歡迎來到馬可夫動力學的世界！

你好，未來的精算師！既然你已經踏上了 ALTAM 考試的征程，你一定知道人生充滿了轉變。在長期保險的世界裡，人們會在健康、患病以及最終離世等狀態之間轉換。柯爾莫哥洛夫前進方程式（Kolmogorov’s Forward Equations）正是讓我們精確追蹤這些機率隨時間變化的數學工具。

別擔心，如果微分方程式通常讓你感到頭暈，我們將會把它拆解成一個簡單的「流入 vs. 流出」概念，這樣理解起來就非常合理了。讓我們馬上開始吧！

1. 大局觀：轉移強度與轉移機率

在我們探討方程式之前，先確保理解這兩位主角：

  1. 轉移強度（Transition Intensities，\(\mu_{x+t}^{ij}\)）： 可以把它想像成「瞬時速度」。如果你在 \(x+t\) 歲時處於狀態 \(i\)，那麼移動到狀態 \(j\) 的即時壓力（即發生轉移的強度）是多少？
  2. 轉移機率（Transition Probabilities，\({}_tp_x^{ij}\)）： 這就是「行進的距離」。假設你在 \(x\) 歲時處於狀態 \(i\)，那麼在 \(t\) 年後剛好處於狀態 \(j\) 的機率是多少？

柯爾莫哥洛夫前進方程式正是連接這兩者的橋樑，它告訴我們隨著時間推移，機率是如何改變的。

2. 「派對房間」的比喻

想像一個有三個房間的大型派對：健康房（狀態 0）、生病房（狀態 1）以及死亡房（狀態 2——這是出口！）。

假設你想知道晚上 10:00 時，生病房裡的人數變化情況。為了弄清楚這一點，你需要知道兩件事：

  • 流入（Inflow）： 目前有多少人待在健康房，且正準備走進生病房？
  • 流出（Outflow）： 目前有多少人已經在生病房，且正準備離開（無論是回到健康房還是前往死亡房）？

變化率 = 流入 - 流出。 這就是柯爾莫哥洛夫前進方程式所表達的全部內容！

3. 數學公式

對於一個連續時間的馬可夫模型，轉移機率 \({}_tp_x^{ij}\) 的變化率為：

\(\frac{d}{dt} {}_tp_x^{ij} = \sum_{k \neq j} ({}_tp_x^{ik} \cdot \mu_{x+t}^{kj}) - {}_tp_x^{ij} \cdot \sum_{k \neq j} \mu_{x+t}^{jk}\)

讓我們逐項拆解：

左側： \(\frac{d}{dt} {}_tp_x^{ij}\)
這是導數，代表在時間 \(t\) 時，處於狀態 \(j\) 的機率增長或縮減的「速度」。

「流入」（加總的第一部分）： \(\sum_{k \neq j} ({}_tp_x^{ik} \cdot \mu_{x+t}^{kj})\)
這些是所有原本處於狀態 \(i\)，目前在其他狀態 \(k\)，且現在正轉移進入狀態 \(j\) 的人。

「流出」（第二部分）： \({}_tp_x^{ij} \cdot \sum_{k \neq j} \mu_{x+t}^{jk}\)
這些是已經處於狀態 \(j\)，且現在正轉移離開前往任何其他狀態的人。

快速回顧：黃金法則

變化率 = (處於其他狀態的機率 \(\times\) 進入 \(j\) 的強度) - (處於 \(j\) 的機率 \(\times\) 離開 \(j\) 的強度)

4. 簡單案例：健康-患病-死亡模型

讓我們看看一個常見的 ALTAM 場景。我們有狀態 0（健康）、狀態 1（生病）和狀態 2（死亡）。我們想要得到處於患病狀態的機率 \({}_tp_x^{01}\) 的方程式。

假設我們可以從健康轉移到生病（\(\mu^{01}\)），從生病轉移到健康（\(\mu^{10}\)），並且兩者都可以轉移到死亡（\(\mu^{02}\) 和 \(\mu^{12}\)）。

\({}_tp_x^{01}\) 的變化方程式為：

\(\frac{d}{dt} {}_tp_x^{01} = \underbrace{{}_tp_x^{00} \mu_{x+t}^{01}}_{從健康狀態流入} - \underbrace{{}_tp_x^{01} (\mu_{x+t}^{10} + \mu_{x+t}^{12})}_{流出至健康或死亡狀態}\)

你知道嗎？
所有可能狀態 \(j\) 的機率總和必須始終等於 1。因此，如果你將所有可能狀態 \(j\) 的導數（\(\frac{d}{dt}\)）相加，總和永遠為 0。這是一個檢查你運算是否正確的好方法！

5. 為什麼這對 ALTAM 很重要？

在考試中，你可能不總是需要從零開始推導這些微分方程式（儘管如果被問到，你應該要知道如何使用歐拉法！）。但你必須能夠：

  • 識別給定狀態圖的正確微分方程式。
  • 解釋方程式中每一項的含義。
  • 當強度為常數時，運用這些方程式來求得數值。

6. 應避免的常見錯誤

1. 搞混下標： 在 \(\mu^{ij}\) 中，第一個字母代表你從哪裡來，第二個字母代表你要往哪裡去。如果你把它們弄反了，你的流入就會變成流出！

2. 忘記「當前狀態」的機率： 請記住，要從狀態 \(k\) 轉移到狀態 \(j\)，你必須先處於狀態 \(k\)。務必將強度 \(\mu^{kj}\) 與處於狀態 \(k\) 的機率 \({}_tp_x^{ik}\) 相乘。

3. 忽略死亡狀態： 即使題目沒有詢問處於死亡狀態的機率，從生病狀態的「流出」通常也包括死亡強度（\(\mu^{12}\)）。千萬別漏掉它！

7. 步驟教學：如何寫出任何前進方程式

如果你面對一個複雜的狀態圖，請遵循以下步驟：

  1. 選定你感興趣的「目的地狀態」（狀態 \(j\)）。
  2. 查看所有指向狀態 \(j\) 的箭頭。對於每個箭頭，將「起始」狀態的機率乘以該箭頭上的強度。將這些結果相加。（這就是你的流入）。
  3. 查看所有離開狀態 \(j\) 的箭頭。將這些強度相加，然後乘以處於狀態 \(j\) 的機率。（這就是你的流出）。
  4. 用流入減去流出。

總結與重點提示

- 柯爾莫哥洛夫前進方程式描述了轉移機率隨時間如何變化。

- 核心邏輯： 某一狀態的機率變化率等於從其他狀態的「流入」減去流向其他狀態的「流出」。

- 公式： \(\frac{d}{dt} {}_tp_x^{ij} = \sum_{k \neq j} {}_tp_x^{ik} \mu_{x+t}^{kj} - {}_tp_x^{ij} \sum_{k \neq j} \mu_{x+t}^{jk}\)。

- 記憶小撇步： 把這想像成銀行帳戶。你的餘額（機率）會根據存款（流入）減去提款（流出）而改變。

如果一開始覺得有點棘手也不用擔心！只要多練習為不同的狀態圖寫出這些方程式，它就會變成你的本能。你可以做到的！