对数指数Pareto分布：重尾保险数据的尾部指数、再保险风险度量与N5PP扩展

《Journal of Probability and Statistics》：A Log-Exponential Pareto Distribution for Heavy-Tailed Insurance Data

　　

Pareto型模型仍是重尾损失建模的主要工具，但经典Pareto分布固定单一尾部衰减率，对真实索赔数据常过于受限。研究人员将Pareto生存函数经过对数指数变换，构建新的三参数扩展N3PP分布，并以闭式推导其密度、危险率、分位数函数、矩存在条件和Shannon熵。尾部指数结果表明上尾按x^?λβ衰减，因此新形状参数β重新缩放Pareto尾部而非仅平移尾部；并证明同一尾部行为支配若干再保险相关量——有限期望值、平均超额函数和直接联系经典破产理论的积分尾（平衡）分布。模拟研究表明，λ和β在有限样本中各自难以精确确定，本质上因为Fisher信息矩阵接近奇异，但一旦样本量中等，其乘积τ=λβ（实际支配尾部）可被合理精度恢复。加入Marshall–Olkin脆弱性参数γ和韧性参数δ得到五参数扩展N5PP，其尾部指数为τ₅=λβγ。研究人员将N5PP拟合瑞典摩托车保险和Bragg索赔数据集，与五个Pareto型竞争模型比较，并计算每个模型的风险价值（VaR）和条件尾部期望（CTE）。

保险损失数据具有典型重尾（heavy-tailed，尾部以幂律而非指数速度衰减）特征：多数索赔额不大，但少量极大索赔决定偿付能力要求和再保险定价。Pareto分布因具有简单幂律尾并可作为高阈值超额极限而长期作为默认模型，但其单一形状参数固定整个上尾衰减率；若拟合锚定极端尾部，常扭曲中小额主体，反之亦然。已有beta-G、指数化-G、Marshall–Olkin、Kumaraswamy-G及T-X复合等Pareto扩展，但许多生成器新增参数是否真正改变尾部指数并不明确，且常依赖拟合曲线或单一尺度拟合优度统计量。为此，研究人员以正则变化（regular variation）和极值理论形式化刻画尾部，构建生存函数对数指数变换的N3PP，并进一步以Marshall–Olkin脆弱性参数γ和韧性参数δ扩展为N5PP，应用于重尾保险数据并计算再保险相关量。其意义在于给出闭式密度、危险率、分位数、矩存在条件和Shannon熵，证明尾部指数由λβ（N5PP为λβγ）控制，并把尾部行为与有限期望值、平均超额函数、积分尾分布及经典破产理论联系起来，同时用VaR和CTE评价风险。

关键技术方法（约250字）：研究人员对Pareto生存函数施加归一化对数指数变换构造N3PP；利用正则变化推导尾部指数、矩存在条件和风险函数；以极大似然估计，θ取样本最小值，λ和β用多起点Nelder–Mead，并证明固定λ时β剖面得分方程根存在；开展500次和250次蒙特卡洛模拟；加入Marshall–Olkin脆弱性γ和韧性δ得N5PP；拟合瑞典摩托车保险数据（Wasa公司1994—1998年，n=670）和Bragg索赔数据（Charpentier第5章，CAS datasets包，n=203），用AIC、BIC、KS、CM、AD及参数自助法比较五个Pareto型竞争模型，并由Karamata定理推导有限期望值、平均超额、积分尾分布和重尾破产近似，计算VaR与CTE。

