General Bounds on Functionals of the Lifetime under Life Table Constraints in a Joint Actuarial-Financial Framework

本文提出一个联合精算—金融的无模型（关于死亡率部分）鲁棒框架：在仅给定整岁寿表（one-year survival probabilities）信息下，通过严格（路径匹配）与放松（期望匹配并加界）两类约束，构造在所有与寿表信息一致的死亡率过程下，对寿命相关金融-精算泛函（如各类 variable annuity）的最优上/下界，并给出求解思路（对偶拉格朗日松弛、HJB方程与有界控制近似）和数值示例以评估边界宽度与敏感性 ²⁷

核心贡献与结论 ²⁷

• 构建了一个“模型无关”的死亡率不确定性框架，在不假定具体连续死亡率模型或分年内插值假设的情况下，给出寿命相关合同价值的最优上界与下界（两套方案：严格 a.s. 匹配与期望匹配）²⁷.
• 严格路径匹配下（Section 4），对 GMAB、GMIB、GMDB 三类担保产品导出解析/半解析的最优死亡率分配及相应界，发现 GMAB 在路径内死亡时点不敏感（界平凡），而 GMIB/GMDB 对年内死亡分布高度敏感，可产生显著价差¹¹¹³¹⁴.
• 放松的期望匹配下（Section 5），引入以基准率 μ_{x,a}(t) 为中心的有界控制集并用拉格朗日乘子将约束对偶化，得到可解的 HJB 问题并证明随着有界集放大（δ→∞）解收敛到原问题解，从而得到可计算的最优界并量化两类约束的松紧差异¹⁶²⁰²⁴.

方法要点与数学工具 ¹⁸

• 模型框架：联合金融市场（短利率与股票；在 MMM 下计价）和随机死亡率（含连续强度与离散跳时点），合同价值写作对死亡率的随机控制期望函数⁷⁵.
• 两种 admissible set：
  • 严格 a.s. 匹配：每个整数年区间的总生存因子必须几乎必然等于寿表给定的值，导致最优死亡率路径通常确定性（便于解析推导）¹⁰¹².
  • 期望匹配：仅要求每个整数年末的生存概率在概率意义下匹配寿表，需用对偶化/Lagrange multiplier 将问题转为带罚项的最优控制问题并加入有界化（δ）确保良态¹⁶¹⁷.
• 动态规划与 HJB：内层控制问题可导出 HJB（见 eq. (5.15)-(5.18)），最优死亡率在区间内为 μ_x,a(t)±δ 的极端取值，取决于比较项 (Ĥ - v) 的符号，因而结构简单便于数值迭代¹⁸¹⁹.
• 对偶步骤：通过最小化关于拉格朗日乘子 λ 的目标可恢复满足期望约束的最优死亡率轨道；并证明 δ→∞ 时，正则化问题的解收敛到原始（可能无界）问题的解¹⁹²⁰.

主要数值发现与实务启示 ²²

• 生存曲线对比（Fig.6.1）：在低龄（x≈40）下，常见分年内假设（UDD/CFM/Balducci）对连续生存概率影响小，但在高龄（x≈100）差异显著；而最优上/下界（Sup/Inf）与这些假设可显著偏离，说明仅靠标准插值可能低估模型不确定性²².
• GMIB/GMDB 严格界（Fig.6.2–6.3）：随寿龄增大或期限延长，年内死亡分配不确定性对合同价值的影响放大（尤其是 GMIB/GMDB），公司应在定价和资本要求中显式考虑此类“within-year”不确定性²²²³.
• 放松界（Fig.6.4–6.7）：期望匹配下得到的界比 a.s. 界更宽；在仅对终点（T）强制期望约束时界最大，加入中间时间点的期望约束会显著收窄界，提示监管/精算实践中若能在多时点约束寿表拟合可有效降低估值不确定性²⁵²⁶.
• 数值实现注意：原问题导致的递归 HJB 为高维问题（4 状态变量），作者在数值实验中采用降维与有限差分；若需处理全模型建议用现代深度学习数值方法来求解高维 HJB/最优控制²⁷.

