五参数Beta Odd Pareto分布对重尾保险损失数据的建模：尾部指数、弱可识别性与风险度量评估

《Journal of Probability and Statistics》：The Beta Odd Pareto Distribution With Application to Heavy-Tailed Insurance Loss Data

　　

研究人员提出并研究五参数beta odd Pareto (BOP)分布，该分布通过将beta生成器应用于odd Pareto基线而获得。其构造是标准的，但产生了关于渐近尾部行为和可识别性的新结果，并用于风险管理。该密度可为正偏或负偏、对称、单峰或浴盆形，风险率可为递增、倒浴盆形或浴盆形。研究人员证明所有可进行闭式推导的结果：精确无限混合表示、密度的边界行为、生存函数以尾指数α = λβδ呈正则变化（regular variation），以及分位数函数、矩、平均剩余寿命（mean residual life, MRL）、次序统计量和最大似然得分方程的闭积分形式。一项蒙特卡洛研究表明，最大似然能够准确恢复风险相关泛函（中位数、高分位数和风险价值（value at risk, VaR）），而单个形状参数仍呈弱可识别性，Wald区间（Wald interval）覆盖不足，贝叶斯替代方案（Bayesian alternative）可显著改善。在汽车保险索赔数据上，BOP在基于似然和基于分布的拟合准则上优于Pareto分布及五个扩展，并在1%水平上给出最准确的风险价值（VaR）和条件尾部期望（conditional tail expectation, CTE）回测。在第二个独立数据集（Norwegian fire claims，n = 4,745）上，BOP在样本内和样本外再次决定性地优于其自身嵌套子模型，并在所比较的全部七个模型中取得最小的基于分布的拟合统计量；这是一项研究人员完整报告的稳健性检验。

研究背景与问题。保险损失严重度通常非负、近零处单峰、强右偏且重尾，常表现为均值有限而方差无限；经典gamma、log-normal、log-logistic、Weibull、逆高斯分布、复合模型和有限混合难以同时刻画数据主体与极端尾部，而尾部决定纯保费、准备金、再保险定价以及Solvency II等监管下的风险资本。Pareto (Type I)分布是典型重尾损失模型，但单形状参数须同时描述主体和尾部，密度单调下降，不能表示内部众数或主体与尾部由不同机制控制的情形。尽管已有广义Pareto、beta-Pareto、gamma-Pareto、Kumaraswamy transmuted Pareto (KwTP)和odd Pareto (OP)等扩展，仍需要兼顾尾部渐近、可识别性和风险度量的模型。研究人员提出五参数beta odd Pareto (BOP)分布，由beta生成器作用于OP基线；作者强调贡献不只在构造，而在严格证明尾指数、矩存在与混合表示，明确可识别性分析，并用于VaR和CTE风险管理。结论是BOP可产生多种密度和风险率形状，生存函数正则变化且尾指数α = λβδ，k阶矩存在当且仅当k < α；最大似然估计（maximum likelihood estimation, MLE）可准确恢复风险泛函但形状参数弱识别；在汽车和挪威火险索赔上拟合和风险回测表现好或与最强竞争模型不可区分。其意义在于为尾部风险度量提供可闭式推导且经回测支持的分布模型。

关键技术与方法（不超过250字）。通过beta生成器将OP基线扩展为BOP并推导闭式密度、混合表示、分位数、矩、MRL和得分方程；用正则变化理论证明尾指数和矩存在条件；以MLE拟合并将阈值θ固定在样本最小值，在四组参数配置下用R = 1,000次蒙特卡洛和n = 200、500、1000评估估计与Wald区间覆盖；应用Frees的Class C6汽车保险索赔（n = 911）和Norwegian fire claims（1986–1992 accident years，priority 500，1000 NOK；n = 4,745），以负对数似然、AIC、BIC及K–S、C–M、A–D统计量和参数bootstrap比较七模型，并用似然比检验、5折交叉验证、Vuong检验及VaR/CTE回测（binomial检验、t检验和非参数bootstrap）评估。

