快速傅里叶变换与聚合风险精算模型

一、问题的提出

在聚合风险精算模型中,要计算N个损失变量Xi(i=1,2,3,...,N)之和,

Z=X1+X2+X3+......+XN

是一个非常困难的问题。

二、已有的解法

如果单纯依靠卷积(convolution)公式那是相当 "卷" 的,卷到最后我们都不一定能算得出来。

Panjer递推公式是一个不错的解法,但是Panjer递推公式可以使用的一个前提是 损失个数N的分布必须服从 (a,b,0) 类分布。

在卷积公式和Panjer递推公式都不太好使的情况下,快速傅里叶变化 (FFT) 算法是一个可选的方法。

三、快速傅里叶变换(FFT)算法的原理

FFT算法在聚合风险精算模型里的基本原理就是,取一个足够大的数 M (为了 FFT 计算效率快,一般 M 取 2 的若干次方),令 Y = Z mod M,也就是 Y 等于 Z 除以 M 的余数。可以证明,Y 与 Z 的离散傅里叶变化(DFT)是一样的,因此,当 M 足够大时,余数 Y 与 总损失 Z 的概率分布是相同的。也就是说,我们把求解总损失 Z 的概率分布变为了 求解余数 Y 的概率分布,而余数 Y 的概率分布可以使用 FFT 算法比较容易的得到。这就是 FFT 算法的基本原理与计算过程。

四、一个示例

【问题】已知损失次数 N 服从 参数为1的泊松分布,每个损失的损失金额有 0.5 的概率等于1、有 0.5 的概率等于2. 要计算N个损失变量Xi(i=1,2,3,...,N)之和 Z=X1+X2+X3+......+XN 的概率分布。

【解】直接用 python 写如下的代码:

复制代码
import numpy as np
m=64
v=np.zeros(m)
v[1]=0.5
v[2]=0.5
lamb=1
ff=np.exp(lamb*(np.fft.fft(v)-1))
iff=np.fft.ifft(ff)
print(np.real(iff))

运行后得到结果如下:

结果向量代表的意思是,总损失 Z =0 的概率是向量中的第一个数 0.367879441,总损失 Z =1 的概率是向量中的第二个数0.183939721,总损失 Z =2 的概率是第三个数0.229924651,总损失 Z =3 的概率是第四个数 0.0996340153,以此类推。这个结果与真实结果非常接近,真实结果如下表:

|----|-------------|
| Z | f(Z) |
| 0 | 0.367879441 |
| 1 | 0.183939721 |
| 2 | 0.229924651 |
| 3 | 0.099634015 |
| 4 | 0.069935415 |
| 5 | 0.026920345 |
| 6 | 0.013899264 |
| 7 | 0.004838568 |
| 8 | 0.002039819 |
| 9 | 0.000650942 |
| 10 | 0.000236529 |
| 11 | 0.000069928 |
| 12 | 0.000022624 |
| 13 | 0.000006249 |
| 14 | 0.000001839 |
| 15 | 0.000000478 |
| 16 | 0.000000130 |
| 17 | 0.000000032 |
| 18 | 0.000000008 |
| 19 | 0.000000002 |
| 20 | 0.000000000 |

可以看到,总损失 Z 大于等于11之后的概率都是很小的了。正是因为这个原因,我们在算法中选取了 m=64 。其实,取 m=32 的结果效果也是不错的。也就是说,m 的选取时,尽量让 Pr{Z>=m}的概率尽量足够小,接近于0才好。

换了角度说,让 总损失的金额在一个 0 到 m-1 的周期内都展示出来。一个反例,如果这个例子中 取 m=8,意味着总损失在 一个 0 到 7 的周期内并未完全都展示出来, Z=8, Z=9, Z=10 ... 等等还有不小的概率存在。此时,FFT 的结果和真实结果就会有一定差异,差异其实就是 Z>=8 那部分的概率造成的。

以上就是对 快速傅里叶变换在聚合风险精算模型中的介绍。

相关推荐
程序员韩星24 分钟前
OpenAI 兼容接口返回 404,先查请求地址,再查模型名
前端·人工智能·http
Cosolar31 分钟前
2026 年 Java AI Agent 生态全景盘点:50+ Java 开源项目的分类、实测与选型判断
人工智能·架构·agent
花椒技术1 小时前
从“实时生成游戏”出发,我们用 AI 做了四次游戏开发尝试
人工智能·aigc·游戏开发
其实防守也摸鱼1 小时前
用 Claude Code 重构遗留系统:从评估到落地的完整指南
前端·网络·人工智能·chrome·安全·重构
泯泷1 小时前
当"孤独的开发者"成为常态,AI正在悄悄杀死那个我们熟悉的互联网
人工智能·chatgpt·llm
黑客笔记1 小时前
安全态势感知中的资产失陷排名思考
人工智能·算法·网络安全
Asher11251 小时前
电池数据整理复盘:从 MAT 文件到充电曲线
机器学习
用户2707059662592 小时前
Copilot平替方案怎么选:主流工具横向对比
人工智能
好悬给我拽开线2 小时前
EasyHeC++ 用预训练图像模型实现全自动手眼标定
人工智能
Bacon2 小时前
把 Codex 装进 Mac 刘海:Codex Notch 安装与使用指南
人工智能