量化控制/策略（HJB 与最优死亡率结构）总结 ¹⁸

• 可行集合：μ∈A_bounded^δ，基准轨迹 μ_{x,a}(t) 满足整年生存概率；控制上下界为 μ_{x,a}(t)±δ¹⁷.
• HJB 最优解结构（区间内 t∈(j-1,j)）：最优 μ^(t)= (μ_{x,a}(t)-δ)_+ 当 Ĥ(a,G^D_t) < v(t,·) ，否则 μ^(t)=μ_{x,a}(t)+δ；即在死亡支付相对价值高时把死亡率推到上界以增加短期死亡支出，反之推到下界以提高生存相关给付的现值¹⁸¹⁹.
• 关键绩效量化：通过求解 PDE+对 λ 优化，可得到价格上/下界并研究 δ、是否对中间时点施加约束等对界宽度的影响（见数值敏感性图）²⁰²⁶.

引言与报告概览（元数据与总体把握）

• 报告标题：General Bounds on Functionals of the Lifetime under Life Table Constraints in a Joint Actuarial-Financial Framework；作者：Jean‑Loup Dupret 与 Edouard Motte；机构：ETH Zurich（RiskLab）与 Université Catholique de Louvain；本文主题为：在仅有整数年龄寿命表信息的条件下，构造对寿命相关混合精密金融/精算函数（例如各类 variable annuities）在所有与寿命表一致的死亡强度路径下的最优（上/下）界，并在一个包含金融市场的风险中性估值框架中进行分析与数值演示。^{1 3}

• 报告核心论点与贡献：作者提出两套互补的方法论：一是严格（pathwise）匹配——要求每条死亡强度路径几乎必然地复现寿命表提供的每年生存概率，从而在此约束下求最坏/最好情形的合约价值；二是松弛（in expectation）匹配——仅要求生存概率约束在期望意义下成立，并采用受界化正则化与对偶（拉格朗日）方法把问题转化为可解的 HJB 型控制问题，从而得到可计算的界与收敛理论保证。该工作从精算的不完备信息问题出发，扩展到联立金融市场（完备或至少在 MMM 下定价）情形，得到“模型无关”（mortality component）但市场一致（market‑consistent）的风险管理工具。^{2 3}

逐节精读与逐章剖析

1. 摘要与引言 — 问题定位与方法论简介

• 主要陈述：寿命表仅给出整数年龄的生存概率，未给出区间内的死亡时间分布；传统做法要么采用 fractional‑age 假设（UDD、CFM、Balducci）要么拟合连续死亡率模型（Gompertz, Lee‑Carter, CBD 等），但二者均引入结构性模型风险且结果高度依赖假设；作者转向以“在与寿命表一致的所有死亡率路径上取最坏/最好情况”为目标的稳健（robust）联合精算‑金融框架，从而避免对死亡率的明确参数化假定并结合金融市场进行估值。^{1 3}

• 关键逻辑：用控制理论与随机最优控制视角，把死亡强度（continuous + discrete 部分）作为控制变量，在风险中性（或选定的 martingale measure）下对合约贴现期望取极值，从而刻画在寿命表信息约束下的界值（upper/lower bounds）。³

2. 第2节：死亡建模（随机混合强度与寿命表信息）

• 内容要点：作者在一个包含连续和离散成分的广义寿命分布框架下描述未来寿命 T_x 的生存函数 S_x(t) 与死亡强度的连续分量 μ_{x,c} 和离散分量 μ_{x,d} 的定义与联系，并给出相应的生存概率表达式（连续时的指数形式与离散时乘积形式的结合）以及当随机化时对条件期望的写法以处理随机强度情形。^{4 5}

• 关键数据点与含义：式 (2.4)/(2.5)/(2.6) 明确了生存概率可表示为 exp(−∫ μ_c) × ∏(1−μ_j)；这说明在已知每年总生存因子（life table 的一年生存概率）时，连续与离散成分的时间分配仍不唯一，从而是该问题的不完备核心来源。^{4 5}

• 对 fractional‑age 三种常用近似（UDD/CFM/Balducci）的回顾：文本用公式给出三者在区间内的生存函数插值形式，并指出它们在不同年龄段对连续时间生存的影响差异与模型风险来源。^{5 6}

3. 第3节：金融市场及合约定价设定

• 市场假设：引入风险中性测度下的两维布朗运动，股票 S_t 与短期利率 r_t 的耦合动态；利率遵循均值回复（Vasicek/Kirill 风格带时间依赖 θ(t) 的模型）并通过 θ(t) 校准初始远期曲线，基金 A_t 由固定资产配置（股票、债券、现金）构成且自融资。文中在 MMM 下给出零息债与欧式最大值型（max{A_T,G_T}）衍生合约封闭形式价格公式（Propositions 3.1 与 3.2）。^{7 7}

• 重要推断：金融市场被认为“可用以定价（market‑consistent）但死亡强度或寿命并不一定与市场独立”，因此合约价值的上/下界必须在允许死亡率与金融因子相关的情形下求解（见 Assumption 4.2 的讨论）。^{7 9}

