欢迎来到总损失近似值（Aggregate Loss Approximations）的世界！

你好！如果你正在准备 Exam FAM，你一定知道计算总索赔额（我们称之为总损失，即 \(S\)）的确切分布简直是一场噩梦。在现实生活中，一家保险公司可能会有成千上万笔索赔。想要精确计算出每一种可能的结果，几乎是不可能的任务。

这就是近似值 (Approximations) 发挥作用的时候了！在这一章中，我们将学习如何运用两个著名的“捷径”——正态分布 (Normal Distribution) 与 对数正态分布 (Log-normal Distribution)——来估算总损失的行为。这些工具能帮助精算师在无需超级计算机的情况下，判断公司需要多少资本才能保持偿付能力。

1. 基础知识：\(S\) 的期望值与方差

在进行任何近似之前，我们必须先掌握总损失 \(S\) 的“中心”与“离散程度”。请记住，\(S\) 是随机数量的索赔 (\(N\)) 乘以其随机大小 (\(X\)) 的总和。

“必背”公式：
1. 期望值（平均值）： \(E[S] = E[N] \times E[X]\)
2. 方差： \(Var(S) = E[N] \times Var(X) + Var(N) \times (E[X])^2\)

比喻： 把 \(E[S]\) 想成一堆砖块的平均高度。它取决于你平均有多少块砖头 (\(E[N]\))，以及每一块砖头平均有多厚 (\(E[X]\))。方差公式之所以比较复杂，是因为它同时考虑了索赔数量与单笔索赔金额两者的不确定性！

快速回顾：常见的频率分布

在计算 \(Var(N)\) 时，别忘了这些分布：
• 泊松分布 (Poisson)： \(E[N] = Var(N) = \lambda\)
• 负二项分布 (Negative Binomial)： \(Var(N) > E[N]\)
• 二项分布 (Binomial)： \(Var(N) < E[N]\)

2. 正态近似 (Normal Approximation)

正态近似依赖于中心极限定理 (Central Limit Theorem)。它指出，如果索赔数量足够多，总损失的分布就会开始呈现钟形曲线，而不论个别索赔的分布长得如何。

如何使用：

我们假设 \(S\) 服从正态分布：\(S \sim N(E[S], Var(S))\)。
若要找出总损失小于某个数值 \(k\) 的概率，我们使用 Z-score 公式：
\(Z = \frac{k - E[S]}{\sqrt{Var(S)}}\)

逐步流程：
1. 利用频率与严重程度的平均值算出 \(E[S]\)。
2. 使用第 1 节的公式算出 \(Var(S)\)。
3. 将数值代入 Z-score 公式。
4. 在标准正态分布表 (\(\Phi\) 表) 中查出对应的概率。

常见错误提醒：
学生常忘记对方差取平方根。Z-score 公式需要的是标准差 \(\sigma_S = \sqrt{Var(S)}\)，而不是方差本身！

你知道吗？ 正态近似通常在预期索赔数量 (\(E[N]\)) 非常大时效果较好。然而，它有一个重大缺陷：正态分布在理论上可能出现负值，但保险损失永远不可能小于零！

3. 对数正态近似 (Log-normal Approximation)

由于保险损失通常呈现偏态 (Skewed)（即很多小额索赔，少数巨额索赔）且总为正值，因此对数正态近似通常比正态近似更为贴切。

核心概念：

我们假设损失的自然对数 \(\ln(S)\) 服从正态分布。这意味着 \(S\) 本身是服从对数正态分布。我们需要找出两个参数：\(\mu\) 与 \(\sigma^2\)。注意：这些不是 \(S\) 的平均值与方差，而是 \(\ln(S)\) 的平均值与方差！

如何求解参数：

为了让对数正态分布与我们的总损失匹配，我们使用矩估计法 (Method of Moments)。你将会被给予（或自行计算出）\(E[S]\) 与 \(E[S^2]\)。
记得 \(E[S^2] = Var(S) + (E[S])^2\)。

利用以下两个“神奇”公式求出 \(\sigma^2\) 与 \(\mu\)：
1. \(\sigma^2 = \ln\left(\frac{E[S^2]}{(E[S])^2}\right) = \ln\left(1 + \frac{Var(S)}{(E[S])^2}\right)\)
2. \(\mu = \ln(E[S]) - 0.5\sigma^2\)

概率计算步骤：
如果你需要求出 \(Pr(S \le k)\)：
1. 使用上述公式找出 \(\mu\) 与 \(\sigma\)。
2. 将问题转换到对数空间：\(Pr(\ln(S) \le \ln(k))\)。
3. 计算 Z-score：\(Z = \frac{\ln(k) - \mu}{\sigma}\)。
4. 使用正态分布表查询概率。

重点总结： 对数正态分布是“右偏”的，这比起对称的正态分布，更能准确反映大多数保险索赔数据的特性。

4. 正态 vs. 对数正态：该选哪一个？

在考试环境中，题目通常会告诉你使用哪一个。不过，以下是一些分辨技巧：

• 使用正态近似的情况： 索赔数量非常大，且分布相对对称时。
• 使用对数正态近似的情况： 分布有明显偏态，或是你想确保模型不会产生负损失时。

记忆小撇步：
Normal 是 Nice（好用且简单，直接使用 \(E[S]\) 与 \(Var(S)\)）。
Log-normal Loves Logs（需要使用 \(\ln\) 及匹配矩）。

5. 总结与快速回顾

1. 总期望值： \(E[S] = E[N]E[X]\)。
2. 总方差： \(Var(S) = E[N]Var(X) + Var(N)E[X]^2\)。
3. 正态 Z-score： \(Z = (k - E[S]) / \sqrt{Var(S)}\)。
4. 对数正态参数： 匹配 \(E[S]\) 与 \(E[S^2]\) 以求得 \(\mu\) 与 \(\sigma^2\)。
5. 对数正态 Z-score： \(Z = (\ln(k) - \mu) / \sigma\)。

如果刚开始觉得很难，不用担心！ 最常见的错误通常是方差公式中的算术粗心，或是搞混了对数正态的参数。多练习几题需要计算 \(Var(S)\) 的题目，这些步骤很快就会变成你的肌肉记忆。

专家提示： 在处理对数正态问题时，请务必留意题目是否给了你变异系数 (Coefficient of Variation, CV)。\(CV = \sqrt{Var(S)} / E[S]\)。如果有给，\(\sigma^2\) 的公式会变得更简单：\(\sigma^2 = \ln(1 + CV^2)\)！