Asymptotics for a nonstandard risk model with multivariate subexponential claims and constant interest force

Diese Arbeit untersucht das asymptotische Verhalten der Eintrittswahrscheinlichkeit abgezinschter kumulierter Schäden in einem nichtstandardisierten multivariaten Risikomodell mit konstantem Zins und subexponentiellen Ansprüchen für endliche und unendliche Zeithorizonte und leitet daraus Ruinwahrscheinlichkeiten für Modelle mit Brownschen Störungen ab.

Das Wesentliche

🛡️ Der große Wurf: Wie Versicherer das Risiko von vielen Unfällen gleichzeitig berechnen

Stellen Sie sich eine riesige Versicherungsgesellschaft vor. Diese Firma ist nicht nur für eine Sache zuständig, sondern für d verschiedene Geschäfte gleichzeitig: Vielleicht versichert sie Autos, Häuser, Gesundheit und sogar Flugzeuge.

Das Problem, das die Autoren dieses Papers lösen, ist wie folgt: Was passiert, wenn alles schiefgeht?

Normalerweise schauen Versicherer auf eine Sache nach der anderen. Aber in der realen Welt hängen Dinge oft zusammen. Wenn ein schwerer Sturm kommt, werden nicht nur Dächer abgedeckt (Haus), sondern auch Autos beschädigt (Auto) und Menschen verletzt (Gesundheit). Alles passiert fast gleichzeitig.

Dieses Papier fragt: Wie hoch ist die Wahrscheinlichkeit, dass die Versicherungsgesellschaft in einer bestimmten Zeit (z. B. in einem Jahr oder für immer) pleite geht, wenn viele solcher "Katastrophen" gleichzeitig eintreten?

Hier ist die Reise durch die wichtigsten Ideen, übersetzt in Alltagssprache:

1. Der "Zins-Zauber" (Der Geld-Verfall)

Die Versicherung nimmt das Geld, das sie für Schäden zahlen muss, und rechnet es auf den heutigen Wert herunter. Warum? Weil 1 Million Euro, die sie heute zahlen muss, viel mehr wert sind als 1 Million Euro, die sie erst in 10 Jahren zahlen muss.

• Die Analogie: Stellen Sie sich vor, Sie schulden jemandem Geld. Wenn Sie es heute zurückzahlen, ist es schwer. Wenn Sie es in 10 Jahren zurückzahlen, ist es durch Inflation und Zinsen "weniger schwer". Die Autoren berechnen also nicht die rohe Summe der Schäden, sondern den "diskontierten" (abgewerteten) Gesamtschaden.

2. Der "gemeinsame Taktgeber" (Der Zähler)

In diesem Modell gibt es einen besonderen Trick: Alle Schäden (Auto, Haus, Gesundheit) werden von einem einzigen Taktgeber gezählt.

• Die Analogie: Stellen Sie sich einen großen, lauten Gong vor. Jedes Mal, wenn der Gong schlägt, passiert etwas. Manchmal ist es nur ein Kratzer am Auto, manchmal ein brennendes Haus, manchmal beides gleichzeitig.
• Das Besondere an diesem Papier ist: Der Gong muss nicht in einem festen Rhythmus schlagen (wie ein Metronom). Er kann unregelmäßig sein. Im Sommer schlägt er öfter (mehr Brände), im Winter seltener. Oder er schlägt schneller, wenn ein großes Ereignis passiert ist. Die Autoren erlauben also chaotischere Muster als frühere Modelle.

3. Die "schweren Schwänze" (Die seltenen Riesen)

Versicherungen haben es mit zwei Arten von Risiken zu tun:

• Viele kleine Schäden (wie ein gekratzter Lack).
• Wenige, aber riesige Katastrophen (wie ein Hurrikan).
  In der Mathematik nennt man diese riesigen, seltenen Ereignisse "schwere Schwänze" (Heavy Tails).
• Die Analogie: Stellen Sie sich eine Party vor. Die meisten Gäste trinken ein Bier. Aber es gibt ein paar Gäste, die einen ganzen Fässer Bier trinken. Wenn die Party lang genug dauert, wird der "Fässer-Trinker" die Rechnung dominieren.
• Die Autoren sagen: "Wir gehen davon aus, dass diese Riesen-Schäden subexponentiell verteilt sind." Das ist ein komplizierter Begriff, der im Grunde bedeutet: Ein einziger riesiger Unfall ist viel wahrscheinlicher, als man denkt, und er kann die gesamte Summe der Schäden dominieren.

