以下为对论文 “Valuation of variable annuities under the Volterra mortality and rough Heston models” 的逐字、系统且详尽的分析与解构,覆盖元数据、章节逐段解析、图表/表格逐一解读、估值方法、风险识别、批判性意见与最终综合结论。为便于溯源,凡直接依据原文得到的结论或推断,句末均标注了页面来源引用标签 [page::页码](同一处引用不超过两页),并对报告中每个重要图像以 markdown 格式嵌入其相对路径以便检视。总体保持客观、技术性和可操作性。 1
一、元数据与总体概览(引言与报告定位)
报告标题:Valuation of variable annuities under the Volterra mortality and rough Heston models;作者:Wenyuan Li 与 Haoqi Lyu;发布日期标注为 April 2, 2026;主题为在非 Markovian(路径依赖)市场中评估含早期退保(surrender)权利并含 GMMB 与 GMDB 的 variable annuities(VA)。1
核心论点与贡献:作者提出将股价用 rough Heston 模型建模、将死亡强度用 Volterra-type(带长期依赖的 SVIE)模型描述;两者均为非 Markovian,从而使得传统数值方法难以直接应用,于是提出 deep signature LSMC(路径签名 + 深度回归)来近似续持价值并学习最优退保策略;并对该算法给出收敛性分解与证明,以及多项数值实验(主要结论包括:fair fee 随两类模型的 Hurst 参数上升而上升)。1 3
二、逐节深度解读(按报告结构逐章)
摘要与引言(Abstract 与 Section 1)——问题背景与动机
报告指出 VA 市场与带有保证的年金产品在零售端重要性上升,并且早期退保把定价变成一个有限期限的最优停止问题(American 风格)2 。2
现有文献通常假定底层为 Markovian,从而可用动态规划、有限差分、LSMC、EPP、CTMC 等方法;但当股价波动与死亡率为 Volterra / rough 类型时,状态空间变为路径,传统方法受限,从而需要路径编码策略。2 3
模型设定(Section 2)
市场与死亡模型的总体设定:作者假设金融与死亡风险独立,并在定价时对金融风险采用风险中性测度、对死亡风险采用物理测度下的处理但在组合测度下记作 Q(即采用产品测度近似不对死亡风险做风险溢价),此假设沿用 Aase & Persson 与相关文献以应对不完全市场问题。4
Mortality(Volterra)模型:设力率 μ_{x+t} 满足 SVIE 形式(含卷积核 K_m 与乘性噪声项),并在本文简化为一因子仿射 Volterra 过程,具体形式 μ_{x+t}=μ_x + λ ∫0^t K_m(t-u) μ {x+u} du + ∫0^t K_m(t-u) σ √(μ {x+u}) dB_u,核 K_m(t)=t^{H_m-1/2}/Γ(H_m+1/2),H_m 为 mortality 的 Hurst 参数并能控制短/长记忆性质(H_m>1/2 表示 LRD)。作者特意移除了 Wang et al. (2021) 中的确定性部分和均值回复项以突出 LRD 的作用并宣称线性漂移更能拟合长期上升趋势。5 6
Mortality 校准:作者用 HMD(1920 出生队列,美国男性,年龄 30–80)用最小二乘拟合生存概率估计 H_m、λ、σ,得到 H_m≈0.703932(>0.5,说明长期依赖)并报告估计参数表(Table 1)。7
Market(rough Heston)模型:股价 S_t 在风险中性下服从 dS_t = r S_t dt + S_t √V_t dW_t 且 V_t 为 Volterra 型(rough Heston)过程,V_t 的 kernel K_S(t) 类似地以 H_S(股票波动的 Hurst 参数)给出,且 d〈W,Z〉_t = ρ dt 表示价格与方差噪声相关。7
VA 合约现金流:账户价值 F_t = S_t e^{-c t}(连续管理费率 c);到期和身故都包含 max(G, F) 的 GMMB 与 GMDB;早期退保所得为 (1-κ_t) F_t,κ_t 采用时间到期函数 1 - e^{-κ(T-t)},从而退保惩罚随到期临近递减。7 8 9
最优停止问题与定价框架(Section 3)
定义 fair fee c*: 使得在最优退保策略下合约现值 U_0(c*) = 初始保费 F_0;由于 c 影响 F_t 动态进而影响最优策略,形成嵌套方程,作者采用对 c 进行二分求根(bisection),每次内部用深签名 LSMC 求 U_0(c)。4 16 19
