簡介：解讀隨機性

歡迎踏上隨機過程 (Stochastic Processes) 的學習旅程！如果這個名稱聽起來有點嚇人，別擔心——其實你已經憑直覺理解這個概念了。在精算科學的世界裡，我們很難確切預知未來：我們無法得知保險索賠具體會在哪一天發生，也無法預測明天的股價。 隨機過程簡單來說，就是一種用來模擬隨機變量如何隨時間變化的數學工具。你可以把它想像成一部「隨機電影」，而不僅僅是隨機的一張快照。讀完這一章，你將能夠分類各類過程，並理解驅動它們的基本性質。

1. 什麼是隨機過程？

最簡單地說，隨機過程是一系列隨時間標記的隨機變量，我們通常寫作 \( \{X_t : t \in T\} \)。 構成要素： 1. 狀態空間 (State Space, \(S\))： 這是隨機變量所有可能取值的集合。如果我們在計算隊伍中的人數，狀態空間就是 \( \{0, 1, 2, ...\} \)。 2. 索引集 (Index Set, \(T\))： 這代表時間。它可以是離散的（例如：每天中午），也可以是連續的（例如：任何時間點）。 現實生活中的類比： 想像你在追蹤潮汐的高度。「狀態空間」是任何可能的高度（例如 0 到 10 米）。「索引集」是一天中的時間。由於潮汐可以在任何微秒進行測量，這是一個連續時間 (continuous time) 過程。

2. 隨機過程的分類

考試中最常見的任務之一就是辨識過程的類型。我們根據時間和狀態空間是離散還是連續來進行分類。

A. 離散時間，離散狀態空間

例子： 保險公司每天收到的索賠數量。 時間按步進（第 1 天、第 2 天），而索賠數量是整數。

B. 連續時間，離散狀態空間

例子： 從年初到 \(t\) 時刻累計收到的保險索賠總數。 索賠可能在任何時刻發生（連續時間），但累計總數始終是整數（離散狀態）。

C. 離散時間，連續狀態空間

例子： 每天收市時的股票價格。 時間是離散的（每日），但價格可以是任何小數值（連續）。

D. 連續時間，連續狀態空間

例子： 一整天持續測量的政府債券收益率。 時間和數值均可在範圍內取任何值。
快速回顧：2x2 分類表
- 離散時間： 時間是一連串的點：\( t = 0, 1, 2... \) - 連續時間： 時間是一個區間：\( [0, \infty) \) - 離散狀態： 數值是可數的（0, 1, 2...）。 - 連續狀態： 數值可以是範圍內的任何實數。

3. 隨機過程的關鍵性質

為了簡化分析，我們通常會尋找特定的「行為」或性質。

馬可夫性質 (Markov Property)

這可能是 CS2 中最重要的概念。如果一個過程的未來狀態僅取決於現在的狀態，而與到達該狀態的路徑無關，則該過程具有馬可夫性質。 金魚類比： 想像一條魚缸裡的金魚。要預測它 10 秒後在哪裡，你只需要知道它現在在哪裡。它 5 分鐘前在哪裡對你的預測沒有幫助。該過程的「記憶」只有一步之深。 數學表達式： \( P(X_{t+n} = y | X_t = x, X_{t-1} = x_{t-1}, ..., X_0 = x_0) = P(X_{t+n} = y | X_t = x) \)

平穩性 (Stationarity)

如果一個過程的統計性質不隨時間推移而改變，該過程就是「平穩」的。你需要掌握兩種主要類型： 1. 嚴平穩 (Strict Stationarity)： 無論時間如何平移，整個聯合分佈保持不變。這在現實世界中非常嚴苛且罕見。 2. 弱平穩 (Weak / Second-Order Stationarity)： 我們只關注前兩個「矩」： - 均值 \( E[X_t] \) 為常數（不依賴於 \(t\)）。 - 兩個點之間的協方差 \( Cov(X_t, X_{t+k}) \) 僅取決於它們之間的滯後項 (lag, \(k\))，而不取決於實際時間 \(t\)。
如果這看起來很難，別擔心……
把平穩過程想像成噴泉。雖然個別的水滴在移動（隨機性），但噴泉的整體「形狀」和「高度」隨時間看來是一樣的。

4. 增量 (Increments)：隨時間的變化

我們經常研究過程的增量，即一段時間內的變化：\( X_{t+s} - X_t \)。 獨立增量 (Independent Increments)： 過程在不重疊的時間區間內的變化是相互獨立的。例如，上午 9 點到 10 點收到的索賠數量，對下午 2 點到 3 點收到的索賠數量沒有影響。 平穩增量 (Stationary Increments)： 變化的分佈僅取決於時間區間的長度，而不是開始時間。無論是週一早上還是週五晚上，任何 1 小時內的索賠數量都遵循相同的分佈。

5. 值得記住的常見例子

隨機遊走 (Random Walk)

想像一個人站在直線上。每秒鐘擲一次硬幣。如果是正面，他向右走一步 (+1)；如果是反面，他向左走一步 (-1)。 - 這是一個離散時間、離散狀態過程。 - 它是馬可夫過程的經典例子。

卜瓦松過程 (Poisson Process)

這用於模擬事件的發生（如保險索賠或電話來電）。 - 它具有獨立增量。 - 它是一個連續時間、離散狀態過程。

6. 應避免的常見錯誤

- 混淆狀態與時間： 隨時問自己：「我正在測量什麼？」(狀態) 以及「我何時測量它？」(時間)。 - 假設所有過程都是馬可夫的： 有些過程具有「長記憶」，即過去 10 個步驟都很重要。這些過程就不是馬可夫的。 - 混淆增量： 記住，獨立 (Independent) 增量是指區間之間的關係，而平穩 (Stationary) 增量是指變化本身的分佈。

總結與關鍵要點

- 隨機過程是隨時間變化的隨機變量序列。 - 過程根據其時間（離散/連續）和狀態空間（離散/連續）進行分類。 - 馬可夫性質意味著在已知現在的情況下，未來與過去無關。 - 弱平穩性要求均值恆定，且協方差僅取決於時間滯後。 - 獨立增量意味著一個時間段內發生的事情不會影響另一個時間段。 複習小貼士： 當面對一個新過程時，試著在圖表上畫出來。如果 x 軸（時間）是點狀的，它就是離散時間；如果 y 軸（數值）是點狀的，它就是離散狀態空間！