4. 第4节：严格（几乎必然）匹配寿命表下的界（pathwise constraints）

• 结构：先给出可控集的形式化（连续 μ_{x,c} ∈ M 的 H‑adapted可测控制；离散为冲击/跳跃控制 μ_{x,d}∈V），然后在几乎必然匹配每年一年的生存概率（方程 (4.6)）的强约束下求 supremum / infimum 的值与实现最优控制的构造。^{9 10}

• 关键结论与推理：

  • 对 GMAB（Guaranteed Minimum Accumulation Benefit），合约只在到期时按在生存条件下支付 max(A_T,G_T)，因此其价值仅依赖于终点生存概率 T−t p_{x+t}，与区间内死亡时间分配无关，结果导致所有满足寿命表的控制的合约价相同，界是平凡的（Proposition 4.3）。¹¹
  • 对 GMIB（Guaranteed Minimum Income Benefit），由于保单在生存期内持续支付，积分性质使得将该期内的死亡风险集中在各年末会使价值最大化，而将死亡风险尽可能置于年初极限情况下则使价值最小化（下界不可达，通过序列逼近）。因此在严格匹配情形，最优策略把离散死亡质量放在年末或趋近年初（Proposition 4.4），并且对应的生存曲线变为确定性的阶梯/左连续函数（见公式 (4.20)/(4.22)）。^{12 13}
  • 对 GMDB（Guaranteed Minimum Death Benefit），因为支付在死亡时发生，类似的极端化策略（将死亡发生集中在每年年末以最大化受益，或向年初逼近以最小化）给出了解析形式的上界与下界（Proposition 4.5），在某些利率／保证条件下可将介入时间解析地设为年末。^{14 14}

• 逻辑/假设依赖：严格匹配产生的解通常是确定性的、由寿命表逐年分配的最极端离散跳跃；该结论依赖于可取极端时间分配且合约的收益量度在时间上单调的事实（例如积分或在年末的早期/晚期区分）。文中多次强调该强约束在实际中过于严格，因此作为上界/下界的理论参考而非实务唯一解。^{10 15}

5. 第5节：在期望意义上匹配寿命表（松弛约束）与正则化

• 设定：把约束改为对每个整数年 j 要求 E^P[exp(−∫_0^j μ_x(s) ds)] = _j \hat p_x，从而允许路径随机偏离但平均保持寿命表一致。¹⁶

• 正则化与可行集：直接放宽会导致问题潜在病态或无界，为此引入受界集 A_bounded^δ 以保证 μ_x(t) 在以某先验 μ_{x,a}(t)（与寿命表一致）为中心的上下界内波动：(μ_{x,a}(t) − δ)+ ≤ μ_x(t) ≤ μ{x,a}(t) + δ，使问题良态并可证收敛当 δ→∞ 时回归到非受界问题（Proposition 5.4）。^{16 17}

• 对偶化与 HJB：使用拉格朗日乘子 λ∈R^n 将期望约束并入目标，得到带罚项的内层极值问题；对内层问题应用动态规划，构造 HJB（式 (5.15)）并由一阶点式最优性给出极端取值结构（μ 取区间端点，取决于函数 \widehat H − v 的符号），从而把内层最优 μ 降为状态依赖的“bang‑bang”类型策略并得 PDE 表达（式 (5.18) 等），最终通过外层最小化（或最大化）对 λ 优化以恢复原约束。该分析在 Prop.5.2、5.3 给出充分的可解条件与最优 μ 的形式化表达以及存在性的讨论。^{17 19}

• 可计算性与数值方法：由于 HJB 为高维且带时间断点条件，作者在数值实现时采用降维（将随机利率固定或将市场价格风险设为零）来降低 PDE 状态维数，并讨论了使用深度学习/神经 PDE 方法来解决高维 HJB 的可行性（文献引用 Cheridito et al., Dupret & Hainaut 等）。^{17 27}