离散时间动态规划(DPP):在网格 {t_n} 上用递归关系 U_{t_n} = max{ g_{t_n}, E[ e^{-r h} (h p {x+t_n} U_{t_{n+1}} + (1-h p {x+t_n}) max(G, F_{t_{n+1}}) ) | F_{t_n} ] },从而定义续持价值 C_{τ_n}。作者将该条件期望视为需要回归的目标并提出用 signature 编码路径并用神经网络拟合.11 12 17
前向模拟:对 rough Heston 方差过程采用“fast algorithm” —— 将核近似为若干指数和以实现 O(N log N) 的采样复杂度;而 mortality 的 kernel 对 H_m>1/2 不适用 fast algorithm,故采用 Euler / trapezoidal 数值积分来模拟 μ 路径(复杂度较高)。9 10
State encoding 与深度网络结构(Section 3.3)
路径签名(signature)被用于把时序路径编码为固定维向量,文中介绍了经典 signature 与 rough-path signature 的定义并讨论了截断级别 K(截断到 K 层)及其维度 d_K。作者指出对于 time-augmented path (t, V_t, μ_{x+t}) 的 roughness 由最“粗”的成分(通常为 V_t、H_S≈0.1)决定,因此理论上需要 L = ⌊1/H_S⌋ 较大层次,但出于计算考虑常取低层次(K=2 或 3 等)并通过超参调优确定 K 的值。12 13 14 15
神经网络输入与结构:输入为 Sig^{≤K}((s, V_s, μ_{x+s})_{0≤s≤t}) 串联局部特征 log S_t,共用 iisignature 库计算签名;报告最终超参选择为截断层 K=4(候选 2,3,4,5,最终选择 4)并选择 4 个隐藏层、每层 64 个节点、LeakyReLU 激活和 batch size=2^{12}(该表在 Table 2 列出候选与最终选择)。15 16
算法细节(Deep signature LSMC):作者采用 M 条训练路径(文中实验 M = 2^{17}),在每个回归日期计算真实的“下一期”折现回报作为标签,使用全部路径(非仅 in-the-money)进行 MSE 回归以拟合续持价值,然后与立即退保价值比较决定是否退保;为去除 look-ahead 偏差,采用两套路径(训练集 + 测试集)策略,训练集用于学习神经网络参数,测试集用于评估学到的策略的价格表现。17 18 19
收敛性分析(Section 4)
作者把总误差拆成四类:Monte Carlo 采样误差、时间离散化误差、签名截断误差、神经网络逼近误差,并通过一系列引理与命题证明当网格细、签名层 K → ∞、神经网络规模 → ∞、样本数 M → ∞ 时算法在离散时间意义下收敛至真实离散时间价值,并最终在多重极限下实现收敛(Proposition 4.10)。证明思路沿用 Bayer et al. (2025a) 的线性签名逼近并扩展至深度签名(使用通用近似性定理)。21 22 27
关键假设包括路径空间上的正则性(α-Hölder)、神经网络输出的多项式增长约束与最小化子集的一致性假设等(Assumptions 4.1、4.5–4.8)。这些假设在理论上常见但在实践数值实现时需检验与近似满足性。21 25 26
三、图表与表格(逐一深度解读与联系文本)
(下列每一图/表首先描述所展内容,然后解释趋势与作者从中得出的结论,并评述潜在局限与计算/展示细节)
Table 1(估计的 Mortality 参数,出现在 page 6):表中列出 Hm、λ、σ 等估计值(文本说明 Hm≈0.703932,λ≈0.047780,σ≈0.005023)并强调 Hm>0.5 表明死亡强度路径具有长期依赖性。7
解读:高 Hm(≈0.704)意味着 Volterra kernel 强化了长时滞累积效应,从而使 μ_t 在长期呈上升趋势并具有平滑性;作者据此将长期死亡上升趋势解释为模型特性而非确定性项(作者刻意移除 deterministic part)以突出 LRD 对生存概率的影响。6 7
局限性:表格为 HTML 片段,原文未给出标准误或置信区间,故估计稳健性未能直接从表中评估;此外 calibrating cohort(1920)与定价 cohort(60 岁)之间的初始 μ 值差异作者已指出并解释(见后)。7 29
Figure 1(page 6)——样本力率路径
