加载中...
AI 原生量化投研平台AI-native quantitative research platform
正在加载…Loading…
页面仍在加载，可以继续等待，或重新加载。The page is still loading. You can keep waiting or reload.
部分页面资源未能加载，请重新加载。Some page resources could not load. Please reload.
设备当前处于离线状态，恢复连接后可以继续等待或重新加载。Your device is offline. Once connected, you can keep waiting or reload.
本文提出一种融合参数型与模型损失触发机制的透明巨灾债券，通过成本随机场同时纳入风速灾害、脆弱性函数和保险暴露，并利用极值理论中的最大稳定随机场刻画德国风暴风险。基于1999—2020年德国风暴数据，研究估计脆弱性指数为7.8，触发机制与行业损失的拟合优度R²达到0.9307，显著优于多种基准参数型触发器；进一步采用带Cauchy相关结构的extremal-t模型和Wang变换完成定价，结果显示透明机制能够降低道德风险，同时改善基础风险，但模型在损失分布右尾仍存在低估。
报告的中心论点是：传统赔偿型触发机制虽然能够最大限度降低发起人的基差风险，但透明度低且存在道德风险；纯参数触发机制透明、结算快，却可能使债券赔付与发起人实际损失不匹配。作者因此提出成本场（cost field）方法，将物理灾害强度、脆弱性函数和暴露水平结合起来，使触发指标更接近实际损失，同时保留参数型产品的可验证性和透明性。
报告没有给出传统股票研究意义上的“买入/卖出”评级，而是给出一个方法论和定价案例。其数值示例中，采用7%的风险利差、不同附件点和同一个耗尽点，对德国风暴Cat Bond进行定价，并通过Wang变换引入巨灾风险溢价。总体结论偏积极：作者认为该方法能够降低基差风险、缓解道德风险，并为缺乏可靠巨灾模型或历史损失数据的地区提供替代方案。
Cat Bond通常由特殊目的载体SPV发行。投资者将本金投入SPV，SPV把资金放入高评级证券或货币市场工具形成抵押账户；发起人通常是保险公司、再保险公司或政府机构，向SPV支付保费或风险利差。投资者除获得无风险利率外，还获得发起人支付的风险利差，以补偿其承担巨灾损失风险。
如果约定的灾害损失未达到附件点（attachment point），投资者收回全部本金并获得投资回报；如果损失介于附件点和耗尽点（exhaustion point）之间，投资者只损失部分本金；如果损失达到或超过耗尽点，投资者可能损失全部本金，SPV则将抵押资产用于补偿发起人。 图2至图4分别说明了资金流向、发生全额耗尽时的现金流以及未触发时的现金流。
图2：ILS交易结构。
该图的重点是风险隔离：投资者的本金不是直接交给发起人，而是进入SPV并被抵押。这样可以显著降低发起人违约或交易对手违约对投资者回收率的影响。Cat Bond的核心风险从“发起人是否偿付”转变为“灾害事件是否触发债券损失”。
图3：全额耗尽情况下的现金流。
该图展示了发生灾害后，抵押账户资产被清算并通过SPV转给发起人，投资者不再收回本金。它说明Cat Bond本金实质上是灾害风险资本，而不是传统意义上完全安全的债券本金。
图4：无触发情况下的现金流。
在没有达到触发条件的情况下，抵押资产和投资收益返还SPV，再由SPV向投资者支付本金及回报。由此可见，投资者收益的来源包括浮动无风险利率和巨灾风险利差，但代价是尾部事件发生时可能损失本金。
作者还指出，Cat Bond通常期限为3至4年，具有相对低的市场相关性，并且可以为保险公司提供传统再保险之外的资本容量。但其结构设计、建模和发行成本较高，且投资者资金并非永久存在，可能因其他高收益资产更具吸引力而流出。