图表与图片的逐一深度解读（关键环节） 说明：下列图表引用均基于报告中相应图示与图注，图像以报告所给相对路径嵌入并以文本说明其所传达的数据信息与与正文论点的联系。

• 图 6.1（生存概率比较，x=40 与 x=100，t∈[0,5]）²²
  
  描述：左图 x=40，右图 x=100，图中展示了 UDD、CFM、Balducci 三种 fractional‑age 插值下的连续生存概率曲线，并叠加了“Sup/Inf”（GMIB/GMDB 得出的最优生存曲线）以及原始数据点标记。²²
  解读与趋势：对于较年轻被保险人（x=40），三种插值方法在短期内几乎重合，说明在低死亡率区间内区间分配对生存曲线影响甚小；而对于高龄（x=100）情形，三种插值的差异放大，且 Sup（上界）显示生存概率被极端化为年末集中（阶梯上移），Inf（下界）则为年初集中（阶梯迅速下降），均与第4节严格匹配的命题一致。²²
  图与文本的关系：该图直接可视化了文本关于“在高龄或高死亡率情况下，分配假设对连续生存有更大影响”的主张并展示严格匹配产生的极端生存曲线与常见插值的偏离行为。²²

• 图 6.2（GMIB 严格 bounds 与三种插值比较，x=40,60,80）²²
  
  描述：三幅子图分别对应不同初始年龄，纵轴为合约初始价格 V_0，横轴为到期期限 T；曲线包含 Sup（严格上界）、Inf（严格下界）与 UDD/CFM/Balducci。²²
  数据趋势与意义：对年轻投保人，Sup 与 Inf 之间差距小，且三种插值给出近似相同的价格，说明 within‑year 死亡时点对短期/低死亡率产品影响有限；对高龄或长期合约（例如 x=80 或 T 较大），Sup 与 Inf 差距明显增大，表明寿命表内在不确定性可以对持续支付类（GMIB）合约价值产生显著上/下冲击，这支持第4节关于 GMIB 上下界由死亡分配时间极端化产生的理论结论。^{22 23}

• 图 6.3（GMDB 严格 bounds，x=40,60,80）²³
  
  描述：类似结构但为死亡给付（GMDB）；纵轴为合约价格，横轴为期限。²³
  解读：GMDB 的上下界对长期与高龄更敏感，上界（Sup）随死亡率集中特别在年末可显著提高（较高死亡率时支付更多），而下界靠近基线，符合文本中“死亡依赖型合约其上界受高死亡率推动更强”的结论。²³

• 图 6.4（GMAB，松弛约束下的 relaxed bounds 与 Balducci 基线，x=40,60,80）²⁵
  
  描述：GMAB（到期生存给付）在松弛约束下的上/下界与 Balducci 插值比较（绿色/红色点表示仅在 T 处约束或在所有中间时间约束）。²⁵
  解读：GMAB 因为只在到期支付而对路径依赖性敏感性低，图中界与基线接近，且在所有期望约束或仅终点约束下界差异有限，这与第4节关于 GMAB 在严格匹配下界平凡的结论相一致；图也显示对高龄情形基线值下降并且界更窄。²⁵

• 图 6.5（GMIB，松弛与严格约束比较，x=40,60,80）²⁵
  
  描述：比较 Balducci 基线、仅在 T 处的期望约束界、在所有中间时刻的期望约束界与严格 a.s. 界。²⁵
  关键观察：期望约束（仅在 T）产生的界宽于 a.s. 界（松弛允许极端路径），而在所有中间时刻添加约束显著收缩界，尤以 GMIB 为甚因为 GMIB 包含路径期内的持续支付，因此中间约束对价值影响大于仅终点约束。^{25 24}

• 图 6.6（GMDB，松弛与严格约束比较，x=40,60,80）²⁶
  
  描述與解读：同 GMIB 的结论类似，但强调死亡给付的上界在仅终点约束下尤其大（因为可以在路径中短期内将死亡概率集中以最大化期望死亡给付），而当在所有中间时刻添加期望约束时，上界显著抑制。²⁶

• 图 6.7（松弛正则化参数 δ 收敛性示意，x=60, T=5）²⁶
  
  描述：展示 δ 增大时，上/下界向非受界问题解的收敛趋势（上界对 δ 波动不敏感而下界随 δ 增大趋向极限）。²⁶
  含义：数值验证了 Proposition 5.4 中关于受界化问题解随 δ→∞ 收敛到原问题解的理论断言，并表明在实践上可用适中 δ 近似无界情形以获得稳定数值结果。²⁶

估值方法与关键输入（Valuation Analysis）

• 金融端估值：在本工作中金融市场仍需建模，作者采用风险中性度量（在第3节更明确地采用 Minimal Martingale Measure 作定价依据），并提供零息债与 max 型欧式（或美式）合约的解析价格表达式（Propositions 3.1 和 3.2），这些解析式成为后续界值计算中 C_t(·) 的关键输入。^{7 7}