描述:展示在校准参数下若干条 μ_t 的样本路径(0–50 年),纵轴为 μ_t(force of mortality),明显呈长期上升趋势且路径间存在横向分散。作者用此图说明模型能生成长期上升且有随机波动性的死亡强度。7
解读:路径呈指数样式加速上行,说明积累项随时间增强(kernel 长时滞贡献);多条路径展示了随机性但整体趋势一致,支持 calibration 与拟合生存概率的合理性。7
局限:图未标注样本数量、置信带或均值轨迹,无法判断样本均值与方差随时间的精确函数形式;此外 Euler 模拟对 H_m>0.5 的稳定性需注意时步选择对路径平滑度与偏差的影响(文中以月步长模拟)。10 29
Figure 2(page 7)——模型生存概率 vs 实证生命表
描述:横轴年龄(30–80),纵轴生存概率,蓝线为模型拟合曲线,红钻为生命表观测值,两者几乎重合。作者据此声称模型对生存概率拟合良好。8
解读:这直接支持作者用 MSE 拟合生存概率进行参数估计的有效性;紧密拟合说明移除 deterministic part 但保留 Volterra 随机项与线性 drift 在该 cohort 上能重建观测生存率曲线。6 7
局限:拟合良好并不意味着参数识别唯一或未来外推稳定性好;此外仅展示 cohort 拟合而非 out-of-sample 时间段/不同 cohort 的稳健性检验。 7
Figure 3(page 15)——神经网络结构示意
描述:示意输入为 Sig^{≤3}((s,V_s,μ_{x+s})_{[0,t]}) 与 log S_t,然后通过 4 层全连接网络输出续持值(图注显示最终选型为 41(签名维 + 1)-64-64-64-64-1)。16
解读:该设计体现将高维路径信息压缩为签名特征再用深度网络捕捉非线性映射的理念;作者还述明用大 batch(2^{12})以降低梯度噪声并提高逆向回归稳定性(重要,因回归误差会向前传播)。15 16
局限/疑点:图示与文本存在轻微不一致(文本中 K 最终选 4,signature dimension 写 40 对应 K=3 的 3^0+3^1+3^2+3^3=40;而 Table 2 最终选择 K=4,表与图应核对一致性)。此点在复现时须确认实际实现的 signature level 与维度。15 16
Table 2(page 15)——超参数候选与选定
内容:列出 Signature level 候选{2,3,4,5} 终选 4;hidden layers 选 4;width 64;batch size 2^{12};激活 LeakyReLU 等。16
解读:作者通过超参搜索选择在测试集上使 VA 价格最大化的组合(说明选择依据为最终估值的性能而非仅训练损失),并说明大 batch 对稳定性的重要性。16
Table 3(page 28)——基准场景参数表
内容包括合约 T=20、初始年龄 60、F_0=100、G=100、κ=0.002 等;金融参数 S0=100、V0≈0.272、θ≈0.0721、Hs≈0.0286、r=0.04、ρ≈-0.7445 等;mortality 参数 μ_c=0.018999、λ=0.047780、σ=0.005023、Hm=0.703932 等。29
解读:Hs ≈ 0.0286(非常小)意味着股票波动路径极为粗糙(需要较高签名层级理论上),但作者为计算折衷选择低 K,且在数值中强调 K 的超参选择。初始化 μ 与 calibration cohort 的不一致作者已说明并解释为数据集覆盖年龄段不同所致。29 6
Figure 4(page 31)——不同 H_m 下的生存概率曲线
描述:展示多条 H_m = {0.55,0.65,0.75,0.85,0.95} 下的生存概率(横轴年龄 60–80)曲线,H_m 越大对应生存概率越低(长期死亡强度更高)。32
解读:作者用此图说明 H_m 增大时,kernel 在长滞后贡献更强,使 μ 的长期累积上升,因此生存概率降低,从而使保证金的现值上升、fair fee 上升。30 32
Figure 5(page 32)——Mortality kernel K(t-s) 随时间滞后与 H_m 的变化
描述:展示 K(t-s) 随 t-s(0–20 年)曲线,不同 H_m 曲线在短滞后时差别小,但长滞后时差异显著,H_m 越大 kernel 在长滞后上越高,从而放大长期累积。作者据此解释 H_m 对长期 μ 的影响与对生存概率的影响。33 30
Table 4(page 30)——敏感性分析:c* 随 H_S 与 H_m 的变化
