SIR流行病框架下的网络风险建模:频率与严重性方法的比较分析

《Annals of Actuarial Science》:Cyber risk modeling within the SIR epidemic framework: a comparative analysis of frequency and severity methods

【字体: 大 中 小 】 时间:2026年01月28日 来源:Annals of Actuarial Science 1.0

编辑推荐:

  本文通过引入一种集成两种方法的新方法,解决了网络风险传播理论建模与损失特征实证分析之间的差距。研究人员使用离散时间易感-感染-恢复(SIR)过程对网络损失次数随时间的发展进行建模,将这些次数与协变量联系起来,并使用回归模型对损失严重性进行建模。通过纳入时间和协

  
本文通过引入一种集成两种方法的新方法,解决了网络风险传播理论建模与损失特征实证分析之间的差距。研究人员使用离散时间易感-感染-恢复(SIR)过程对网络损失次数随时间的发展进行建模,将这些次数与协变量联系起来,并使用回归模型对损失严重性进行建模。通过纳入时间和协变量依赖的转移率,研究人员消除了人口规模对感染次数的缩放效应,揭示了真正的潜在动态。模拟表明,该易感-感染-恢复(SIR)框架显著提高了聚合损失预测精度,为网络风险背景下的精算评估和风险管理提供了更有效和实用的工具。
论文解读文章

**研究背景与问题**

随着数字技术全面融入日常生活,网络风险已成为全球关注的关键问题。2024年安联风险晴雨表将网络风险列为首位全球风险,Ponemon研究所报告显示数据泄露事件的平均成本在2024年达到历史新高,较2023年增长10%。网络风险被定义为可能导致信息系统机密性、可用性或完整性潜在破坏的操作风险。有效的网络风险管理策略需要深入理解风险的到达机制和统计特性。现有研究分为两大方向:一是基于计算机科学和信息技术的网络攻击检测与预测,二是基于统计建模的风险到达与损失特征分析。在统计方面,已有研究采用自回归条件持续时间(ACD)过程、泊松过程、霍克斯过程等随机过程建模网络攻击到达,以及使用损失分布法(LDA)描述频率和严重性。然而,尽管在理论层面有使用流行病过程(如SIS、SIR)描述网络风险传播机制的研究,以及在实证层面有大量探索损失统计模型的论文,但缺乏将这两个研究分支结合起来的分析工作。本文旨在弥合这一差距,通过将网络风险传播的理论建模与损失特征的实证分析相结合,提出一个统一框架。

**研究内容与结论**

研究人员使用SAS OpRisk Global Data中1970年至2021年报告的1933起网络事件,采用离散时间SIR(易感-感染-恢复)过程建模感染和恢复计数的时间演化,并将计数与协变量(如行业、地区、风险类别、公司规模等)联系起来,同时使用回归模型(广义线性模型GLM和广义可加模型GAMLSS)建模损失严重性和转移率。通过引入时间和协变量依赖的转移率,消除了感染人口规模对年新感染计数的缩放效应,从而更准确地描述真实潜在动态。模拟结果表明,在SIR框架下建模网络风险可以显著提高聚合损失预测的准确性,同时覆盖典型和平均损失情景以及重右尾情况。论文发表在《Annals of Actuarial Science》。

**主要关键技术方法**

研究人员使用SAS OpRisk Global Data作为样本队列来源(1970–2021年,1933起事件)。主要技术方法包括:(1)离散时间SIR模型,并引入时间依赖和感染年龄依赖的转移率;(2)约束最小二乘(CLS)回归,结合Lasso惩罚用于估计年龄依赖参数;(3)广义可加模型(GAMLSS),采用零膨胀贝塔分布建模转移率,允许位置、尺度和形状参数依赖协变量和时间;(4)负二项GLM和Lasso惩罚用于频率和恢复计数建模;(5)左截断对数正态GLM用于严重性建模;(6)蒙特卡洛模拟(1,000,000次)用于聚合损失预测,并比较不同频率-严重性组合的风险度量(中位数、均值、VaR)。

