模型：

\( S = X_1 + X_2 + ... + X_N \)

其中：
• \(N\) 是频率（Frequency）（赔款次数）。
• \(X_i\) 是严重程度（Severity）（第 \(i\) 笔赔款的金额）。
• \(S\) 是总损失（Aggregate Loss）（赔付出的总金额“堆”）。

在本章中，我们通常假设所有的 \(X_i\) 都是独立同分布（i.i.d.）的，并且与 \(N\) 也是相互独立的。

2. 卷积法（Convolution Method）

想象一下，你确定发生了刚好 2 笔赔款（\(N=2\)）。要找出总成本为 100 元的概率，你必须检查所有两个数字加起来等于 100 的组合（例如：20+80、50+50、0+100）。

卷积其实就是“加总所有组合”的正式数学表达方式。

运作方式：

如果我们定义 \(f_X(x)\) 为单一赔款的概率质量函数（pmf），那么 \(n\) 笔赔款总和的 pmf（记为 \(f^{*n}(s)\)）计算如下：

\( f^{*n}(s) = \sum_{x=0}^{s} f_X(x) \cdot f^{*(n-1)}(s-x) \)

逐步拆解：

1. 从 \(n=1\) 开始： 单一赔款总和的分布就是赔款本身的分布，即 \( f^{*1}(s) = f_X(s) \)。
2. 进入 \(n=2\)： 通过将 \(X\) 的分布与自身进行“滑动”对照，来计算“二阶卷积”。
3. 持续进行： 对于 \(n=3\)，你将 \(X\) 与 \(n=2\) 的结果进行卷积。

小贴士： 卷积对于较小的 \(N\) 非常有用，但如果 \(N\) 很大，手动计算简直是一场噩梦。这就像是手动计数——准确，但非常缓慢！

重点总结： 卷积是用来求出固定数目的独立变量相加后其总和分布的方法。

3. Panjer 递归公式（Panjer’s Recursive Formula）

现在，让我们来看看精算科学的“魔术”。在现实世界中，\(N\) 并非固定值，而是一个随机变量（例如 Poisson 或负二项分布）。如果我们在这里使用卷积，我们必须为每一个可能的 \(N\) 值计算总和，那工作量太大了！

Harry Panjer 开发了一个递归捷径。如果频率 \(N\) 属于 (a, b, 0) 类别，我们可以在不需要分别计算每一个 \(n\) 的情况下，找出总和 \(S\) 的概率。

(a, b, 0) 类别复习

回想一下，对于这些分布，概率 \(p_n = P(N=n)\) 满足：
\( \frac{p_n}{p_{n-1}} = a + \frac{b}{n} \)

常见成员包括：
• Poisson： \(a = 0, b = \lambda\)
• 二项分布（Binomial）： \(a < 0\)
• 负二项分布（Negative Binomial）： \(a > 0\)

公式（主角登场）

对于离散严重程度 \(X\)，其 pmf 为 \(f_X(x)\)，其中 \(x = 1, 2, 3, ...\)，则总赔款 \(f_S(s)\) 的 pmf 为：

\( f_S(s) = \frac{1}{1 - a f_X(0)} \sum_{x=1}^{s} (a + \frac{bx}{s}) f_X(x) f_S(s-x) \)

等等！我该如何开始递归？

你需要一个起始值 \(f_S(0)\)。这是总赔款为 0 的概率。这发生在 \(N=0\) 时，或者当 \(N>0\) 但所有赔款恰好都是 0 元时。
对于 (a, b, 0) 类别，公式为：
\( f_S(0) = P_N(f_X(0)) \)

其中 \(P_N(z)\) 是频率 \(N\) 的概率生成函数（pgf）。

你知道吗？ 如果严重程度 \(X\) 不可能为 0（即 \(f_X(0) = 0\)），公式会变得简单得多，因为前面的分数项会变成 1！

Panjer 过程逐步教学：

1. 确认 \(a\) 和 \(b\)： 根据给定的频率分布（\(N\)）。
2. 计算 \(f_S(0)\)： 使用 \(N\) 的 pgf。
3. 求解 \(f_S(1)\)： 在公式中使用 \(s=1\)。
4. 求解 \(f_S(2)\)： 在公式中使用 \(s=2\)（这将用到你之前算出的 \(f_S(1)\)）。
5. 重复步骤 直到达到你想要的 \(s\) 值。

常见错误： 忘记 Panjer 公式中的总和是从 \(x=1\) 开始，而不是 \(x=0\)。如果你把 \(x=0\) 包含在总和中，你会发现等式两边都有 \(f_S(s)\)，这会让你非常困惑！

重点总结： Panjer 递归是一种强大的方法，通过利用先前计算出的 \(f_S\) 值来求得 \(S\) 的分布。

4. 处理连续型严重程度：离散化（Discretization）

Panjer 公式仅在严重程度 \(X\) 是离散时才有效（意即赔款金额为 1 元、2 元等，而不是 1.2345 元...）。但在现实世界中，赔款往往是连续的。我们该怎么办？

我们是将分布离散化！我们将连续曲线“切割”成大小为 \(h\) 的区间（bucket）。

舍入法（最简单的方法）

在此方法中，我们是将区间的概率分配给最近的“网格点”。如果我们的步长是 \(h\)：

• \( f_0 = P(0 \le X < h/2) = F_X(h/2) \)
• \( f_j = P(jh - h/2 \le X < jh + h/2) = F_X(jh + h/2) - F_X(jh - h/2) \)

类比： 想象你有一袋面粉（连续的）。离散化就像是把面粉装进 1 磅的小袋子里（离散的）。它虽然不完全相同，但计数起来容易多了！

5. 快速回顾与考试贴士

记忆辅助：Panjer 的“A-B-S”
记住总和中的项：(a + bx/s)。
• a 和 b 来自频率。
• x 是你当前正在检视的赔款值。
• s 是你试图计算的总和目标。

快速总结表：
• 频率 \(N\) 固定： 使用卷积。
• 频率 \(N\) 为 (a, b, 0)： 使用 Panjer 递归。
• 严重程度 \(X\) 连续： 先离散化，然后使用 Panjer。

最后鼓励

第一次看到 Panjer 表格时，它看起来像是一座数字大山。但请注意其中的规律：每一行都使用了上方计算过的结果。多练习几次计算 \(f_S(1)\) 和 \(f_S(2)\)，你就会找到节奏。你可以做到的！