内容摘要:在含早期退保(with)下,对于 H_S 从 0.05 到 0.45,c* 从 0.952% 增至 1.039%;无退保(without)时 c* 明显更低(例如 H_S=0.05 时 0.724%)。类似地,随着 H_m 从 0.55 到 0.95,c(with)从 0.922% 上升到 1.021%,无退保下也相应较低。作者并给出每个 c 的平均计算时间约 3.5 小时(单次)。31
解读:表格直接支持作者结论:fair fee 随两类 Hurst 参数上升而上升,且允许早期退保使得保证权利更有价值(因此收费更高);no-surrender 情形下收费低,说明 surrender option 的嵌入增加了承保成本。30 31
进一步评论:作者未给出 c* 的置信区间或不同随机种子下的稳定性评估;另外计算时间显著(3.5 小时 / c*),说明方法在实际大规模产品组合估值时的计算代价不容忽视。31
Figures 6 与 7(page 32–33)——退保策略可视化与退保比率曲线
描述:Figure 6 为在 (t, F_t, V_t) 与 (t, F_t, μ_{x+t}) 空间下的三维散点投影,红点表示被学习到的退保路径,蓝点表示继续持有;Figure 7 展示随时间(每年)模拟路径的退保比例(从接近 0 跃升到 ≈30% 以上并呈上升趋势,但带有波动)。33 34
解读:三维投影显示高基金价值且波动率与死亡率偏低时更倾向退保(直觉一致),但没有明确的低维自由边界(因为真实最优策略路径依赖);退保率随时间上升的解释是:时间越接近到期,保证的时间价值下降且罚金减小,故退保诱因增强。31 32 33
局限:作者也承认将高维策略映射到 3 维导致可视化丢失信息,且点云稠密程度和采样方法(哪些路径被绘出)会影响视觉感受,这限制了从图中提取精确边界的能力。31 33
四、估值方法与数学/数值细节解析
所用估值框架实质为 Monte Carlo + backward induction(LSMC 风格),但关键创新在于以 path-signature 将历史路径压缩为固定维输入,再用深度神经网络回归续持价值以应对非 Markovian 的高维状态空间问题。17 12
回归目标:在每一回归时点 t_n 以样本路径的实际(折现)后续回报 C_{τ_n}^{(i)} 作为标签,用网络 Φ(φ_n, x_{t_n}^{(i)}) 最小化 MSE 找到 φ_n^*;作者在训练时使用全部路径而非只用 ITM 路径,理由是 VA 的立即退保价值恒正并且包括全部路径能稳定学习条件期望;用独立测试集应用策略以消除 look-ahead bias。18 19
输入特征细节:time-augmented path (t, V_t, μ_{x+t}) 的签名 Sig^{≤K} 串联 log S_t 构建 d_K+1 维输入;作者在实现上用 iisignature 库/piecewise-linear approximation 计算离散路径签名并以 K=4(文本和表格存在些许不一致)作为最终超参。15 16
数值模拟细节:对 rough Heston 的 variance 使用指数和近似与递归更新(Ma & Wu 2022 的 fast algorithm)以从 O(N^2) 降到 O(N log N);对 mortality 的 Volterra SVIE(H_m>0.5)由于核的积分不收敛,采用 Euler + trapezoidal 数值法逐步累计 Ito 和 Riemann-Stieltjes 项,复杂度较高(并可能导致较强的时间离散误差,需要细步长)。9 10
fair fee 计算:对固定 c 求 U_0(c)(使用深签名 LSMC),并通过二分法求 c* 满足 U_0(c*) = F_0,因 U_0(c) 随 c 单调递减,二分法适用。作者对收敛性与数值稳定性设定容许误差(如二分精度 tol=1e-4)。19
五、风险因素评估(作者识别与影响分析)
模型风险:作者采用的 Volterra mortality 与 rough Heston 均为非 Markovian,参数估计(尤其 Hurst 参数)对长期生存概率与波动路径非常敏感,若校准样本或方法不同则 c* 可能显著偏移。6 30
数值误差与截断风险:签名截断(K)与神经网络容量(width、depth)对续持价值逼近误差直接影响;作者在第 4 节把这些误差项分开讨论并证明在极限下可收敛,但在有限计算资源下存在截断与逼近残差。21 22
模拟/采样风险:Monte Carlo 样本数、时间步长(month)、rough process 的 Euler 近似(尤其 mortality 对 H_m>0.5)可能导致偏差或数值不稳定,作者在实现上采用大量样本(M=2^{17})并 remark 计算时间 ~3.5 小时/估价以抵减采样误差,但实际生产环境下成本不低。29 31
