Dynamic reinsurance via martingale transport

本文提出基于马氏最优传输（martingale optimal transport）的动态再保险框架：以删减风险的L2范数（等价于差过程的二次变差）为成本，证明在适当假设下最优策略由Bass martingale类构造给出，并将严格匹配终端分布的约束推广为矩/风险度量约束，从而把问题化为可解的凸优化（包括方差、VaR/ES、偏度和峰度等约束）¹²⁹.

Problem formulation and objective ⁵

• 目标：在固定终点时刻T，使再保险后盈余U^R_T满足给定的终端分布或若干矩/风险约束，同时最小化被让渡风险的L2范数（等价于被让渡部分的二次变差）⁵.
• 模型假设：盈余过程分解为确定性漂移 g(t) 与纯跳跃鞅 M_t 之和（包含Cramér–Lundberg、Gamma过程等情形）⁵.
• 可行策略类：允许对每次赔付按比例或分层做调整，且每次保留量受 0 ≤ ΔS^R_t ≤ ΔS_t 约束⁵.

Methodology — martingale optimal transport & Bass martingale ³⁴

• 成本函数采用过程间二次变差（E[⟨M-B⟩]）和终端分布间的W2意义上的映射关系，Martingale Benamou–Brenier 框架以及Bass martingale构造被用来刻画最接近参考布朗运动的最优马氏过程³⁴.
• 主要结论（Theorem 4.1）：若存在非减1‑Lipschitz映射 F 使 F(M_T) ∼ ν，则最优再保险使得鞅部分由 Bass 型马氏表示 M^R_t = E[ĤF(M_T) | M_t] 给出，进而对应的再保留过程满足可行性约束⁶.

Quantile-based reformulation and convex optimization (problem (10)) ⁸⁹

• 通过将目标分布用其分位数函数表示，可把双层优化简化为对分位数函数的L2最小二乘问题（式(10)），并在分位数空间中添加单调性与收缩约束，形成凸可解的规划问题⁸.
• 方差约束解析解（Proposition 4.8）：在方差上界 Var(M_T^R) ≤ k 时，唯一最优分位数为 Q̂ = sqrt(k / Var(M_T)) · Q_{M_T}，对应经典的quota-share 合同最优性⁹.
• VaR/ES 与其他分位数基约束：可将 VaR/ES、偏度、峰度等约束直接以分位数条件表述，从而在分位数空间中保持或近似保持凸性并数值求解¹⁰¹¹¹².

Numerical illustrations — examples and qualitative structure of optimal maps ⁹¹³

• 数值示例（复合泊松、指数赔付）显示：方差约束下最优为比例（quota‑share）缩放分布；VaR 约束下最优为 quota‑share 与 stop‑loss 的组合；ES 约束下则偏好纯 stop‑loss⁹¹¹.
• 多重约束时，最优运输映射呈分段/分块结构（piecewise），可以被高效地用比例+止损分解近似，实现可解释的再保险合同设计¹²¹⁴.

元数据与概览（引言与报告概览）

• 报告标题与作者：文章题为 “Dynamic reinsurance via martingale transport”，作者为 Beatrice Acciaio, Brandon Garcia Flores, Antonio Marini, Gudmund Pammer，并标注日期为 January 16, 2026。²
• 主题与关键词：本文旨在将 martingale optimal transport（马氏最优运输）方法引入动态再保险问题，关键词包括 Dynamic reinsurance、martingale optimal transport、Bass martingale 等，² 并给出 MSC 分类（91G05, 49Q22, 60G44）以表明其跨保险数学、最优运输和鞅理论的定位。²
• 核心论点与目标：作者提出一个动态再保险框架，其中保险公司通过控制到期（终端）剩余（surplus）的分布来购买再保险，目标是在满足终端分布或若干风险/矩约束条件下，最小化被分出风险的 L2 范数（即 ceded risk 的二范数）；在该设定下问题可被转化为马氏最优运输类问题，并且在适当假设下最优解可用类比 Bass martingale 的构造显式给出或高效求解。^{3 4}
• 作者主要想传达的信息：通过将 Martingale Benamou–Brenier 思想和 Brenier 定理与再保险问题连接，作者展示了在纯跳跃 martingale + 确定漂移（如 Cramér–Lundberg）结构下，最小化 L2 ceded-risk 的再保险策略可以通过最优传输映射（或其量化函数形式）构造并且数值可解；并进一步将精确分布匹配推广到仅施加矩或风险度量约束的松弛问题，从而得到可被数值方法（凸规划）处理的求解方案。^{2 8}