4. Das "Einzelne-Riesen-Prinzip" (Der große Wurf)

Das ist das Herzstück der Entdeckung. Die Autoren beweisen etwas, das man sich wie folgt vorstellen kann:
Wenn die Versicherungsgesellschaft in eine Katastrophe gerät (in den "ruinösen" Bereich), dann liegt das fast immer daran, dass ein einziger, riesiger Schaden passiert ist. Die vielen kleinen Schäden summieren sich nicht zu einer Katastrophe; es braucht einen "Monster-Schaden".

• Die Metapher: Wenn Sie eine Tonne Sand auf eine Waage legen, die gerade noch hält, und dann kommt ein einzelner Stein, der schwerer ist als die gesamte Tonne Sand, dann kippt die Waage. Es ist egal, wie viel Sand Sie vorher draufgelegt haben; der Stein war der Auslöser.
• Die Formeln in diesem Papier zeigen genau, wie man die Wahrscheinlichkeit berechnet, dass dieser "Stein" (der große Schaden) die Waage zum Kippen bringt.

5. Die "Zufalls-Störungen" (Das Rauschen)

Am Ende des Papers fügen die Autoren noch etwas hinzu: Brownsche Bewegung.

• Die Analogie: Stellen Sie sich vor, die Versicherungsgesellschaft ist ein Schiff. Die Schäden sind wie große Wellen, die das Schiff treffen. Aber das Meer ist auch unruhig – kleine Wellen, Wind und Strömungen (das "Rauschen").
• Die Autoren zeigen: Wenn die großen Wellen (die schweren Schäden) wirklich riesig sind, dann ist es egal, ob das Schiff ein bisschen wackelt (die kleinen Zufallsstörungen). Die großen Wellen bestimmen das Schicksal. Das kleine Wackeln macht keinen Unterschied mehr für die Wahrscheinlichkeit, dass das Schiff sinkt.

🎯 Was ist das Ergebnis für die Praxis?

Die Autoren haben Formeln entwickelt, die es Versicherern ermöglichen, viel genauer zu berechnen, wie viel Kapital sie als Reserve brauchen müssen.

1. Für einen begrenzten Zeitraum (z. B. ein Jahr): Sie können berechnen, wie wahrscheinlich es ist, dass die Summe aller abgewerteten Schäden einen kritischen Punkt überschreitet, selbst wenn die Unfälle unregelmäßig kommen und voneinander abhängen.
2. Für die Ewigkeit: Sie können auch berechnen, was passiert, wenn die Versicherung "ewig" weiterläuft. Hier müssen die Bedingungen etwas strenger sein (die Riesen-Schäden dürfen nicht zu wild sein), aber die Formeln funktionieren trotzdem.
3. Der große Vorteil: Frühere Modelle waren oft zu starr (sie nahmen an, dass Unfälle immer in gleichen Abständen kommen). Dieses Modell erlaubt realistischere Szenarien, wie saisonale Schwankungen oder Kettenreaktionen (ein Autounfall führt zu einem Gesundheitsanspruch).

Zusammenfassung in einem Satz

Dieses Papier gibt Versicherern ein neues, flexibleres Werkzeug an die Hand, um zu berechnen, wie wahrscheinlich es ist, dass ein einziger, riesiger "Monster-Schaden" (oder eine Kette davon) eine Versicherungsgesellschaft in die Insolvenz treibt, selbst wenn die Unfälle unregelmäßig kommen und sich gegenseitig beeinflussen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel: Asymptotiken für ein nicht-standardisiertes Risikomodell mit multivariaten subexponentiellen Ansprüchen und konstantem Zinseszinseffekt.
Autoren: Dimitrios G. Konstantinides, Charalampos D. Passalidis, Hui Xu.