经济/契约设计风险:费率 c 与退保惩罚 κ 交互影响退保行为,作者在敏感性分析中固定 κ=0.2%(0.002)但未展示对 κ 的广泛敏感性扫描,这在商业定价中很关键。29
市场与死亡独立假设:作者出于可行性假设金融风险与死亡风险独立并在组合测度下记作 Q,但在实务中两者存在(可能的)关联(如经济周期影响死亡率),若相关性显著则定价将被扭曲;作者引用了文献但并未展示对相关性的稳健性检验。4
六、批判性视角与细微差别(谨慎客观)
优点:方法创新在于将 rough volatility 与 Volterra mortality 的路径依赖同时纳入 VA 定价,并结合签名理论与深度网络实现非 Markovian 的 LSMC 回归;理论上提供了误差分解与收敛证明,弥补了纯经验算法缺乏理论保障的空白。3 21
可疑或需注意点:
签名层 K 的选择与图/表存在轻微不一致(文本处 K=3 的描述与 Table 2 中 K=4 的最终选取应核对具体实现),复现实验时要核实代码中的实际 K 与签名维数;作者同时指出理论上需 L=⌊1/H_S⌋(如果 H_S≈0.03 要求非常高层数),但实际取低 K,说明算法依赖于截断近似有效性而这在理论上有隐含近似误差。15 16
校准与外推:mortality 的 calibration 使用 cohort 1920(30–80),但定价主角是 60 岁起保的人群,作者在表中指出初始 μ 不完全一致,这可能导致参数迁移偏差;文中未展示 out-of-sample 验证或 alternative cohorts 的稳健性分析。6 29
未报告不确定性范围:对 fair fee c* 的结果以点估计给出,但未给出标准误、置信区间或对重采样/不同随机种子的敏感性,实际风险管理需要这些不确定性量化。Table 4 列示趋势但无误差条。 31
计算成本:单次 c* 计算 ~3.5 小时(基于作者硬件未给出详细配置),若在产品组合或压力测试下多次运行,计算负担可能成为制约应用的因素;作者未给出并行化或模型压缩策略。 31
假设独立性:金融与死亡独立的假设是常见简化,但若存在宏观相关性(例如重大公共卫生事件与市场冲击共同发生)则模型低估尾部风险,作者未对该情形做压力测试或情景分析。4
七、结论性综合(要点回顾与对实施的建议)
主要发现总结:作者提出并实现了 deep signature LSMC 框架来求解非 Markovian 下的 VA 最优退保与 fair fee 问题,并给出收敛性证明;数值结果表明 fair fee 随股票波动粗糙度(H_S)与死亡强度长期依赖(H_m)增加而上升,且嵌入早期退保的合约比无退保合约有更高的收费需求(表明 surrender option 增值)。3 30 31
图表洞见要点:
Mortality 校准(Figure 2)显示模型能较好复现 cohort 生存概率,这为将随机 Volterra 成分用于定价提供实证基础。8
Kernel 与 H_m 的图(Figure 5)明确说明 H_m 控制长期累积强度,是 H_m 增大导致生存概率下降与 c* 增加的机制链中的关键一环。33
退保可视化(Figure 6-7)体现真实最优停止在高维路径空间中并非低维自由边界,签名方法能学习到非线性与路径依赖的决策边界但可视化只能做投影解释。33 34
实务建议(基于报告内容的保守建议):在将该方法用于商业定价或风险管理前应:
对签名截断 K 与神经网络结构进行充分的稳定性/敏感性分析并报告不确定度(置信区间);15
验证对不同 cohort、不同初始 μ,以及对 mortality/market 相关性假设违背情形的稳健性;6 4
评估计算成本并探讨并行化、模型蒸馏或低秩近似以便在大规模运营中可接受地部署;31
若用于监管或内部模型验证,应补充基于 stress scenarios 的情景分析(例如 H_m 或 H_S 极端变化、市场崩盘同时发生的死亡率冲击)。30 32
結語:该论文在理论与数值方法上提出了连接 rough Heston 与 Volterra mortality 的创新框架,并通过 deep-signature LSMC 成功求解了路径依赖的最优退保问题与 fair fee 定价,同时给出误差分解与收敛证明,为路径依赖保险产品定价提供了具有学术价值与实际潜力的方法论基础;但在实施层面需要对签名截断、神经网络逼近不确定性、校准稳健性与计算资源约束做进一步强化和披露,以便在实务中安全稳健地采用该方法。以上分析基于原文各处章节和图表内容逐条解读并标注了页面来源以便追溯与复现。 35