报告比较了四种主要触发方式：
赔偿型触发的基差风险最低，但透明度也最低，因为发起人可能通过损失报告、承保区域和业务规模影响最终赔付结果。纯参数型触发的透明度最高，结算速度也快，但风速或震级与实际保险损失之间可能存在较大偏差。建模损失触发在两者之间，但专业模型通常是供应商专有的黑箱模型。作者认为，这一市场现状使投资者难以独立复核损失概率、预期损失和债券价格。
图1：不同触发机制的透明度—基差风险位置。
图1的横轴为基差风险，越向右表示触发赔付与实际损失的偏离越大；纵轴为透明度，越向上表示投资者越容易理解、验证和独立计算触发结果。赔偿型处于左下方，说明它最接近真实损失但透明度最低；纯参数型位于右上方，说明透明度很高但基差风险较大；行业损失指数和建模损失处于中间位置。
作者提出的“Blended”混合触发位于参数型和建模损失之间，更接近高透明度一侧。其理论优势在于：引入暴露和脆弱性后，触发指标不再只反映风速，而是更接近保险损失；但由于所有输入数据和函数形式均公开，仍可由投资者独立计算。需要注意的是，该图是定性示意，并非统计估计，图中位置不能被理解为精确可量化的风险排名。
灾害风险无法通过股票、债券等可交易金融资产完全复制，因此Cat Bond的定价属于不完备市场定价。作者没有试图从历史债券价格回归出风险利差，而是把利差视为外生输入变量，再根据灾害损失分布计算债券价格。
作者假定金融变量，如短期利率，与保险技术变量，如灾害发生和损失，在风险中性测度下相互独立。这使债券价格可以拆分为利率部分和保险损失部分，降低计算复杂度。 短期利率采用Vasicek模型，该模型包含均值回复速度、长期均值、利率波动率和初始利率四个核心参数。
设年度损失为 (S_n)，附件点为 (u_a)，耗尽点为 (u_e)，其中 (u_e>u_a)。低于附件点的损失由发起人自行承担；超过耗尽点则投资者损失全部本金；中间区域采用分段线性赔付。
分段线性结构的经济含义是：损失越接近耗尽点，投资者损失的本金比例越高。若附件点等于耗尽点，则转化为二元触发，即债券一旦触发便全额损失本金。作者也指出，某些参数型债券会采用阶梯式而非线性赔付。
为了把现实测度下的损失分布转换为定价所需的风险中性分布，作者使用Wang变换。其核心思想是对损失分布的概率进行扭曲，使高损失区域获得更高权重。参数 (\lambda)控制这种右尾偏斜程度，作者将其解释为巨灾风险溢价。
在Wang变换后，附件概率、耗尽概率和预期损失通常高于现实测度下的对应值。这反映投资者要求额外补偿，不能只按实际发生概率定价。报告通过图5展示了这一点。
图5：现实测度与Wang变换后的经验分布。
左图基于2,000次模拟，黑线为原始年度损失经验分布，红线为Wang变换后的分布。红线整体低于黑线，意味着在同一损失水平下，风险中性累计概率更低，即高损失的尾部概率被放大。右图基于50次模拟，阶梯线显示原始等权重样本如何被重新赋予不同概率权重。样本越大，经验分布越平滑；样本较小时，离散跳跃更加明显。该图有助于说明定价分布并非简单使用历史频率，而是加入了风险厌恶或风险溢价调整。
在德国风暴案例中，区域被离散为若干代表性位置 (x_k)。每个位置包含经度、纬度和海拔。第 (i) 个风暴事件的成本场由三部分组成：
[ C_i(x)=D(Z_i(x))E_i(x) ]
其中：
事件损失为各代表性地点成本的加总：
[ L_i=\sum_{k=1}^{K}C_i(x_k) ]
年度损失则是该年度所有事件损失之和。其透明性来自三个方面：风速由政府或气象机构提供，暴露可以来自公开的行业数据，脆弱性函数的形式和参数被明确披露。因此它不像供应商模型那样依赖无法审查的随机事件目录或专有代码。
作者认为该方法可以降低基差风险，但并不能完全消除。主要剩余来源包括：
作者特别指出，事件数量本身不会造成基差风险，因为年度触发直接使用实际观察到的事件数量；真正的误差来自每个事件损失的估计方式。