研究结果如下。2.1 构造：通过证明变换函数非减且端点取0和1，说明变换后S₂为合法生存函数，β=1还原基线。2.2 N3PP分布：取Pareto生存函数得三参数N3PP，推导密度、危险率和分位数，证明β=1退化为普通Pareto，β衡量偏离Pareto。3.1 形状：证明密度在(θ,∞)严格递减、众数在θ；并指出幂律尾模型不可能对数凹。3.2 阈值与无穷远行为：给出阈值处密度和危险率极限及x→∞时渐近式，均依赖λβ。3.3 尾部指数：证明N3PP正则变化，尾部指数ξ=1/(λβ)，S(x)~(1/a)(θ/x)^λβ；β<1加厚尾、β>1减薄尾，τ=λβ为有效尾部指数，并以数值对数斜率验证。3.4 矩：证明E(X^k)存在当且仅当k<λβ，β=1还原Pareto矩公式；数值积分验证，τ相同而λ、β不同时方差仍不同。3.5 偏度与峰度：因均值仅在λβ>1时存在，采用分位数偏度和峰度；网格计算显示β减小、尾变厚时偏度增加。3.6 熵：推导Shannon熵闭式，数值积分与闭式结果达九位有效数字一致。4.1 似然与得分方程：θ的MLE为样本最小值，给出λ、β得分方程并用Nelder–Mead数值最大化。4.2 β解存在性：证明固定λ时β剖面得分方程有解，模拟样本验证根位置；唯一性仅获数值支持。4.3 λ与β难分离：由尾部仅依赖λβ，Fisher信息矩阵沿λβ=常数近奇异；n=200000时条件数约1510，近零特征向量与脊方向一致，建议报告τ。5.1 参数恢复：模拟显示λ、β小样本偏差大、收敛慢，τ=λβ的RMSE随n稳定下降，单独参数Wald覆盖率低于名义水平。5.2 N3PP与OP区分：以T₁、T₂统计量与OP比较，N3PP数据多数情形选择概率>0.5，T₂在OP数据较大n时偏向OP。6.1 动机：N3PP仅两个形状参数，主体与极端尾常不联动，需增加脆弱性和韧性参数。6.2 定义：对N3PP生存函数加γ、再对分布函数加δ得N5PP；γ=δ=1还原N3PP，γ=δ=β=1还原Pareto，并给出密度和分位数。6.3 尾部行为：证明N5PP正则变化，尾部指数ξ₅=1/(λβγ)，S₅(x)~δa^?γ(θ/x)^λβγ；δ只改常数不改指数，数值斜率验证。6.4 形状：N5PP密度和危险率范围更宽，可出现阈值附近尖峰和非单调危险率。6.5 N5PP尾部指数恢复：250次模拟中τ₅=λβγ中位数约0.91—1.12（真值1.3），清洁RMSE从0.606降至0.264，IQR缩小；局部最优比例5%—20%，四维优化仍脆弱。7.1 数据：瑞典摩托车保险n=670、Bragg n=203，偏度和峰度大。7.2 拟合：与Pareto、BP、EOP、GPIV、KwTP比较，N5PP在两数据集NLL、AIC、BIC、KS、CM、AD均最低，自助p值>5%，其他模型多被拒绝；θ为边界参数，标准误不作经典Wald解释。7.3 分位数图：N5PP总体更贴近经验分位数，但最极端一两个点仍弯曲，所有模型共有，单凭Q-Q图不足判断尾拟合。7.4 积分尾、有限期望值、平均超额与破产：由正则变化和Karamata定理给出停止损失保费（stop-loss premium，即积分尾）、有限期望值、平均超额函数，并表明同一τ₅控制极端分位数和高超额层成本，进入经典Cramér–Lundberg重尾破产近似。7.5 VaR和CTE：由闭式分位数直接计算1%上尾VaR和CTE；N5PP最接近经验值，普通Pareto等模型高估数量级。

讨论部分指出，λ和β单独估计困难源于尾部指数结果导致的Fisher信息近奇异，实际应报告τ=λβ；N5PP中τ₅=λβγ更可信，但四维优化存在局部最优，需多起点并报告τ₅；复合模型未纳入比较，留待未来工作。结论翻译如下：研究人员从Pareto生存函数对数指数变换构建N3PP，从第一性原理得到闭式密度、生存、危险率和分位数函数，阈值与无穷远行为，正则变化证明尾部指数λβ，矩存在条件、分位数偏度峰度及经数值积分验证的闭式Shannon熵。估计方面证明β剖面得分方程有解；模拟表明λ、β单独难估而τ=λβ在样本量数百时可合理恢复，N5PP中τ₅=λβγ值得信任。应用于瑞典摩托车和Bragg数据，N5PP在所有拟合统计量上优于Pareto、BP、EOP、GPIV和KwTP，VaR和CTE更接近经验值；同一尾部指数给出有限期望值、平均超额函数和积分尾分布，并联系渐近破产概率，为再保险提供拟合统计量不能提供的量。两模型有闭式分位数，模拟和风险度量无需数值求根；构造仅要求基线为合法生存函数，并非保险专用，也适用于其他正则变化数据，如IT事件规模或极端降雨。