歡迎來到損失嚴重度模型：比較分佈尾部！

在保險世界中，我們擔心的不僅僅是普通的輕微擦撞；我們更擔心那些「職業生涯難得一見」的巨額災難。比較分佈尾部 (Comparing distribution tails) 是精算師用來判斷哪些數學模型能更準確預測「巨額損失」頻率或嚴重程度的方法。

在本章中，我們將學習如何檢視兩個不同的損失分佈，並判斷哪一個分佈的尾部「更重」（即出現巨額賠款的可能性更高）。如果起初覺得有些抽象，請不用擔心——我們會運用大量的類比，讓你更易於理解！

1. 到底什麼是「尾部」(Tail)？

想像一下損失分佈的圖表。「尾部」是曲線最右側的部分——代表非常高的金額。當我們說一個分佈具有重尾 (Heavy tail) 時，是指當你向右移動時，該曲線保持「較高」的時間更長。這意味著與輕尾 (Light-tailed) 分佈相比，發生巨額賠款的可能性更高。

可以這樣想像： 「輕尾」分佈就像一個很快就會喘不過氣的短跑選手——發生超額損失的概率會迅速降至零；而「重尾」分佈則像馬拉松選手——即便在損失金額非常高的情況下，概率依然存在。

快速回顧：為什麼我們要在意這個？
如果你將輕尾模型應用於重尾風險（如颶風損害），你會嚴重低估巨額賠款的成本。這正是保險公司破產的原因！

2. 方法一：比較生存函數 (Survival Functions)

比較兩個分佈 \(X\) 和 \(Y\) 最直接的方法，是觀察它們當 \(x\) 趨近於無窮大時的生存函數 (Survival Functions)，即 \(S_X(x)\) 和 \(S_Y(x)\)。

我們檢視它們比值的極限：
\[ \lim_{x \to \infty} \frac{S_X(x)}{S_Y(x)} \]

  • 若極限為 \(\infty\)：分佈 \(X\) 的尾部比 \(Y\) 更重。
  • 若極限為 \(0\)：分佈 \(X\) 的尾部比 \(Y\) 更輕。
  • 若極限為一個正數常數：則兩者的尾部重量相近。

專家小貼士： 如果生存函數處理起來很麻煩，你可以改用密度函數 (\(f(x)\))！極限的結果是一樣的。

你知道嗎？ 這通常就是洛必達法則 (L'Hôpital's Rule) 派上用場的時候。如果你得到像 \(\frac{\infty}{\infty}\) 這種不定型，直接對分子和分母分別求導即可！

3. 方法二：危險率函數 (Hazard Rate Function)

危險率 (Hazard Rate)，定義為 \(h(x) = \frac{f(x)}{S(x)}\)，它告訴我們在已知賠款金額已達到 \(x\) 的情況下，該賠款「瞬間」停止（或發生後續損失）的機率。

以下是使用危險率判斷尾部重量的經驗法則：
危險率越低 = 尾部越重

為什麼呢？如果危險率是遞減的，意味著隨著損失金額增加，賠款「停止增長」的壓力實際上在減小。

常見分類：

  1. 遞減危險率 (DHR)： 尾部較重（例如：柏拉圖分佈 Pareto）。
  2. 常數危險率： 這是指數分佈 (Exponential distribution)。它是我們的「基準」。
  3. 遞增危險率 (IHR)： 尾部較輕（例如：常態分佈 Normal distribution）。

關鍵要點：

如果 \(\lim_{x \to \infty} h_X(x) = 0\)，該分佈通常是極重尾的。如果極限為 \(\infty\)，則它是極輕尾的。

4. 方法三：平均剩餘壽命 (Mean Residual Life, MRL)

平均剩餘壽命 (Mean Residual Life)，記作 \(e(x)\)，是在已知損失已超過 \(x\) 的前提下，預期的額外損失金額。

\[ e(x) = E[X - x | X > x] = \frac{\int_{x}^{\infty} S(t) dt}{S(x)} \]

這與尾部的關係如下：

  • 若 \(e(x)\) 隨 \(x\) 增加：尾部是重尾。（你損失得越多，預期還會損失得更多！）
  • 若 \(e(x)\) 是常數：這是指數分佈的特性。
  • 若 \(e(x)\) 隨 \(x\) 減少：尾部是輕尾。

類比： 想像一場「沒完沒了」的會議。如果會議進行得越久，你預期它還會持續更久，那麼這場會議就具有「遞增的平均剩餘壽命」——也就是非常重的尾部！

5. 比較常見分佈（「階級次序」）

針對 ASTAM 考試，你應該熟悉標準分佈的相對「重量」。從最重到最輕排列如下：

1. 柏拉圖分佈 (Pareto)： 重尾之王。其危險率遞減至零，具有「冪律」尾部。
2. 對數常態分佈 (Lognormal)： 同樣是重尾，但通常認為比 \(\alpha\) 值較小的 Pareto 稍微「輕」一點。其危險率同樣遞減至零。
3. 韋伯分佈 (Weibull, \(\tau < 1\))： 重尾。
4. 指數分佈 (Exponential)： 中性界線。危險率為常數 (\(1/\theta\))。
5. 韋伯分佈 (Weibull, \(\tau > 1\))： 輕尾。危險率遞增。
6. 伽瑪分佈 (Gamma)： 通常是輕尾（危險率遞增至常數 \(1/\theta\)）。

記憶口訣： 「Please Let Everyone Go」（Pareto > Lognormal > Exponential > Gamma）。這涵蓋了最常見的比較題型！

6. 常見錯誤避雷區

  • 搞混 \(h(x)\) 和 \(S(x)\)： 記住，危險率越小，尾部越重。不要搞反了！
  • 忽略參數： 像韋伯分佈這類分佈，根據參數的不同，可能是重尾也可能是輕尾。一定要檢查 \(\tau\)（形狀參數）。
  • 微積分錯誤： 在處理比值的極限時，學生常忘記先簡化表達式再使用洛必達法則。先簡化能節省很多時間！

7. 最終總結表

重尾分佈特徵：
- 生存函數比值 \(\to \infty\)
- 危險率 \(h(x) \to 0\) 或呈遞減趨勢
- 平均剩餘壽命 \(e(x)\) 呈遞增趨勢
- 出現極端值的機率高

輕尾分佈特徵：
- 生存函數比值 \(\to 0\)
- 危險率 \(h(x) \to \infty\) 或呈遞增趨勢
- 平均剩餘壽命 \(e(x)\) 呈遞減趨勢
- 出現極端值的機率低

繼續練習這些極限題！你對這些函數的比較越熟練，對「尾部重量」的直覺就會越強。你一定可以做到的！