研究使用德国95个CRESTA区域和1999年2月至2020年2月间100次风暴事件的最大风速数据。风速由英国气象局模型生成，定义为10米高度、3秒滑动平均风速的最大阵风；PERILS进一步计算每个CRESTA区域72小时内的峰值阵风，并按人口密度加权。
作者使用CRESTA区域的地理质心作为代表点，并从Google Maps获得质心海拔。该选择简化了模型，但也带来局限：地理质心不一定处于区域内部，且质心海拔不一定代表区域的最高点或真实暴露分布。
行业损失和暴露数据存在明显限制。PERILS对总行业损失超过2亿欧元的事件才进行报告；2013年以后才有CRESTA层级暴露数据。为扩大样本，作者将2013—2020年暴露数据向前线性外推至1999年，从而获得20个同时具备风速、行业损失和暴露信息的事件。
图6：德国各CRESTA区域代表点海拔。
图6显示德国南部，尤其接近阿尔卑斯山区域，海拔显著较高；北部和中部大多数区域海拔较低。海拔可能影响风速分布及局地脆弱性，因此被纳入风速边际分布的趋势面。不过，作者承认使用区域质心海拔而不是最高点或人口加权海拔，可能使趋势面并非最优。
作者采用幂函数：
[ D(z)=\left(\frac{z}{c_1}\right)^\beta ]
其中 (\beta)表示风速对损害的非线性敏感度，(c_1)为尺度参数。物理依据是风的动能耗散率与风速三次方相关，但保险经验数据可能显示更高的指数，因此作者在5至13之间寻找最优指数。
对20次历史风暴进行无截距回归后，最优指数为 (\beta=7.8)，决定系数为 (R^2=0.9307)，回归系数为 (1.442\times10^{-16})，标准误为 (9.028\times10^{-18})。这意味着在样本内，风速经过高次幂转换并结合暴露后，对行业损失具有很强解释力。
但该结果也应谨慎解读。20个样本相当少，且全部是超过PERILS报告门槛的大事件，因此不能自动代表小损失事件。作者明确承认，模型隐含地假设适用于低于2亿欧元门槛的事件。
图7：平均损害率与最大风速的对数关系。
图7将平均损害率 (L_i/E_i) 与最大风速放在双对数坐标中。点云总体呈正相关，说明风速提高时损害率快速上升。双对数关系近似直线，支持幂函数形式。该图还暗示高风速区间的非线性较强，低风速区间的损害率更低。
图8：事件触发值与行业损失。
图8显示20个事件的触发值和行业损失在对数尺度下具有较强线性关系，黑色回归线的 (R^2=0.9307)，灰色区域为回归线95%置信区间。Friederike事件的实际损失明显高于触发模型估计值，可能由于其路径覆盖德国更大范围；Xavier事件则被模型高估，原因可能是该风暴移动极快，在相同最大风速下，快速移动风暴通常造成的损害低于慢速风暴。由此可见，仅使用最大风速仍遗漏了风暴范围和移动速度等重要信息。
图9：损害率与触发值。
图9进一步从损害率角度检验模型。Anatol、Lothar和Jeanett等较早事件的损害率被低估，作者认为这可能源于向历史年份反推暴露时线性外推过强，也可能是早期建筑规范较弱，导致同样风速下历史损害更高。该图表明模型误差不只来自风速预测，也来自暴露变化和建筑质量的时间变化。
作者比较了三种替代触发：
图10给出了三种触发与行业损失的比较：
图10：三种替代触发的基差风险比较。
三种替代触发的决定系数分别为：
相比之下，作者提出的成本场触发达到(R^2=0.9307)，显著提高了样本内解释力。图中各点围绕回归线的偏离程度也说明，单纯风速加总或最大风速指标无法充分反映暴露和脆弱性。需要指出的是，这种比较使用同一批20个事件校准和评价，因而更接近样本内拟合，不应直接等同于样本外预测能力。
