欢迎来到索赔金额（Severity）的世界！

在 Exam FAM 的「索赔金额、索赔次数与总额模型（Severity, Frequency, and Aggregate Models）」章节中，我们不仅要看索赔发生了多少次（这是 Frequency），还要看这些索赔的成本究竟是「多少」。这就是我们所说的索赔金额（Severity）。

在本章中，我们将学习如何运用动差（Moments）和百分位数（Percentiles）来描述这些索赔金额的「行为」。你可以把它们想象成概率分布的 DNA——它们告诉我们数据的中心在哪里、分布有多广，以及我们是否需要预防系统中可能出现的巨大「冲击」。如果现在觉得这些概念有点抽象，不用担心！我们会一步一步为你拆解！

1. 原始动差（Raw Moments）：测量「大小」

描述一个分布最简单的方法就是通过它的原始动差。原始动差本质上就是随机变量的幂次期望值。

定义：随机变量 \(X\) 的第 \(k\) 个原始动差记为 \(E[X^k]\)（有时写作 \(\mu'_k\)）。

第一个原始动差：平均数（Mean）

第 1 个原始动差（\(k=1\)）最为人熟知：即平均数（Mean）（\(\mu\)）。它代表你在长期内预期会看到的「平均」索赔金额。
\(E[X] = \int_{0}^{\infty} x \cdot f(x) \, dx\)（适用于连续变量）
\(E[X] = \sum x \cdot p(x)\)（适用于离散变量）

高阶原始动差

随着 \(k\) 增大（如 \(E[X^2], E[X^3]\)），我们给予较大的索赔金额更多的「权重」。这就是为什么高阶动差对分布的「尾部」（即非常大的索赔）非常敏感。

快速复习：
- 第 1 动差 = 中心（平均数）
- 第 2 动差 = 有助于测量离散程度（方差）

2. 中心动差（Central Moments）：测量「离散程度」

原始动差关注的是相对于零的距离，而中心动差关注的是相对于平均数的距离。这能告诉我们实际索赔金额在平均值周围的波动程度。

定义：第 \(k\) 个中心动差记为 \(E[(X - \mu)^k]\)（有时写作 \(\mu_k\)）。

方差（Variance, \(\sigma^2\)）

第 2 个中心动差就是方差。它告诉我们索赔金额有多「不可预测」。
\(\text{Var}(X) = E[(X - \mu)^2] = E[X^2] - (E[X])^2\)

常见错误：学生经常混淆 \(E[X^2]\) 和 \((E[X])^2\)。请记住：平方的平均值并不等于平均值的平方！

标准差（Standard Deviation, \(\sigma\)）

由于方差的单位是「单位的平方」（例如元平方），我们取平方根来回到原始单位。
\(\sigma = \sqrt{\text{Var}(X)}\)

变异系数（Coefficient of Variation, CV）

这是一个非常实用的「现实世界」指标，用于衡量相对风险。
\(CV = \frac{\sigma}{\mu}\)
比喻：对 $1,000 的索赔而言，$100 的波动（CV = 0.1）算是「稳定」；但对 $50 的索赔而言，$100 的波动（CV = 2.0）就是「极度不可预测」！

重点总结：中心动差帮助我们理解索赔金额的风险与波动性。

3. 偏度与峰度（Skewness and Kurtosis）：风险的「形状」

保险索赔很少呈「常态分布」。它们通常包含少数几笔非常大的索赔和大量的小额索赔。我们使用偏度和峰度来描述这种「倾斜度」。

偏度（Skewness）

偏度衡量不对称性。
- 正偏（右偏，Positive Skew）：大多数保险分布都是这种形式！右边有一条长长的尾巴，代表非常大的索赔。
- 零偏（Zero Skew）：完美对称（如常态分布）。

峰度（Kurtosis）

峰度衡量尾部有多「肥厚」。高峰度意味着「极端事件」（黑天鹅事件）发生的频率比常态分布所预期的更高。

你知道吗？精算师非常重视偏度，因为单一重大的飓风或山火索赔金额可能抵过成千上万笔小额索赔。这种「尾部风险」正是保险业最具挑战性的地方！

4. 百分位数与分位数（Percentiles and Quantiles）

有时我们不想要平均值，而是想知道：「索赔金额在 95% 的情况下都会低于多少？」这就是百分位数的用途。

定义：第 \(p\) 百分位数（或 \(100p\) 分位数）是数值 \(x_p\)，使得索赔金额小于或等于 \(x_p\) 的概率为 \(p\)。
\(F(x_p) = P(X \le x_p) = p\)

VaR (Value at Risk)：在精算与金融领域，第 \(p\) 百分位数通常被称为 VaR。例如，99% VaR 指的是我们预期只有 1% 的机率会超过的索赔金额。

例子：如果汽车保险索赔的第 95 百分位数是 $10,000，这意味着 95% 的索赔都在 $10,000 或以下，只有 5% 的索赔大于 $10,000。

5. 有限期望值（Limited Expected Value, LEV）

这是 Exam FAM 的一个至关重要**的概念。在现实世界中，保险公司对单一索赔的赔付金额通常设有「上限」（\(u\)）。

定义：有限期望值 \(E[X \land u]\)，是指如果我们对每一笔索赔金额都设一个上限 \(u\)，所得出的索赔期望值。

\(E[X \land u] = \int_{0}^{u} x \cdot f(x) \, dx + u \cdot [1 - F(u)]\)

思考方式：
1. 对于小于上限的索赔，保险公司支付实际金额 (\(x\))。
2. 对于大于上限的索赔，保险公司仅支付上限金额 (\(u\))。

记忆小技巧：将 LEV 想象成「如果保险公司对理赔金额设有天花板，保险公司实际平均需承担的金额」。

6. 快速复习总结表

平均数（\(\mu\)）： \(E[X]\) - 平均索赔金额。
方差（\(\sigma^2\)）： \(E[X^2] - \mu^2\) - 索赔的离散程度。
CV： \(\sigma / \mu\) - 相对波动率。
百分位数（\(x_p\)）： \(F(x_p) = p\) - 特定概率下的「界限值」。
LEV（\(E[X \land u]\)）： 当设有上限 \(u\) 时的平均索赔金额。

最后的鼓励

刚开始接触索赔金额模型时，可能会觉得计算与公式很繁重。如果觉得棘手，请不要担心！掌握这一章的秘诀在于识别出动差和百分位数只是描述同一组「索赔数据」的不同方式而已。请持续练习 Exam FAM 公式表中的特定分布（如 Gamma 分布、Pareto 分布和指数分布），因为它们有预先推导好的动差公式，这将为你节省大量时间！