歡迎來到狀態依賴機率的世界！

你好，未來的精算師！在之前的章節中，你可能接觸過簡單的生存模型，當中人們只會處於「生存」或「死亡」兩種狀態。這一章我們要升級了！我們將探索連續時間馬可夫模型 (Continuous-Time Markov Models)，在這個模型中，一個人可以在多個不同狀態之間轉換（例如「健康」、「患病」和「死亡」），而轉換的機率取決於他們當前的年齡和所處狀態。

這聽起來可能很嚇人，但你可以把它想像成壽險界的 GPS。我們正試圖繪製一個人可能經歷的所有路徑，並計算他們在特定時間到達特定目的地的機率。讓我們開始吧！

1. 基本概念：什麼是狀態依賴模型？

在現實世界中，風險並非只有「開」或「關」這兩種狀態。一個人可能在退休計劃中處於「活躍」狀態，然後轉為「傷殘」，之後或許「康復」，最終「身故」。

在連續時間馬可夫模型中，我們假設：
1. 未來僅取決於當前狀態（這就是「馬可夫性質」(Markov Property)）。
2. 轉換可以在任何極短的時間內發生。
3. 轉換機率取決於個人的年齡，我們將其表示為 \( x+t \)。

關鍵術語：轉換強度 (Transition Intensity)

轉換強度，表示為 \( \mu_{x+t}^{ij} \)，是指在 \( x+t \) 歲時，從狀態 \( i \) 移轉至狀態 \( j \) 的「瞬間」速率。

類比：將轉換強度想像成汽車的速度計。如果速度計顯示時速 60 英里，並不代表你已經行駛了 60 英里；而是代表在這一瞬間，你的移動速率就是這麼快。同樣地，\( \mu_{x+t}^{ij} \) 就是人們從狀態 \( i \)「流向」狀態 \( j \) 的速率。

2. 轉換機率：\( {}_t p_x^{ij} \)

雖然強度是「速度」，但轉換機率是指經過一段時間後，處於特定狀態的實際可能性。

\( {}_t p_x^{ij} \) = 一個在 \( x \) 歲時處於狀態 \( i \) 的人，在 \( x+t \) 歲時處於狀態 \( j \) 的機率。

重要區別：
- \( {}_t p_x^{ii} \): 給定起始狀態為 \( i \)，在時間 \( t \) 處於狀態 \( i \) 的機率。（你可以中途離開又回到狀態 \( i \)！）
- \( {}_t p_x^{\bar{ii}} \): 從時間 \( 0 \) 到 \( t \) 持續停留在狀態 \( i \) 且從未離開過的機率。

停留機率的快速公式：
\( {}_t p_x^{\bar{ii}} = \exp\left( -\int_0^t \sum_{k \neq i} \mu_{x+s}^{ik} ds \right) \)
記憶小撇步：這看起來和生存公式 \( {}_t p_x = e^{-\int \mu ds} \) 如出一轍！我們只需將所有「離開」狀態 \( i \) 的路徑加總即可。

摘要表：機率 vs. 強度

強度 (\( \mu \))： 變化的速率（「速度」）。
機率 (\( p \))： 身處某地的可能性（「位置」）。

3. 柯爾莫哥洛夫前向方程式 (Kolmogorov Forward Equations)

別被名字嚇到了！這些方程式只是用來描述機率如何隨極短時間片段發生變化的方法。

對於任何狀態 \( j \)，機率的變化率 \( \frac{d}{dt} {}_t p_x^{ij} \) 是通過觀察流入量 (Inflow) 減去 流出量 (Outflow) 來計算的。

一般方程式：
\( \frac{d}{dt} {}_t p_x^{ij} = \sum_{k \neq j} \left( {}_t p_x^{ik} \mu_{x+t}^{kj} \right) - {}_t p_x^{ij} \sum_{k \neq j} \mu_{x+t}^{jk} \)

讓我們拆解一下：
1. 流入：將處於任何其他狀態 \( k \) 並轉換到狀態 \( j \) 的機率加總。
2. 流出：減去已經處於狀態 \( j \) 並轉換離開該狀態到任何其他狀態 \( k \) 的機率。

範例：健康-患病-死亡模型
若狀態 0 = 健康，1 = 患病，2 = 死亡，則處於患病狀態的機率變化 (\( {}_t p_x^{01} \)) 為：
\( \frac{d}{dt} {}_t p_x^{01} = \underbrace{{}_t p_x^{00} \mu_{x+t}^{01}}_{\text{從健康到患病}} - \underbrace{{}_t p_x^{01} (\mu_{x+t}^{10} + \mu_{x+t}^{12})}_{\text{從患病到健康或死亡}} \)

4. 求解方程式（歐拉法 Euler’s Method）

在 ALTAM 考試中，你通常無法僅用微積分完美求解這些方程式。相反，你需要使用歐拉法來估算下一步。

歐拉逼近逐步教學：
1. 從時間 \( t \) 的當前機率開始。
2. 使用柯爾莫哥洛夫前向方程式計算導數（變化率）。
3. 將該變化率乘以一個極小的時間步長 \( h \)。
4. 將其加到起始機率上，即可得到時間 \( t+h \) 的機率。

公式：
\( {}_t+h p_x^{ij} \approx {}_t p_x^{ij} + h \cdot \left( \frac{d}{dt} {}_t p_x^{ij} \right) \)

常見錯誤：忘記 \( h \)（步長）通常很小（例如一個月為 1/12，或一天為 1/365）。千萬別忘了將導數乘以 \( h \)！

5. 處理非恆定強度

有時考試會給你隨時間變化的強度函數，例如 \( \mu_{x+t}^{01} = 0.01 + 0.001(x+t) \)。

你知道嗎？這使得模型變成了「非齊次模型」(Non-Homogeneous)。這意味著轉換的「速度」會隨著年齡增長而改變。

當強度發生變化時，要找出留在某狀態的機率，你必須進行積分。
\( {}_t p_x^{\bar{ii}} = \exp\left( -\int_0^t \text{總離開速率} \right) \)

快速回顧：
- 如果離開速率是恆定的 (\( \mu \))，則 \( {}_t p_x^{\bar{ii}} = e^{-\mu t} \)。
- 如果離開速率是線性的（如 \( At + B \)），你需要進行積分，指數部分將會變成一個二次式！

6. 總結與核心重點

需要牢記的重點：
- 狀態與轉換：我們使用強度 (\( \mu \)) 來追蹤多種狀態之間的移動。
- 停留 vs. 處於： \( {}_t p_x^{\bar{ii}} \) 代表「從未離開」，而 \( {}_t p_x^{ii} \) 代表「又回到了原點」。
- 前向方程式：變化率簡單來說就是「流入量減去流出量」。
- 歐拉法：用於數值步長計算：\( \text{新值} = \text{舊值} + (\text{步長} \times \text{變化率}) \)。

最終鼓勵：
連續時間馬可夫模型只是一種追蹤移動的正式方式。如果你能視覺化狀態盒之間的「流動」，數學邏輯通常就會隨之清晰。試著練習繪製狀態圖——這有助於釐清哪些強度屬於方程式的哪一部分！