快速傅里叶变换与聚合风险精算模型(二)

前一篇文章说了FFT在聚合风险精算模型中的顶层思路,下面再介绍一些中观的思想。

一、最关键的思路:用概率分布的特征函数来推导概率分布。

已知一个概率分布特征函数是 , 那么这个概率分布的概率密度函数可以有特征函数推导出,即如下公式:

其中,特征函数 的定义式为 , 其中 i 代表的是复数里的 i,于是上式可以变为:

从这个公式最右的 这一项来看,是否让我们联想到了经常用于做信号分离的傅里叶分析?其实,也正是这个原因,才允许我们使用快速傅里叶变换。

进一步地说, 就是做一次快速傅里叶变换的过程,对应 python 代码中的 np.fft.fft(),而 代表的就是做一个快速傅里叶变换的逆变换,对应着 python 代码中的 np.fft.ifft()。所以,跑完一次 python 代码,就得到了 f(Z) 的向量,这就是 FFT 算法能在聚合风险精算模型中的应用的原因。

二、说完特征函数 很重要,那怎么才能求出 ?

这个就要用到聚合风险精算模型中的一个重要公式,即:

这个公式在 FFT 算法中非常重要,所以一定要记住,用来计算总损失 Z 的特征函数 。它的含义是,总损失 Z 的特征函数 等于令 t=时的损失次数变量 N 的概率母函数,其中 代笔每次损失金额 X 的特征函数。

所以,在上一篇文章的 python 代码中,我们用到了np.exp(lamb*(np.fft.fft(v)-1)),其实这一步使用的就是上面的公式,只是因为 N 服从泊松分布了 所以才有这条代码。

三、又一个示例

【问题】已知损失次数 N 服从 PrN=0,1,3,7,8,9,10 =0.3, 0.2, 0.1, 0.1, 0.1, 0.1, 0.1。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3. 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=32
v = np.zeros(m)
v[1]=0.5
v[3]=0.5

t=np.fft.fft(v)
ff=0.3*1+0.2*t+0.1*(t**3)+0.1*(t**7)+0.1*(t**8)+0.1*(t**9)+0.1*(t**10)
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 0.3,总损失 Z =1 的概率是向量中的第二个数0.1,总损失 Z =2 的概率是第三个数0,总损失 Z =3 的概率是第四个数 0.1125,以此类推。

我们在算法中选取了 m=32 ,这是因为在这个示例里 Z 的最大值是 30 (最多发生10次损失,每次损失是3)。所以,我们取 m=32 就够了。

根据上面的结果,可以算出 EZ=7.8,它正是 EN*EX=3.9*2 的结果。

相关推荐
电科_银尘15 小时前
【大模型算法与工程 09】SGD、Momentum与AdamW:优化器如何选择
人工智能·算法
羲云网络15 小时前
GPT Image 2.6 商品图交付:用文件指纹排查错图、覆盖与版本串线
图像处理·人工智能·python·技术教程·文件校验
jianqiang.xue15 小时前
1颗NPU分时复用:鸿蒙把轻AI塞进了MCU
人工智能·单片机·mcu·嵌入式·harmonyos·鸿蒙·端侧ai
前端的阶梯15 小时前
AI Agent 之 工具(Tool)
人工智能
孟健15 小时前
用 HyperFrames 解决前端视频生成难题:国产 Flash 模型实测 3 条 1080p 视频
前端·人工智能·开源
两万五千个小时16 小时前
Agent 记忆不是聊天记录,而是为未来准备的上下文 ——Anthropic 的四层记忆架构与 Dream 思想
人工智能·程序员
汤姆宝库16 小时前
语料清洗流水线的实现:启发式过滤、MinHash去重与质量分级
人工智能
火山引擎开发者社区16 小时前
不会 FFmpeg 也能做视频后期?AI MediaKit Skill 帮你实现
人工智能
tellmewhoisi16 小时前
深度学习0:数学知识:(L1正则化和L2正则化)
人工智能·深度学习
AI_Gump17 小时前
AutoGLM 两年演进深度解读:一篇讲透智谱的手机 Agent 路线
人工智能·智能手机