歡迎來到「動差」(Moments) 的世界！

歡迎你，未來的精算師！今天，我們將深入探討損失嚴重性、頻率與總損失模型（Severity, Frequency, and Aggregate Models）中的關鍵部分：透過動差的存在性來描述分配。

如果你曾好奇：「有沒有可能某個損失是如此難以預測，以至於我們連平均值都算不出來？」那麼你來對地方了。在本章中，我們將學習如何判斷一個分配是「表現良好」，還是具有對保險公司而言風險極高的「厚尾」(Heavy Tail)。別擔心數學看起來很嚇人，我們會一步一步拆解給你聽！

1. 什麼是「動差」(Moment)？為什麼它會「存在」？

在深入研究之前，我們先看看基本概念。在精算數學中，第 \(k\) 個原始動差 (k-th raw moment) 定義為隨機變數 \(X\) 的 \(k\) 次方的期望值，我們將其寫作 \(E[X^k]\)。

  • 第 1 個動差 (\(k=1\)) 就是平均值 (Mean，即平均損失)。
  • 第 2 個動差 (\(k=2\)) 用於計算變異數 (Variance，即波動率)。

關於「存在性」的概念：當我們說一個動差「存在」時，意思是指當我們進行數學計算（通常是積分）時，結果是一個有限數值。如果計算結果趨向「無限大」，我們就說該動差不存在。

生活中的類比

把保險分配想像成一座巨大的山。大多數山都有山頂，然後向下延伸至地面。如果坡度非常陡（輕尾），我們很容易測量這座山的體積。但如果坡度一直延伸下去，永遠不會碰到地面（厚尾），那它的「體積」可能會大到無法用單一數值來表示。這就是動差不存在的分配情形！

2. 柏拉圖分配 (Pareto Distribution)：本章的「主角」

在 FAM 考試中，柏拉圖分配 (Pareto distribution) 是最常被用來測試你對動差存在性理解的例子。柏拉圖分配以具有「厚尾」聞名，意味著它預測發生極大、災難性損失的機率較高。

對於參數為 \(\theta\) (尺度參數 scale) 和 \(\alpha\) (形狀參數 shape) 的柏拉圖分配：

規則：第 \(k\) 個動差 \(E[X^k]\) 存在，若且唯若 \(k < \alpha\)。

為什麼這很重要？
如果一個柏拉圖分配的 \(\alpha = 1.5\)：
- 第 1 個動差（平均值）存在，因為 \(1 < 1.5\)。
- 第 2 個動差（變異數計算）不存在，因為 \(2\) 並不小於 \(1.5\)。
- 這意味著這些損失的波動大到在理論上變異數為無限大！

記憶小撇步：「Alpha 是老大」規則

你可以把 \(\alpha\) 想像成分配為動差提供的「空間」。如果你想求第 \(k\) 個動差，這個 \(k\) 必須小於 \(\alpha\) 這個天花板。一旦 \(k\) 試圖超過 \(\alpha\)，動差就會「爆炸」變成無限大。

3. 比較尾部的厚度

我們檢查動差是否存在的主要原因，是為了判斷一個分配的尾部有多「厚」。這能讓精算師了解保單的風險程度。

  • 輕尾分配 (Light-Tailed Distributions)：像指數分配 (Exponential) 或常態分配 (Normal) 擁有所有動差。你可以計算第 100 個、第 1,000 個動差等等。它們在極端損失方面的風險通常較小。
  • 中等尾部分配 (Medium-Tailed Distributions)：對數常態分配 (Log-normal) 是一個特殊情況。它所有的動差都存在（像輕尾一樣），但它卻沒有動差生成函數 (Moment Generating Function, MGF)。這使得它比指數分配更厚，但比柏拉圖分配更輕。
  • 厚尾分配 (Heavy-Tailed Distributions)：柏拉圖 (Pareto) 或 Burr 分配只有有限個動差。這些分配風險最高，因為大額損失更為頻繁。

快速複習盒：
- 所有動差皆存在：伽瑪 (Gamma)、指數 (Exponential)、常態 (Normal)、對數常態 (Log-normal)。
- 僅部分動差存在：柏拉圖 (Pareto)、Burr、對數邏輯 (Log-logistic)。

4. 檢測存在性的步驟

當你在考場上需要判斷生存函數 \(S(x)\) 的 \(E[X^k]\) 是否存在時，請使用以下邏輯：

步驟 1：觀察 \(x\) 趨近於無限大 (\(x \to \infty\)) 時分配的行為。

步驟 2：使用原始動差公式：\(E[X^k] = \int_0^\infty k \cdot x^{k-1} S(x) dx\)。

步驟 3：檢查積分是否收斂。對於柏拉圖分配，\(S(x)\) 的形式看起來像 \(x^{-\alpha}\)。當你乘以 \(x^{k-1}\) 時，你處理的是 \(x^{k - \alpha - 1}\)。該積分僅在指數小於 \(-1\) 時才會收斂，這又將我們帶回了那個規則：\(k < \alpha\)。

你知道嗎？

對數常態分配 (Log-normal) 在 FAM 考試中經常作為「陷阱題」。學生常因為它的尾部看起來很「厚」，就以為某些動差一定不存在。但實際上，對於對數常態分配，\(X\) 的任何次方都有一個有限的期望值！它的「厚重」體現在其動差生成函數 (MGF) 為無限大，而不是動差本身。

5. 常見錯誤要避免

1. 搞混 \(\alpha\) 和 \(k\)：永遠記得分配參數 (\(\alpha\)) 是極限，而你想要的動差 (\(k\)) 是挑戰者。挑戰者必須小於極限。

2. 忘記動差必須是正數：我們處理的通常是 \(X > 0\) 的損失分配。我們只需要關心 \(k > 0\) 的情況。

3. 忽略尺度參數 (Scale Parameter)：雖然 \(\theta\)（尺度）對於計算動差的「數值」很重要，但它對動差是否「存在」沒有任何影響。只有形狀參數（如 \(\alpha\)）決定這件事。

6. 總結與關鍵重點

關鍵點 1：動差告訴我們分配的特性（平均值、變異數等）。

關鍵點 2：如果一個動差是無限大，則該動差「不存在」。這在像柏拉圖分配這種厚尾分配中很常見。

關鍵點 3：對於柏拉圖分配，\(E[X^k]\) 在 \(k < \alpha\) 時存在。這是最可能被考到的概念。

關鍵點 4：尾部厚度是一個光譜。動差的存在性幫助我們將不同的分配放置在這個光譜上，以利進行保險風險管理。

繼續練習！判斷動差的存在性就像當偵探一樣——你必須在參數中尋找線索，看看分配在極端情況下是如何表現的。你一定能行的！