主要结果。2.1 构造、累积分布函数与密度：通过beta生成器作用于OP基线定义BOP，推导五参数密度并说明正负参数域的支撑。2.2 子模型：通过参数约束证明BOP嵌套Beta Pareto、OP、Pareto I等。2.3 混合表示：用广义二项式定理将密度写成指数化odd Pareto (EOP)密度的无限混合，权重和为1。3.1 密度形状：结合边界结果和稠密数值评估，分类正/负偏、对称、单峰和浴盆形，并注明该分类部分依赖数值验证。3.2 边界行为：证明密度在阈值处的极限由βγ与1的关系决定。3.3 风险率函数：分析显示负参数域λβ < 1为浴盆、λβ > 1递增，正参数域为倒浴盆（单峰）。3.4 尾部行为与正则变化：证明生存函数正则变化、尾指数α = λβδ，密度亦正则变化。4.1 分位数函数与随机生成：反演cdf得分位数函数和Beta变量随机表示。4.2 基于分位数的偏度与峰度：因方差可能无限，采用Bowley偏度和Moors峰度；拟合参数得B = 0.325、M = 1.518。4.3 矩：证明k阶矩存在当且仅当k < λβδ，给出闭积分式。4.4 不完全矩：通过概率积分变换得到闭积分式，用于平均偏差、Lorenz/Bonferroni和CTE。4.5 MRL：均值有限时推导MRL，并证明e(t) ~ t/(λβδ ? 1)趋于无穷。4.6 次序统计量：给出次序统计量密度，样本最大值继承尾指数。5 最大似然估计：θ为边界参数并固定在样本最小值，推导得分方程并数值优化；θ的标准误不按常规正态理论解释。6 模拟研究：四配置R = 1,000、n = 200/500/1000；λ、β及中位数、高分位数、VaR_0.99估计随n改善，γ、δ弱识别且Wald区间覆盖不足，VaR覆盖较好；弱信息先验的贝叶斯后验中位数可降低γ、δ的rRMSE（概念验证）。7.1 数据：Class C6汽车索赔n = 911，强右偏重尾。7.2 竞争模型与拟合：七模型比较中BOP的负对数似然、AIC、BIC和三个经验分布函数（empirical distribution function, EDF）统计量最小、bootstrap p最大；似然比检验拒绝OP和BP。7.3 风险度量与回测：BOP的1%上尾VaR和CTE最接近经验基准且回测p最大；指出无限方差下CTE的t检验不可靠，需bootstrap。8.1 数据：Norwegian fire claims n = 4,745，偏度和峰度更高。8.2 竞争模型与拟合：KwTP的负对数似然、AIC、BIC略小，BOP的K–S、C–M、A–D最小且bootstrap p非分辨率；似然比检验决定优于OP/BP，Vuong检验显著优于GPIV、与KwTP不可区分；5折交叉验证BOP与KwTP最低且不可区分。8.3 风险度量与回测：VaR中BOP与BP最接近经验且回测最佳；CTE朴素t检验拒绝BOP，但非参数bootstrap p = 0.08不拒绝；极端尾外推使CTE点估计偏高，bootstrap尾指数和CTE区间很宽。

讨论与结论翻译。第9节总结称，研究人员引入五参数BOP分布，并为所有可闭式推导的结果给出证明（唯一部分例外是3.1节形状目录，结合已证边界结果与数值验证）。除密度、cdf和子模型外，获得精确混合表示、密度和风险率形状完整描述、密度边界行为和精确尾指数α = λβδ，建立正则变化和尖锐矩存在条件；推导分位数、原始与不完全矩、MRL、次序统计量的闭积分形式和最大似然得分方程。模拟研究记录风险泛函准确恢复、形状参数弱识别、Wald区间覆盖不足及弱信息贝叶斯先验可显著降低（概念验证）；在强偏汽车保险索赔上优于Pareto及五个扩展并给出最准确VaR/CTE回测；通过似然比检验、交叉验证和第二个无关重尾数据集（Norwegian fire claims）重拟合，BOP取得七模型中最小分布拟合统计量并被非嵌套检验显著优于GPIV。可扩展方向包括协变量回归、完整贝叶斯处理和多变量/copula构造，混合表示应促进这些发展。讨论还指出：形状分类部分依赖数值验证；弱识别下应解释泛函而非单个参数；贝叶斯结果为概念验证；极端尾外推和重尾下t检验不可靠。