逐节深度解读

1. 引言（Introduction） — 研究动机与文献定位

• 要点总结：作者回顾了再保险优化文献（静态与动态），指出传统做法常利用 HJB 动态规划，或限制为定型合同（quota-share / excess-of-loss）与分红/资本注入等联合问题；文献中也有用布朗运动近似将问题简化的案例。²
• 推理依据：作者认为“允许合同在持续时间内动态调整（continuous-time adaptations）”能更好地反映实际再保险操作，因此尝试引入最优运输的观点去构造再保险策略以达到终端分布或风险目标的要求。²
• 关键数据/陈述：文献回顾引用了多个经典与近年工作以定位贡献，并说明常见性能指标（无穷远期破产概率、有限时均方标准等）及常见合同类型作为研究背景。²

2. 最优运输与 Bass martingale（Section 2） — 理论工具与背景

• 要点总结：本节回顾 Monge–Kantorovich 问题、Wasserstein 距离、Brenier 定理，并引出马氏版本（Martingale Benamou–Brenier），作为在鞅约束下寻找最“接近”参考布朗运动的连续时间马氏过程的工具；Bass martingale 被作为关键构造：以 Brownian 条件期望形式表示的马氏过程，其终端分布由 Brenier 的凸梯度映射实现。^{4 5}
• 推理依据：作者把再保险问题的成本函数（后面具体化为 L2 ceded-risk）与 Martingale Benamou–Brenier 的目标（最小化与参考布朗运动的二次变差差异）相类比，从而期望 Bass 构造能产生近似或显式最优解。^{3 4}
• 概念解析：Brenier 定理说明在平方代价下、第一边分布绝对连续时最优运输由梯度映射给出；在一维情形，最优映射为 Q_ν ∘ F_μ（分位数-分布函数组合）。Bass martingale 的构造 M_t = E[F(B_1) | B_t]，其中 F = Q_ν ∘ Φ，是用以匹配给定终端边缘 ν 的显式马氏过程表示。⁴

3. 再保险问题的形式化（Section 3） — 模型设定与可行策略集

• 要点总结：保险公司剩余 U_t 被分解为初始资本 u_0、确定性函数 g(t)（代表超出期望理赔的收益流）和马氏部分 M_t，其中 M_t = E[S_t] − S_t，S 为非减纯跳过程（累积理赔）；这一结构包含了 Cramér–Lundberg 模型作为典型例子。⁶
• 推理依据：在该设置下，保险公司可通过对每次索赔选择保留部分（0 ≤ ΔS^R_t ≤ ΔS_t）来实现再保险策略，且再保险费等于被分出过程的补偿器 A^R（+ 一个确定性 surcharge h(t)）; 作者据此定义了可接受策略类（Definition 3.2）并以 L2 差异作为优化目标。⁶
• 关键等式与含义：目标函数为 sum_{t∈[0,T]} E[|ΔS^R_t − ΔS_t|^2]，即被分出份额与原始理赔差的平方和期望（等价于马氏部分平方差 E[|M_T − M^R_T|^2]，这一等价在证明中明确给出），这使问题可映射为平方代价的 Monge–Kantorovich 问题。⁷

4. 最优再保险策略的刻画（Section 4） — 精确匹配与松弛约束
   4.1 精确匹配终端分布

• 主要结论：若存在 1-Lipschitz、单调非减的映射 F 使得 F(M_T) ∼ ν，则最优策略的马氏部分由 Bass 式构造给出：\hat{M}^R_t = E[ \hat{F}(M_T) | M_t ]，其中 \hat{F} = F − mean(ν)，并且初始资本相应调整为 mean(ν) − g^R(T)。⁷
• 推理说明：作者通过等式 sum E[|ΔS^R − ΔS|^2] = E[〈S − S^R〉_T] = E[|M_T − M^R_T|^2] 将原问题等价为最小化 M_T 到某 centered-target 的平方距离问题，并利用 Brenier 定理断言最优耦合由单调映射（optimal transport map）给出，从而导出马氏时间演化的条件期望表示。⁷
• 关键假设及其作用：1-Lipschitz 性保证了时间截面的映射 F_t 仍为 1-Lipschitz 和非减，从而确保 S^R 非减且满足跳跃约束 0 ≤ ΔS^R_t ≤ ΔS_t（可行性）; 该条件在证明与应用上被强调为“关键”。⁷
• 示例说明：在 Cramér–Lundberg 模型中（当 ξ_i 的分布非原子）作者给出了 ν 必须满足的混合结构（含原子质量 e^{−λT} 对应无理赔情形）以保证存在所需的单调传输映射 F。⁷