**研究结果**

**标准分布分析**:研究人员通过拟合优度检验(对数似然、AIC、BIC、Lilliefors检验、Anderson-Darling检验)发现,负二项分布最适合年感染和恢复计数(处理零膨胀和过度分散),而左截断对数正态分布最适合严重性,尽管Burr-GPD混合模型在AIC上略优,但高估了尾部风险。

**GLM回归分析**:频率GLM结果显示,感染计数与时间(二次项)、风险类别和地区显著相关;恢复计数与时间、行业和风险类别显著相关。Lasso惩罚显著降低了预测误差(感染计数MSE降低约95%,恢复计数约69%),但恢复计数在测试集上被高估。严重性GLM结果表明,时间、风险类别、公司规模和事件关联性显著影响损失均值;仅使用时间信息时,模型预测精度优于仅使用公司特征信息,但低于完整信息模型。

**SIR知情框架下的CLS回归**:年龄依赖传播率模型(CLS+Lasso)对训练样本略有高估,但能准确预测新感染计数,而恢复计数被持续低估,表明当前感染人群的年龄结构对预测新恢复计数可靠性有限。

**SIR知情框架下的GAMLSS回归**:零膨胀贝塔GAMLSS分析显示,传播率的位置参数主要受时间显著影响,且零概率随时间下降;恢复率则显著依赖行业和风险类别,时间因子不显著。Lasso惩罚对传播率模型有边际改善,但恢复率模型预测精度差,诊断图(半正态图、蠕虫图、桶图)未发现模型误设,表明恢复率预测不足源于过去信息与当前恢复率的相关性有限。当仅使用时间作为协变量时,传播率和恢复率模型的MSE相比全模型或惩罚模型降低超过50%,且能实现超过一年的预测。敏感性分析表明,易感人群比例假设(S(t)/N≈1)对结果影响微小,验证了框架的稳健性。

**应用——聚合损失模拟**:基于1,000,000次蒙特卡洛模拟,比较三种频率-严重性组合:(A)负二项频率+对数正态严重性,(B)零膨胀贝塔分布频率(SIR过程)+对数正态严重性,(C)零膨胀贝塔GAMLSS(时间依赖)频率+对数正态GLM(时间依赖)严重性。结果:组合C的模拟中位数、均值与实际总损失最接近,且VaR(95%、99%、99.5%)随时间下降,反映实际损失趋势,组合A低估平均损失但高估尾部风险,组合B提供平衡但略逊于C。组合C能有效捕捉时间变化,更适合动态风险评估。

**讨论与结论**

本文通过分布分析和回归分析,确定了与新感染/恢复计数和损失严重性相关的关键风险因素(时间、风险类别等),并在SIR流行病框架下对传播率和恢复率进行回归,揭示了网络空间的真实风险动态。研究发现,将年感染计数置于SIR框架中,通过GAMLSS回归建模潜在转移率(特别是时间依赖参数),在所有测试模型中提供了最准确的计数预测。模拟结果进一步证实,即使在静态严重性假设下,用SIR驱动的计数过程替代传统频率模型也能显著提升预测性能。敏感性分析表明,在缺乏直接信息时,关于易感人群比例的假设对结果影响可忽略,确认了SIR框架的稳健性。本研究利用真实世界数据,填补了实证网络风险研究中缺乏基于不完整信息的离散时间SIR模型拟合的空白。预测的转移率为保险公司提供了动态视角,可调整投资组合定价策略以应对系统性风险变化。尽管SIR知情方法计算成本高于传统LDA,但其带来的精度提升和战略预见性在多变网络风险环境中可能值得额外开销。论文指出当前工作的局限性:(1)数据偏向金融机构和美洲地区,且存在小事件删失;(2)模型假设条件独立性,未考虑网络结构和系统性依赖;(3)未纳入地缘政治、技术变革等外生动态驱动因素。未来研究方向包括:使用实际网络保险索赔数据实现个体保单定价;在网络建模中引入群体结构;集成外部因素以增强解释和预测能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号