1. Problemstellung und Motivation

Das Paper untersucht das asymptotische Verhalten der Eintrittswahrscheinlichkeiten von abgezinsten kumulierten Ansprüchen (discounted aggregate claims) in einem multivariaten Risikomodell. Das Modell zeichnet sich durch folgende Merkmale aus, die es von klassischen Modellen unterscheiden:

• Nicht-standardisierte Zählprozesse: Die Ansprüche folgen keinem einfachen Erneuerungsprozess (renewal process) oder Quasi-Erneuerungsprozess. Stattdessen wird ein allgemeiner Zählprozess verwendet, der weder notwendigerweise unabhängige noch identisch verteilte Zwischenankunftszeiten aufweisen muss. Dies erlaubt die Modellierung von saisonalen Mustern oder komplexen Abhängigkeiten zwischen verschiedenen Geschäftslinien.
• Multivariate Abhängigkeit: Die Anspruchvektoren $\{X^{(i)}\}$ sind nicht unabhängig. Es werden sowohl Abhängigkeiten innerhalb eines Vektors (zwischen den Geschäftslinien) als auch Abhängigkeiten zwischen den Vektoren über die Zeit hinweg betrachtet.
• Finanzielle Aspekte: Der Versicherer investiert den Überschuss zu einem konstanten Zinssatz $r \ge 0$. Daher werden die Ansprüche abgezinst.
• Schwere Verteilungsschwänze: Die Ansprüche folgen multivariaten subexponentiellen Verteilungen (oder engeren Klassen wie multivariaten regelmäßig variierenden Verteilungen), was typisch für große, seltene Schäden in der Versicherung ist.

Das Hauptziel ist die Herleitung asymptotischer Abschätzungen für die Wahrscheinlichkeiten $P(D(T) \in xA)$ und $P(D(\infty) \in xA)$, wobei $x \to \infty$ und $A$ eine Menge aus einer spezifischen Familie von Mengen ist (z. B. Mengen, die hohe Gesamtschäden oder Schäden in mindestens einer Linie repräsentieren).

2. Methodik und Modellannahmen

Modellbeschreibung:

• Es gibt $d$ Geschäftslinien mit einem gemeinsamen Zählprozess $N(t)$.
• Die Ankunftszeiten sind $\tau_i$, die Anspruchvektoren $X^{(i)} \in \mathbb{R}^d_+$.
• Die abgezinsten kumulierten Ansprüche bis zum Zeitpunkt $T$ sind definiert als:
  $$D(T) = \sum_{i=1}^{N(T)} X^{(i)} e^{-r \tau_i}$$
• Für $T=\infty$ wird die Summe über alle Ankünfte gebildet.

Verteilungsklassen und Abhängigkeitsstrukturen:

• Verteilungen: Es werden Klassen multivariater subexponentieller Verteilungen ($S_A$), konsistent variierender Verteilungen ($C_A$) und positiv abnehmender Verteilungen ($PD_A$) verwendet. Ein wichtiger Spezialfall sind multivariaten regelmäßig variierende Verteilungen ($MRV$).
• Abhängigkeit:
  • Für endliche Zeithorizonte wird die Regression-Abhängigkeit (RD) verwendet. Dies ist eine schwache Abhängigkeitsstruktur, die die Unabhängigkeit als Spezialfall enthält, aber auch bestimmte positive Abhängigkeiten zulässt.
  • Für unendliche Zeithorizonte wird eine allgemeinere Struktur, die quasi-asymptotische Unabhängigkeit (QAI), verwendet.
• Annahmen zum Zählprozess:
  • Für endliche Horizonte wird eine Bedingung an das zweite faktorielle Momentmaß $\alpha^{(2)}$ gestellt (Assumption 3.1), die besagt, dass dieses Maß durch das Produkt der Erwartungswerte der Inkremente beschränkt ist. Dies deckt inhomogene Erneuerungsprozesse und viele andere Prozesse ab.
  • Für unendliche Horizonte werden zusätzliche Momentenbedingungen an die Zwischenankunftszeiten gefordert (Assumption 3.2), um die Konvergenz der unendlichen Summe zu gewährleisten.

Haupttechnisches Werkzeug:
Die Beweise basieren auf dem Prinzip des "Single Big Jump" (ein großer Sprung). Bei schweren Verteilungsschwänzen ist es für die Summe von Zufallsvariablen am wahrscheinlichsten, dass die Summe einen extremen Wert annimmt, weil ein einzelner Term extrem groß ist, während die anderen Terme vernachlässigbar bleiben. Die Autoren verallgemeinern dieses Prinzip auf zufällig gewichtete Summen im multivariaten Kontext unter Berücksichtigung der oben genannten Abhängigkeitsstrukturen.

3. Wichtige Ergebnisse

Das Paper liefert zwei Hauptsätze für die asymptotische Äquivalenz der Eintrittswahrscheinlichkeiten:

Satz 3.1 (Endlicher Zeithorizont $T < \infty$):
Unter der Annahme, dass die Anspruchvektoren $RDA$ (regression dependent on $A$) sind und aus der Klasse $S_A$ stammen, gilt für $x \to \infty$:
$$P(D(T) \in xA) \sim \int_0^T P(X e^{-rs} \in xA) \, m(ds)$$
wobei $m(ds)$ das Maß des Zählprozesses ist.

