歡迎來到統計準備金（Statistical Reserving）的世界！

在之前的學習中，你可能已經學過連鎖階梯法（Chain Ladder Method）。這可是經典中的經典！但基本的連鎖階梯法有一個重大侷限：它只給你一個數字（即「點估計」）。在現實世界中，監管機構和公司董事會更想知道的是：「我們的估算到底有多少誤差空間？」

在本章中，我們將從簡單的算術邁向統計模型。我們將深入探討麥克模型（Mack’s Model）、卜瓦松模型（Poisson Model）以及過度離散卜瓦松模型（Overdispersed Poisson, ODP Model）。這些工具能讓我們量化準備金估算中的不確定性（變異數）。別擔心公式剛看時會很嚇人——我們會把它拆解開來，逐一擊破！

1. 麥克模型（Mack’s Model）：統計版的連鎖階梯法

你可以把麥克模型想像成是為連鎖階梯法裝上了「統計骨架」。它不會改變準備金估計的數值本身，但它提供了一種計算準備金標準誤（Standard Error）的方法。

三大假設

為了讓麥克模型有效，我們對累積損失 \( C_{i,j} \) 做了三個假設（其中 \( i \) 為事故年度，\( j \) 為發展年度）：

  1. 獨立性（Independence）： 各個事故年度之間相互獨立。2022 年發生的事情不會影響 2023 年。
  2. 平均值（Mean）： 下一期的期望值僅取決於當前數值：\( E[C_{i, j+1} | C_{i,1}, ..., C_{i,j}] = C_{i,j} \cdot f_j \)。
  3. 變異數（Variance）： 下一期的變異數與當前數值成比例：\( Var(C_{i, j+1} | C_{i,1}, ..., C_{i,j}) = C_{i,j} \cdot \sigma_j^2 \)。
參數估計

要使用麥克模型，我們需要針對每個發展年度 \( j \) 找到兩個指標：

1. 發展因子（Development Factors, \( f_j \)）： 這和你基本連鎖階梯法用到的是一樣的！
\( \hat{f}_j = \frac{\sum_{i=1}^{n-j} C_{i, j+1}}{\sum_{i=1}^{n-j} C_{i,j}} \)

2. 變異數參數（Variance Parameters, \( \sigma_j^2 \)）： 這告訴我們數據圍繞發展因子「波動」的程度有多大。
\( \hat{\sigma}_j^2 = \frac{1}{n-j-1} \sum_{i=1}^{n-j} C_{i,j} \left( \frac{C_{i, j+1}}{C_{i,j}} - \hat{f}_j \right)^2 \)

你知道嗎？ 如果最後一年只剩下一個數據點（意味著 \( n-j-1 = 0 \)），你就無法使用上述公式。精算師通常會採用「經驗法則」或指數衰減模式來估算最終的 \( \sigma^2 \)。

預測均方誤差（MSEP）

這是麥克模型的「魔法」所在。特定事故年度 \( i \) 的預測均方誤差（MSEP）是透過遞迴公式計算出來的。雖然完整公式很長，但請記住它由兩部分組成：

MSEP = 過程變異數（Process Variance） + 估計變異數（Estimation Variance）

  • 過程變異數： 我們無法避免的隨機性（也就是「運氣」成分）。
  • 估計變異數： 由於我們計算的 \( \hat{f}_j \) 可能並非真實因子而產生的誤差。

快速複習： 麥克模型得出的準備金估算結果與連鎖階梯法完全相同，但它增加了測量不確定性（標準誤）的方法。

2. 卜瓦松準備金模型（Poisson Reserving Model）

現在我們要切換到廣義線性模型（GLM）。我們不再看累積總額，而是看增量損失（Incremental losses, \( X_{i,j} \)）。

在基本的卜瓦松模型中，我們假設增量損失 \( X_{i,j} \) 服從卜瓦松分佈。然而，這裡有個陷阱：卜瓦松分佈要求平均值等於變異數（\( E[X] = Var(X) \)）。

問題所在： 保險理賠的情況很複雜。通常變異數遠大於平均值，這種情況稱為過度離散（Overdispersion）。如果直接使用標準卜瓦松模型，會讓我們過於自信（低估了風險）。

3. 過度離散卜瓦松模型（ODP Model）

為了修正卜瓦松模型，我們引入了離散參數（Dispersion parameter, \( \phi \)）。在 ODP 模型中：

  • 平均值： \( E[X_{i,j}] = \mu_{i,j} \)
  • 變異數： \( Var(X_{i,j}) = \phi \cdot \mu_{i,j} \)

透過加入 \( \phi \)，我們承認數據比標準卜瓦松分佈更「嘈雜」。

為什麼精算師鍾愛 ODP 模型？

這是考試最重要的「應試技巧」：ODP 模型的結果與連鎖階梯法完全一致！

如果考試題目要求用 ODP 模型計算準備金，而你手頭上有損失三角形，除非題目另有指示，否則你直接用標準的連鎖階梯法即可。ODP 模型只是一種為連鎖階梯法提供統計依據的正規方式。

麥克模型與 ODP 的主要區別
  1. 麥克模型是「非參數」的（不假設特定的分佈形態）。
  2. ODP 屬於 GLM（假設增量數據服從特定的分佈）。
  3. 麥克模型處理累積數據；ODP 處理增量數據。

比喻時間！ 想像你在預測明天會下多少雪：
- 連鎖階梯法： 「明天會下 5 英吋的雪。」
- 麥克/ODP 模型： 「可能會下 5 英吋，但我們有 95% 的把握預測雪量會在 2 到 8 英吋之間。」

4. 模型比較：MSEP 解析

在 ASTAM 考試中，你可能會被要求計算或解釋預測均方誤差（MSEP）。了解其構成至關重要。

\( MSEP[\hat{R}] \approx \sum Var(Process) + \sum Var(Estimation) \)

常見錯誤： 學生常忘記在計算總準備金的 MSEP 時，不能直接相加個別的標準誤。你必須考量到所有事故年度都使用了相同的 \( \hat{f}_j \) 因子，這會在我們的估計誤差中產生相關性（Correlation）。

快速複習盒：
1. 連鎖階梯法： 簡單的點估計。
2. 麥克模型： 使用累積數據，為連鎖階梯法增加變異數。
3. ODP 模型： 一種 GLM，不僅能得出與連鎖階梯法相同的結果，還能進行統計測試。
4. MSEP： 「過程」（隨機性）與「估計」（參數誤差）的加總。

5. 總結與考試小貼士

重點回顧：
  • 麥克模型依賴三大假設（獨立性、平均值成比例、變異數成比例）。
  • 麥克模型中的 \(\hat{f}_j\) 與連鎖階梯法中的容量加權平均發展因子相同。
  • 過度離散意味著變異數大於平均值。ODP 模型透過 \( \phi \) 來處理這個問題。
  • 如果模型是隨機（Stochastic）的（如麥克模型或 ODP），就代表我們可以為準備金計算信賴區間或VaR（風險價值）。
考試小貼士：
  • 如果遇到關於麥克變異數（\( \sigma_j^2 \)）的題目，請務必整理好表格。先算出所有的 \( f_j \)，再算所有的 \( \sigma_j^2 \)。
  • 別被 \( C_{i,j} \) 和 \( X_{i,j} \) 的符號搞混了。C 代表 Cumulative（累積總額），X 代表 Incremental（切片增量）。
  • 記住：ODP = 連鎖階梯法的 GLM 版本。 這個連結是觀念題的最愛！

繼續練習那些三角形計算！做得越多，這些公式就會越像直覺一樣自然。你一定沒問題的！