混合Poisson分布及其在风险理论中的应用

对非同质保单组合建立了一元混合Poisson分布模型,并对具有相依风险的保单组合中两种保险责任的索赔次数（N1,N2）建立了二元混合Poisson模型,利用母函数与矩母函数研究了一元及二元混合Poisson分布的优良性质,二者特别适合刻画非同质风险的索赔次数,混合Poisson分布的方差越大于均值,保单组合中的非同质性...     

索赔为稀疏过程的二维风险模型的破产概率

研究了二维风险模型,其中保单到达是复合Poisson-Geometric过程,且索赔发生是保单到达过程的q-稀疏过程.对二维模型定义了3种不同的破产概率,并运用一维风险模型的相关理论得到了3种破产概率的明确表达式或者上界.     

稀疏过程在双险种风险模型中的应用

本文研究了一类双险种风险模型,而其中一个险种的保单到达服从齐次Poisson过程,而描述此险种的退保及索赔发生的计数过程都是这一过程的稀疏过程,得到了最终破产概率的上界估计,以及关于生存概率的Feller表示,并与其他一类风险模型进行比较.     

动态投资组合保险策略的实证研究

运用动态投资组合保险策略的三种方法,假设对上证180指数采取了保险策略,并比较不采取保险策略、采取三种动态投资组合保险策略(固定组合策略,固定比例投资组合保险策略和时间不变性投资组合保险策略)它们之间的不同效果,探讨三种动态投资组合保险策略的差异,最终为股民投资股票规避价格波动风险提出建议。     

具有相依结构离散时间模型破产概率的上界

研究两类具有相依结构的离散时间风险模型的破产概率问题.其中,索赔和利率过程假设为2个不同的自回归移动平均模型.利用更新递归技巧,首先得到了该模型下破产概率所满足的递归方程.然后,根据该递归方程得到了破产概率的上界估计.最后对两类风险模型的破产概率的上界进行了比较.     

具有风险相依结构的平衡信度估计

在保险实务中，风险之间具有一定的相依结构. 通过考虑保费的目标估计来对风险保费进行了研究，采用正交投影的方法求解了最优问题，在平衡损失函数下得到了风险等相关的齐次和非齐次信度估计. 结果表明得到的信度估计具有经典信度模型的加权形式.     

基于MATLAB的改进BP神经网络的实现与比较

本文在Black-Scholes型市场中引入机会收益的概念,并利用文[4]中提出的在险收益的风险概念,建立了机会收益-在险收益(EaC-EaR)动态投资决策模型maxR=E[Xπ(T)|Xπ(T)≥ρ1-β(x,π,T)]s.t.EaR(x,π,T)≤Cπ∈Rd,其中C是事先给定的某风险水平,ρ1-β(x,π,T)是期末财富Xπ(T)的1-β下侧分位数.通过对该模型的讨论,得到了最优常数再调整策略的显式表达式以及投资组合的有效前沿,阐明的金融学涵义包括:在EaC-EaR投资组合模型下,风险中性市场中的最优常数再调整投资策略是纯债券投资策略,而风险非中性市场中的最优常数再调整投资策略蕴涵了两基金分离定理的成立.另外,β=1时的均值-在险收益(M-EaR)模型maxR=E[Xπ(T)]s.t.EaR(x,π,T)≤Cπ∈Rd正是上述模型的特款.     

基于藤结构 Copula 模型的中国股市风格资产相依结构研究

首先采用 AR(1)－GJR(1,1)－SkT(v,λ) 模型来刻画中国股市风格资产（大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值）的边缘分布,接着结合各边缘分布的残差,引入C-Vine Copula和D-Vine Copula模型来描述这六种风格资产之间的相依结构,然后对基于C-Vine Copula和D-Vine Copula模型的拟合效果进行综合比较.研究结果表明：中国股市各风格资产之间的相依性存在结构性差异,最适合用D-Vine Copula模型来刻画各风格资产之间的相依结构.同类型的风格资产之间的相依程度比不同类型风格资产之间的相依程度要高;在同一类型的风格资产中,资产规模差距越大的风格资产之间的相依系数就越小.无条件的风格资产收益系列之间的相关性要显著大于有条件的风格资产收益系列之间的相关性;最后根据研究结论提出了降低风格资产组合风险的资产配置建议.     

常利率下索赔相依风险模型的破产赤字

研究了常利率下具有相依索赔结构的Sparre Andersen风险模型的破产问题,其中理赔间隔时间与随后的理赔数额具有特殊相依结构.利用递归方法,得到该模型破产赤字分布的上界估计,并且考察了参数为指数函数的例子,加深对定理中破产赤字上界的了解.     

一类索赔相依二元风险模型的破产概率问题研究

考虑一种相依索赔风险模型,模型中假设每次主索赔可随机产生一延迟的副索赔,采用Laplacc变换方法,给出了索赔额服从轻尾分布时的最终破产概率,并研究了重尾分布时最终破产概率的渐进式.