歡迎來到總額模型（Aggregate Models）的世界！

在你成為精算師的旅程中，最重要的問題之一就是：「我們預期總共需要支付多少保險賠償？」

到目前為止，你可能已經分別研究過個別賠償金額（嚴重程度 Severity）或賠償發生的次數（頻率 Frequency）。在本章中，我們將兩者結合起來，探討總損失（Aggregate Loss）——也就是所謂的「大總計」。我們將探討兩種主要的建模方式：個別風險模型（Individual Risk Model）和集體風險模型（Collective Risk Model）。如果這些術語聽起來有點嚇人，別擔心；我們將透過簡單的類比和循序漸進的邏輯來拆解它們！

1. 個別風險模型（Individual Risk Model）

個別風險模型就像查看私人派對的賓客名單。你知道具體有誰會來（保單數量是固定的），並逐一審視每個人是否會對你造成「成本」。

這是什麼？

在此模型中，我們假設有固定數量的保險合約，稱之為 \(n\)。對於每一份保單 \(i\)，都有一個損失 \(X_i\)。總損失 \(S\) 僅是所有這些個別損失的總和：

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

主要特徵

  • 固定數量的風險： \(n\) 的值是已知的，不是隨機的。
  • 獨立性： 我們通常假設保單持有人 A 發生的情況不會影響保單持有人 B。
  • 變動損失： 每個 \(X_i\) 可以是 0（無賠償）或某個正數金額。

計算期望值與變異數

因為保單數量是固定的，計算期望值（Mean）和變異數（Variance）非常直接：

期望值： \( E[S] = \sum_{i=1}^{n} E[X_i] \)

變異數： \( Var[S] = \sum_{i=1}^{n} Var[X_i] \)（假設保單之間是獨立的！）

快速複習：

如果你有 100 份保單，每份的預期損失為 \$50，那麼總預期損失 \(E[S]\) 就是 \(100 \times 50 = 5,000\)。

總結：個別風險模型非常適合參與人數固定的群體，例如公司員工的特定團體人壽保險計劃。

2. 集體風險模型（Collective Risk Model）

集體風險模型更像是一間繁忙的咖啡店。你無法確切知道今天會有多少人進門（頻率），也無法預知每個人會花多少錢（嚴重程度）。你將賠償的「集合」視為一個整體。

這是什麼？

在這裡，總損失 \(S\) 取決於兩件隨機事件：

  1. \(N\)：賠償次數（一個隨機變數）。
  2. \(X_i\)：每次賠償的金額（隨機變數）。

公式如下：

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

請注意這其中的重大差異：求和的「上限」(\(N\)) 現在本身就是一個隨機變數！

主要假設

  • 賠償金額 \(X_1, X_2, ...\) 是同分佈（identically distributed）的（它們遵循相同的「嚴重程度」模式）。
  • 賠償金額之間是獨立的。
  • 賠償次數 \(N\) 與賠償金額 \(X_i\) 是獨立的。

集體模型的「大公式」

這些是 Exam FAM 的重點！你必須背下來：

期望值： \( E[S] = E[N] \times E[X] \)

變異數： \( Var[S] = E[N] \times Var[X] + Var[N] \times (E[X])^2 \)

記憶小撇步：將變異數公式想像成有兩個「引擎」。第一部分處理賠償金額大小的不確定性，第二部分則處理賠償次數的不確定性。

你知道嗎？

變異數公式 \(Var[S] = E[N]Var[X] + Var[N]E[X]^2\) 在此情境下通常稱為總變異數定律（Law of Total Variance）。這是總額模型部分最常考的概念之一！

總結：集體風險模型是產險業的「日常核心」，我們以此為整體的業務量建立賠償總額模型，而無需追蹤每一位保單持有人。

3. 比較個別風險模型與集體風險模型

決定使用哪個模型可能會令人困惑。以下是一個快速比較，幫助你釐清：

個別風險模型：

  • 用於潛在索賠人數量較少或固定時（例如：500 名員工）。
  • 每個 \(X_i\) 代表特定個人的損失。
  • 如果某人沒有申請賠償，\(X_i = 0\)。

集體風險模型：

  • 用於賠償「隨機」發生的大型群體（例如：全州的汽車保險單）。
  • \(N\) 代表賠償次數，而 \(X_i\) 是實際發生之第 \(i\) 筆賠償的金額。
  • 每個 \(X_i\) 通常都 \( > 0\)。

常見錯誤：不要混淆 \(n\)（固定數字）與 \(N\)（隨機變數）。如果題目說「共有 1,000 份保單」，你可能是在處理個別風險模型；如果題目說「賠償次數遵循卜瓦松分佈（Poisson distribution）」，你就進入了集體風險模型的世界。

4. 近似總損失分佈

有時，計算 \(S\) 的精確分佈太過困難。在這些情況下，精算師會使用近似值。這就是你對常態分佈（Normal Distribution）和中央極限定理（Central Limit Theorem）的知識派上用場的時候。

常態近似法

如果賠償次數足夠多，我們可以假設 \(S\) 遵循常態分佈。我們使用先前計算出的期望值 (\(E[S]\)) 和變異數 (\(Var[S]\))。

要找出總損失小於某個金額 \(k\) 的機率：

\( P(S \le k) = P\left(Z \le \frac{k - E[S]}{\sqrt{Var[S]}}\right) \)

對數常態近似法（Lognormal Approximation）

由於保險損失通常為正值且常呈現「偏態」（即少數巨額賠償），常態分佈並不總是完美。對數常態分佈經常被使用，因為它不允許負損失，且能更好地處理偏態。

步驟教學：使用常態近似法
  1. 使用適當的模型（個別或集體）計算 \(E[S]\)。
  2. 計算 \(Var[S]\)。
  3. 求出標準差：\(\sigma_S = \sqrt{Var[S]}\)。
  4. 將目標值 \(k\) 標準化以獲得 Z 分數：\(Z = \frac{k - E[S]}{\sigma_S}\)。
  5. 在考試提供的標準常態分佈表中查閱 Z 分數。

重點提醒：當精確分佈的數學運算太複雜時，近似值將是你考試時最好的朋友！

5. 總結與成功秘訣

  • 個別風險模型：固定數量的獨立風險總和。
  • 集體風險模型：隨機數量的獨立同分佈（i.i.d.）風險總和。
  • 關鍵公式： \(Var[S] = E[N]Var[X] + Var[N]E[X]^2\)。如果你看到集體風險題目，很可能需要用到它！
  • 單位很重要：務必確認題目詢問的是頻率、嚴重程度還是總損失的期望值。
  • 保持冷靜：如果題目看起來很複雜，先從判斷它是個別還是集體模型開始。一旦確定了，寫下你已知的組成部分（\(E[N], Var[N], E[X], Var[X]\)），剩下的部分就會迎刃而解。

如果起初覺得這些很棘手，請別擔心！總額模型只是將細小的部分加總起來的方法。一旦你掌握了期望值和變異數的公式，你就已經征服了本章最困難的部分！