• Korollar 3.1: Falls $F \in MRV(\alpha, \mu)$ (multivariat regelmäßig variierend), lässt sich dies explizit ausdrücken als:
  $$P(D(T) \in xA) \sim \mu(A) \bar{V}(x) \int_0^T e^{-\alpha r s} \, m(ds)$$
  wobei $\bar{V}$ der Schwanz einer univariaten Referenzverteilung ist.

Satz 3.2 (Unendlicher Zeithorizont $T = \infty$):
Unter der Annahme, dass die Anspruchvektoren $QAI_A$ (quasi asymptotically independent) sind und aus der Klasse $(C \cap PD)_A$ stammen, sowie unter den Momentenbedingungen für den Zählprozess, gilt:
$$P(D(\infty) \in xA) \sim \int_0^\infty P(X e^{-rs} \in xA) \, m(ds)$$

• Korollar 3.2: Für den Fall $F \in MRV(\alpha, \mu)$ ergibt sich analog:
  $$P(D(\infty) \in xA) \sim \mu(A) \bar{V}(x) \int_0^\infty e^{-\alpha r s} \, m(ds)$$

Anwendung auf Ruinwahrscheinlichkeiten (Abschnitt 4):
Die Ergebnisse werden auf ein Risikomodell mit Brown'schen Störungen (Perturbations) angewendet. Der Überschussprozess $U(t)$ enthält eine Drift (Prämien), eine Diffusionskomponente (Brown'sche Bewegung) und die abgezinsten Ansprüche.

• Ergebnis: Die asymptotische Ruinwahrscheinlichkeit $\psi(x; T)$ (bzw. $\psi(x; \infty)$) ist asymptotisch äquivalent zu den oben hergeleiteten Wahrscheinlichkeiten für die abgezinsten Ansprüche.
• Bedeutung: Dies zeigt, dass bei schweren Verteilungsschwänzen die Brown'schen Störungen (die typischerweise kleine, häufige Schwankungen modellieren) asymptotisch irrelevant für die Ruinwahrscheinlichkeit sind. Das Risiko wird fast ausschließlich durch die großen Ansprüche bestimmt ("Single Big Jump" dominiert auch hier).

4. Signifikanz und Beitrag zur Literatur

1. Verallgemeinerung der Zählprozesse: Im Gegensatz zu vielen früheren Arbeiten, die strikte Erneuerungsprozesse voraussetzen, erlaubt dieses Modell inhomogene und stark abhängige Ankunftsprozesse. Dies ist für die Praxis (z. B. saisonale Schwankungen in der Feuerversicherung oder kaskadierende Effekte bei Unfällen) realistischer.
2. Multivariate Abhängigkeit: Die Arbeit behandelt sowohl Abhängigkeiten innerhalb der Anspruchvektoren als auch zwischen den Ankunftszeiten und den Ansprüchen über die Zeit, unter Verwendung schwacher Abhängigkeitsstrukturen (RD und QAI), die in der Literatur oft als zu restriktiv angesehen wurden.
3. Einheitliche Behandlung: Die Ergebnisse gelten sowohl für endliche als auch für unendliche Zeithorizonte und decken verschiedene Klassen schwerer Verteilungen ab, wobei explizite Formeln für den Fall der regelmäßig variierenden Verteilungen ($MRV$) bereitgestellt werden.
4. Robustheit gegenüber Störungen: Die Anwendung auf Modelle mit Brown'schen Störungen bestätigt die theoretische Erwartung, dass bei schweren Schwänzen die Art der kleinen Störungen (Prämien- oder Marktschwankungen) für die Extremwahrscheinlichkeiten (Ruin) asymptotisch keine Rolle spielt.
5. Neuheit: Selbst im eindimensionalen Spezialfall ($d=1$) sind die Ergebnisse neu, da sie allgemeinere Zählprozesse und Abhängigkeitsstrukturen als bisherige Studien (z. B. [15]) abdecken.

Zusammenfassend bietet das Paper einen robusten mathematischen Rahmen für die Risikoanalyse in komplexen, realitätsnahen Versicherungsumgebungen mit mehreren Geschäftslinien, Zinseszinsen und nicht-standardisierten Ankunftsprozessen.