4.2 松弛的矩 / 风险约束（双重优化）

• 主要结论：当 ν 不再被完全指定，而仅通过若干基于分位数的约束（如方差、VaR、ES、偏度、峰度等）限制时，可将问题转化为对量化函数 Q 的凸优化问题（式 (10)），即最小化 ∫0^1 | \tilde{Q}(u) − Q{M_T}(u) |^2 du 在满足量化约束的集合 \mathcal{Q}_c 上。⁸
• 推理说明：对中心化分布的量化函数进行优化，使得由 Brenier 给出的映射仍然由 Q_ĥν ∘ F_{M_T} 构成，从而任何量化函数的最优解都能通过条件期望给回时间演化的马氏过程（\hat{M}^R_t = E[ \hat{Q}(F_{M_T}(M_T)) | M_t ]）。存在性与唯一性与量化问题 (10) 的性质等价。⁸
• 关于数值可解性：若 \mathcal{Q}_c 为凸闭集合，则该问题为凸优化，因而数值上可高效求解并且解唯一（若集合非空）。作者将多种常见约束（方差、VaR、ES、偏度与峰度）翻译为对 Q 的直接约束，从而借助标准凸规划工具处理。⁸

图表与数值例子（图表深度解读）

• 总体说明：作者通过多幅图（Figures 1–6）展示在不同约束下量化函数 Q_{M_T}（原始，蓝线）与 Q_{M_T^R}（最优，橙线）的比较，以及相应的传输映射 \hat{F}（横轴为原始 M_T 值，纵轴为目标 M^R_T 值）的形状；每幅图均以补偿化复合泊松过程（intensity = 1）与指数组成分布为示例。^{10 13}
• 图 1（方差约束示例，图像文件 images/a001f41c...jpg?page=9）展示：左图为量化函数对比，蓝色 Q_{M_T} 在低分位(<0.2) 处较低并在高分位处迅速上升，而橙色 Q_{M_T^R} 在低端被抬高并在高端被压缩，整体相当于按比例缩放（quota-share）；右图为传输映射 \hat{F}，近似线性（斜率 < 1）表明最优映射是比例收缩，从而对应比例分出（quota-share）合同。¹⁰
  • 插入图像（原文文件）以便逐像素核验：
    ¹⁰
• 图 2（VaR 约束示例，图像 files images/... page=10）展示：量化函数的左侧（低分位）被抬高并在中高分位保持平坦，传输映射呈分段线性后突变，上段斜率更大，暗示最优策略混合了 quota-share（在中间区域）和 stop-loss（对极端右尾进行限损）的特征。¹¹
  • 插入图像：
    ^{11
    11}
• 图 3（ES 约束示例，images/86c4f33...jpg?page=11 等）显示：最优量化函数在低分位区显著上移（对应削减尾部损失），而传输映射呈更明显的分段线性/拐点结构，表明在 ES 约束下更倾向于 stop-loss 型策略（截断极端损失）。¹²
  • 插入图像：
    ^{12
    12}
• 图 4–6（偏度、峰度与混合约束示例，pages 12-13 的 images）进一步说明：当施加偏度或峰度约束时，最优传输映射可呈现分段斜率或近似二次/分段二次形状，表明最优再保险合同在终端往往需要通过若干比例段与止损段的混合来兼顾尾部形状与总体 L2 成本最小化。¹³
  • 相关图像示例插入：
    ^{13
    13
    13
    14
    14}

估值 / 计量方法（本文适用性说明）

• 说明：本文并未以传统公司估值或证券定价为中心展开，也没有提供 DCF、EV/EBITDA 或 P/E 型估值分析；相反，核心是一个最优控制/最优传输问题，其“价值”以损失二范数（L2 ceded-risk）和满足风险/矩约束的可行性为衡量目标。⁷
• 结论性陈述：因此关于“估值分析”步的要求在本文语境下对应为对所用成本函数（L2）与约束翻译为量化函数 Q 的讨论，而作者在第 4 节明确给出如何将不同风险测度转化成对 Q 的凸约束并据此求解。⁸