• 寿命端估值（严格 vs 松弛）：

  • 严格匹配情形：合约价格在控制变量上通过将间年死亡概率重分配到年末或年初来极值化；关键输入是每年表成的 \hat p_j（来自寿命表）和合约在年内支付结构（终点支付 vs 路径支付 vs 死亡时支付）。^{10 12}
  • 松弛匹配情形：采用拉格朗日对偶，把期望约束并入目标并求内外两层极值；内层解由 HJB 给出，关键参数包含：δ（受界半径）、先验 μ_{x,a}(t)（平衡轨迹，通常选 Balducci 等）、拉格朗日乘子 λ（数值上需解高维静态优化），以及金融状态变量（A, r, Z）的动态。HJB 的最优 μ 取值通常位于区间端点（bang‑bang），由 \widehat H − v 的符号决定（式 (5.17)）。^{17 18}

风险因素评估（报告识别的风险及其影响）

• 模型风险（Mortality）：寿命表信息的不足导致 within‑year 分配不确定性，这是核心结构性风险，作者通过界分析把这种不确定性量化为合约价值区间并给出最坏/最好情形以辅助保费定价与准备金保守度估计。^{1 3}

• 度量选择风险（Pricing Measure）：作者采用 MMM 以获得局部风险最小化下的贴现期望，尽管解释其合理性，但若市场参与者采用其他定价度量（例如加入 mortality risk premium），价值界将不同，需额外建模 mortality risk premium 才能比较。⁹

• 数值及计算风险：松弛问题中的 PDE/HJB 高维，伴随 λ 的高维静态优化带来数值困难与收敛问题；作者在数值实验中通过降维及受界化处理来缓解，但在实际大规模组合中需要更高效的高维控制求解方法（例如深度学习基的 PDE 求解器）。^{24 27}

审慎视角与批判性要点（基于文本内容的客观评价）

• 强/弱约束的现实性：严格 a.s. 匹配虽给出解析界，但过于强烈且在现实中不可实现（寿命表仅为统计平均），因此其实用性主要是作为理论极端情形或 sanity‑check；作者意识到此点并在文章中作了讨论并提出松弛约束作为更现实方案。^{10 15}

• 对金融模型依赖性：尽管声称 mortality component 是“model‑free”，但整体估值仍依赖于金融市场模型（利率过程、资产波动、相关性等）与 MMM 的选择；因此“model‑free”应理解为仅指死亡率不参数化，而非完全独立于金融假设；这一点作者亦在文中明确说明。^{3 9}

• 可计算性与扩展性：HJB‑PDE 的存在性/光滑性假设（C^{1,2,2,2} 解）在高维或不规则收益函数下可能难以满足，数值上作者采用降维与有限差分（或建议使用深度方法）来处理；因此在实践中对大规模产品组合的可扩展性仍需进一步验证。^{18 27}

结论性综合（关键发现与实务含义）

• 最重要的发现：在仅有寿命表一岁生存概率信息的情形下，通过构造所有与寿命表一致的死亡强度轨迹并在金融市场一致性条件（MMM）下求上/下界，能够为不同类型的 variable annuities 给出可解释、可计算且具有稳健性的价格区间；严格匹配给出解析极端化策略，松弛匹配给出可数值求解的 HJB/对偶框架并具有收敛保证（δ→∞），数值实验表明：期望约束下的界总是比 a.s. 界更宽，而在路径中加入中间时刻约束会明显收窄界（对 GMIB/GMDB 的影响尤甚）。^{5 6 24 27}

• 从图表得出的深刻见解：图 6.1–6.3 验证年龄与到期对 fractional‑age 假设敏感性的异质性（高龄/长期更敏感）；图 6.4–6.7 说明松弛约束的数值实现、δ 收敛行为与中间时刻约束对界的限制作用，这些都为精算定价与风险缓冲（capital setting）提供了可操作的量化工具与直观解释。^{22 25 26}

• 最终立场重申：作者并非提供一个替代估值模型以替换现有定价引擎，而是提供一套“模型无关的死亡风险管理层”（mortality risk management layer），可叠加于任何金融模型之上以量化因 within‑year mortality ambiguity 引起的估值不确定性，从而辅助产品设计、储备设定与对冲策略的稳健性分析。^{3 27}

若需下一步

• 我可以把文中主要公式（如 (4.6)/(4.9)/(5.15)）逐一解析推导步骤并给出可数值实现的算法伪代码；或基于报告中的参数复现作者数值实验并提供可复现代码骨架（例如 finite‑difference 或深度 PDE 求解器）。如需请选择具体任务。