歡迎來到馬可夫過程（Markov Processes）的世界！

你好！歡迎來到 CS2 學習之旅中最基礎的章節之一。如果你曾經好奇精算師是如何建立模型來描述汽車保險的「無賠款折扣」（NCD）等級變動，或是描述一個人從「健康」到「患病」再到「死亡」的狀態轉移，那麼你來對地方了。

今天，我們要學習的是馬可夫過程（Markov processes）。別被這個名字嚇倒——它的核心非常簡單：馬可夫過程就是一個「善忘」的系統。它不在乎自己是如何走到現在這個狀態的，它只關心現在處於什麼狀態。讓我們開始吧！

1. 到底什麼是馬可夫過程？

想像你在玩一款桌遊，你的下一步取決於當前所在的格子以及骰子點數。至於你走到這一格是因為剛才擲出了 6 點，還是因為踩到了「去監獄」的格子，這完全不重要。這種「無記憶」的特性，就是馬可夫過程的定義。

馬可夫性質（The Markov Property）

如果一個隨機過程 \( \{X_t\} \) 的未來狀態僅取決於其當前狀態，而與之前的事件序列無關，則該過程具有馬可夫性質。

以數學形式表示，對於離散時間過程：

\( P(X_{n+1} = x_{n+1} | X_n = x_n, X_{n-1} = x_{n-1}, \dots, X_0 = x_0) = P(X_{n+1} = x_{n+1} | X_n = x_n) \)

重點重溫：你可以把馬可夫性質想像成「金魚的記憶力」。這個過程的記憶非常短——它只記得當下自己在哪裡。

如果一開始覺得有點難也不用擔心……

很多學生初學時會覺得符號很複雜。只要記住一點：過去已成過去。預測未來所需的所有資訊，都已經包含在當前的狀態裡了。

2. 馬可夫過程的分類

並非所有的馬可夫過程都長得一樣。我們根據兩個維度來分類：時間和狀態空間。

時間：離散（Discrete）與連續（Continuous）

  • 離散時間：變動發生在特定的時間間隔（例如：每一年年底）。例子：無賠款折扣（NCD）系統，僅在保單續保時調整等級。
  • 連續時間：變動隨時可能發生。例子：一個人可能在一天的任何時間生病或離世，而不僅僅是在午夜！

狀態空間：離散（Discrete）與連續（Continuous）

  • 離散狀態空間：你身處於有限或可數的幾個「箱子」之一。例子：索償次數（0, 1, 2...）。
  • 連續狀態空間：你可以在一定範圍內的任何數值上。例子：一間公司的精確股價。

備註：在 CS2 中，我們主要關注具有離散狀態空間的過程，通常稱為馬可夫鏈（Markov Chains）。

3. 轉移機率（Transition Probabilities）

由於我們只關心當前狀態，我們需要知道從狀態 i 移動到狀態 j 的機率。我們將其稱為轉移機率。

轉移矩陣（Transition Matrix, \( P \)）

對於離散時間馬可夫鏈，我們將這些機率整理成一個方陣。如果我們有狀態 1、2 和 3，矩陣看起來像這樣：

\( P = \begin{pmatrix} p_{11} & p_{12} & p_{13} \\ p_{21} & p_{22} & p_{23} \\ p_{31} & p_{32} & p_{33} \end{pmatrix} \)

如何解讀：列（Row）代表你起點（從哪裡來），行（Column）代表你終點（到哪裡去）。所以，\( p_{12} \) 就是從狀態 1 移動到狀態 2 的機率。

轉移矩陣的重要規則：
  • 規則 1：所有元素必須介於 0 和 1 之間（因為它們是機率！）。
  • 規則 2：每一列（Row）的總和必須恰好為 1。這是因為過程必然會轉移到某個狀態（即使是留在原地，也算轉移到自己）。
常見錯誤要避開：

很多學生常試圖讓行（Column）的總和等於 1。千萬別這樣！只有列的總和要求為 1。行總和可以是任何數字。

4. 時間齊次性（Time Homogeneity）

如果轉移機率不隨觀察時間的改變而改變，那麼這個馬可夫過程就是時間齊次的（time-homogeneous）。

例子：如果一個「健康」的人變為「患病」的機率，今天和十年後是一樣的，那麼這個過程就是時間齊次的。如果風險隨年齡增長而增加（這通常是事實！），那麼它就是非齊次的（non-homogeneous）。

你知道嗎？大多數考題都會以「考慮一個時間齊次的馬可夫鏈……」開頭。這簡直是送分題！因為這代表轉移矩陣 \( P \) 在時間的推移下保持不變。

5. 查普曼-科爾莫哥洛夫方程（Chapman-Kolmogorov Equations）

聽起來名字很嚇人，但實際上是一個非常直觀的概念。它能幫助我們找出多步驟（multiple steps）的轉移機率。

假設你想知道從狀態 i 在兩步內移動到狀態 j 的機率。為了做到這一點，你必須在第一步從 i 移動到某個中間狀態 k，然後在第二步從 k 移動到 j。

在數學上，\( n \) 步轉移矩陣就是將 1 步轉移矩陣進行 \( n \) 次冪運算：

\( P^{(n)} = P \times P \times \dots \times P = P^n \)

逐步例子：
如果你有 1 年的轉移矩陣 \( P \)，而你想找到 3 年期的轉移機率，你只需要計算 \( P^3 \)。

關鍵重點：

若已知初始分佈向量 \( \pi_0 \)，要計算經過 \( n \) 步後處於某個狀態的機率：
\( \pi_n = \pi_0 P^n \)

6. 總結與快速重溫

恭喜你掌握了馬可夫過程的基礎！以下是你應該記住的清單：

1. 馬可夫性質：未來僅取決於現在（無記憶性）。
2. 狀態與時間：可以是離散的（階梯/桶子）或連續的（流動的）。
3. 轉移矩陣：列 =「從哪來」，行 =「到哪去」。列總和永遠為 1。
4. 時間齊次性：轉移規則不會隨著時間改變。
5. 查普曼-科爾莫哥洛夫方程：使用矩陣乘法來推算未來的多步驟狀態。

專家小撇步：在處理 NCD 或保險問題時，請務必先畫出狀態轉移圖（state-transition diagram）。這樣在填寫轉移矩陣時就不容易出錯了！

請持續練習這些定義——它們是你以後在 CS2 中應對更複雜模型時的基石。你可以做到的！