这篇论文为保险业的风险评估提供了一种全新的尾部模型比较工具。保险公司面临的洪水、地震等巨灾损失虽然发生频率低，但一旦发生便足以动摇偿付能力。传统的点预测无法完整刻画尾部风险，而预测分布虽更全面，但常用的评分规则（如连续分级概率评分CRPS）无法有效区分不同尾部指数的模型——论文指出，CRPS甚至无法区分重尾程度的差异。
核心贡献：让评分规则能“识别”尾部
作者提出基于归一化上阶统计量的评分框架，用样本中最大的k个观测值（而非全样本）来评估预测分布。理论证明：对数评分（LogS）在Pareto候选模型下，最大化的结果等价于经典的Hill估计量；能量评分（Energy Score）也在特定条件下具备一致性和渐近正态性。这意味着精算师可以像比较模型整体拟合优度一样，客观地比较不同模型的尾部表现，并用量化指标（方差）判断分数差异是否具有统计显著性。
实证检验：汽车人身伤害索赔数据
论文使用美国2002年汽车人身伤害索赔数据（1340笔）进行验证。比较了五个Pareto尾部指数候选值（γ=0.3,0.5,0.8,1.0,1.3），发现对数评分在稳定k区间内更偏向γ=0.8和1.0，而γ=0.3和0.5表现较差。进一步按性别和是否涉及律师分组后，发现无律师代理的索赔尾部更轻（γ更小）——这可能因为小额索赔较少聘请律师，导致观测到的尾部差异反映的是索赔结构而非因果。
对保险公司实际意义
-
定价与再保险：准确识别尾部指数，直接关乎巨灾超赔再保险的定价合理性；
-
准备金评估：避免因模型误选导致低估极端损失，影响偿付能力充足率；
-
模型选择可复现：提供客观评分体系，减少主观判断，便于监管沟通。
该方法虽以Fréchet域（重尾）为对象，但框架可扩展至Gumbel和Weibull域，未来有望应用于责任险、巨灾险和信用保险的尾部风险量化。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6698.html
微信扫一扫 