风险因素评估（报告中列明或隐含的主要风险）

• 模型假设风险：作者要求马氏部分 M 为可表示为纯跳递增过程 S 的补偿差（M_t = E[S_t] − S_t）；若现实索赔过程不满足独立增量或纯跳且可分解结构，理论构造的适用性会受限。⁶
• 1-Lipschitz 要求的局限性：Theorem 4.1 关键依赖存在单调且 1-Lipschitz 的传输映射 F；这一条件并非对所有目标分布 ν 都成立（例如在某些重尾或非单调变换情形下难以满足），从而限制了 Bass 型显式解的普适性。⁷
• 数值实现与离散化风险：将量化函数优化离散化为数值凸优化时，需保留单调性与差分不等式约束（Q 的微观单调差约束），否则会产生不可行或不满足跳跃约束的解；作者在 Remark 4.5 指出凸闭性质是可解性的关键。⁸
• 经济与精算约束：再保险费的确定可能包含依赖于 Q 的附加 surcharge h_Q(t)，若该 surcharge 非凸或高度敏感，则使 \mathcal{Q}_c 非凸，破坏凸优化结构并影响数值可行性。¹¹

批判性视角与细微差别（审慎评价）

• 假设的强弱：模型依赖 M 的特殊分解与可控性（保留比例在每次跳跃上可自由选择），這在某些市场/合同实践中可能不现实（例如契约条款对单个索赔的选择受限），这一点在 Definition 3.2 的假设中体现但在实际部署中需谨慎对待。⁶
• 1-Lipschitz 条件的可检验性与解释：作者将 1-Lipschitz 要求视为“关键”并且指出可用弱最优运输的结果来刻画这一性质，但对如何在具体数据中检验或通过正则化/近似强制该条件的实践步骤叙述有限。⁷
• 传输映射的经济解释：尽管数值图形显示 \hat{F} 可被近似为 quota-share + stop-loss 的组合，作者对合同实际定价、交易摩擦、合约可执行性（例如分段/非连续映射对应的合同条款复杂度）讨论较少；因此若把理论解直接翻译成市场合同，还需要对可实施性做进一步工程化说明。¹³
• 对模型稳定性的讨论：作者在 Remark 4.3 提及在泊松强度放大并尺度化极限下会趋于 Bass martingale（布朗近似）；这一讨论为方法的稳健性提供一定支持，但对有限样本或参数估计误差对最优映射敏感性的量化分析缺失。⁷

结论性综合（全文最重要发现与建议）

• 关键发现：作者把动态再保险最小化 L2 ceded-risk 的问题成功地转化为一个马氏最优运输问题，并证明在存在适当单调且 1-Lipschitz 的传输映射时，Bass 式条件期望的马氏过程给出最优再保险策略的马氏部分，同時計算成本等价于 M_T 到目标中心化分布的平方距离。⁷
• 图表洞见總结：数值例子显示（i）在方差约束下最优策略相当于按比例缩放（quota-share）；（ii）在 VaR / ES 类尾部约束下，最优策略表现为 quota-share 与 stop-loss 的混合或完全 stop-loss；（iii）偏度/峰度约束导致 \hat{F} 呈分段或准二次形状，暗示现实中可用有限段的比例+止损组合近似实现最优解。^{9 10 13}
• 实践建议：在应用此框架时，应（a）检验 M 的分解假设与终端分布的可运输性质，（b）确认所要求的 1-Lipschitz/单调性是否成立或能否通过正则化近似引入，（c）将所得传输映射 \hat{F} 映射回可实现的再保险合同形式（比例、逐层止损等），并评估合同条款的可执行性与再保险费率的市场一致性。^{6 7 13}
• 总体判断：本文在理论上为动态再保险问题提供了一个新颖且数学上优雅的解法路径，把马氏最优运输与传统保险数学连接起来，且在多种常用风险约束下给出可数值求解的方案；但在实际工程化与对关键假设（纯跳分解、1-Lipschitz 映射、surcharge 的凸性）敏感性分析方面还需进一步工作以提升可应用性。^{3 7 11}

参考原文位置（用于核验）

• 题名/摘要与关键词：见文首（原文第 1 页）。²
• 最优运输背景与 Bass martingale：见 Section 2（原文第 3–4 页）。⁴
• 模型设定与再保险策略定义：见 Section 3（原文第 5 页）。⁶
• 主定理（Theorem 4.1）与证明要点：见 Section 4.1 与证明（原文第 6 页）。⁷
• 松弛问题与量化函数优化（Theorem 4.4 / Proposition 4.8 / 数值图示）：见 Section 4.2 及随附图（原文第 7–13 页）。^{8 9 10 13}

（若需，我可以基于本文给出：A）将量化函数问题 (10) 离散化为具体凸二次规划的矩阵形式并提供代码框架；B）对 1-Lipschitz 条件在样本数据上进行检验的统计流程；或 C）就如何将分段映射近似为若干市场可实现合同（比例+止损）给出参数化拟合方法与数值示例。）