作者用极值理论中的max-stable随机场描述德国不同区域同时出现极端风速的空间依赖。该方法区别于逐点独立建模，可以捕捉风暴覆盖大范围区域时的相关性。候选模型包括Smith、Schlather、Brown–Resnick和extremal-t，并进一步比较不同相关函数。
作者首先为95个CRESTA质心分别拟合GEV边际分布，再用复合似然估计空间依赖结构。模型选择标准为CLIC，最终表现最好的是带Cauchy相关函数的extremal-t模型。
表4、表5：模型选择和参数估计。
表4按CLIC从低到高排列不同模型，最低CLIC对应extremal-t Cauchy模型。表5列出该模型的依赖参数，以及各区域GEV位置、尺度、形状参数的均值和标准差。这里采用“两步估计”：先拟合边际，再拟合依赖结构。好处是边际拟合更灵活，缺点是没有充分反映边际参数与空间依赖参数之间的联合估计不确定性。
附录中的趋势面方法将经度、纬度和海拔纳入GEV参数，用64个区域训练、31个区域验证。图19显示位置、尺度和形状参数存在明显空间分布差异；图20、图21、图22的验证结果总体支持extremal-t Cauchy模型，但图21显示模型可能轻微低估空间依赖。
研究统计1999—2020年每年的德国风暴事件数。Pettitt检验的p值为0.1426，没有拒绝不存在时间结构变化的假设；因此作者未发现明显的事件数量趋势。
但Poisson分布的过度离散检验p值为0.043，过度离散因子为1.935，说明事件数量波动大于普通Poisson模型允许的程度。于是作者采用负二项分布，估计均值为4.546，size参数为3.955，拟合过度离散因子为2.149。
图11：年度风暴数量。
图11显示年度事件数量波动很大，既有接近0的年份，也有明显高于平均水平的年份。线性趋势线略向下，但95%置信区间较宽，支持“没有显著时间趋势”的统计结论。图表并不能支持风暴频率正在下降，只能说明在22年样本内未检出显著上升或下降趋势。
图12：实际与模拟年度事件数量的Q-Q图。
理论分位数与经验分位数总体接近，绝大多数点位于95%置信包络内，表明负二项分布能够较好复现年度事件计数。但极端计数处的不确定性很大，原因是历史样本只有22年，不能据此对极端频率作出很强的判断。
作者模拟了200万年年度损失，产生约909万次事件，并将模拟年度损失与1999—2020年历史触发值比较。结果显示，extremal-t Cauchy模型和作者提出的成本场触发在分布中部拟合良好，但在右尾低估损失。换言之，模型可能低估极端灾害发生时的损失，这对投资者尤为重要，因为附件点和耗尽点通常位于损失分布的远端。
图13：不同模型下年度触发损失的Q-Q图。
左图为extremal-t Cauchy，中心图为Brown–Resnick，右图为单变量最大风速模型。三个图的右端经验点普遍高于理论拟合线，意味着模拟分布尾部偏轻。作者认为extremal-t Cauchy的表现优于另外两个模型，但仍存在尾部低估。由于历史数据仅有22个年度点，95%置信包络极宽，经验点仍可能落在包络内，因此统计上无法断言模型显著失效。
PERILS只报告行业损失超过2亿欧元的事件，因此作者进一步对模拟损失施加不同阈值。表10比较了50、100、150和200百万欧元等阈值下的零值比例，并与实际22年中10年无合格事件、即45.5%的零值比例比较。图14显示，提高阈值能够使模拟零值比例更接近报告规则，但会使损失右尾的低估略微恶化。
该部分揭示了一个重要事实：模型在普通区间表现尚可，但真正决定Cat Bond风险和价格的远端尾部，恰恰是样本最少、模型不确定性最大的部分。
作者设置一年期Cat Bond，面值为100欧元，风险利差为7%，短利率Vasicek参数为：
两个分层设置如下：
这里的“回归期”是指损失达到某一水平的平均重现间隔。例如100年回归期并不意味着每100年必然发生一次，而是对应约1%的年度超越概率。高附件点说明债券覆盖的是再保险塔顶端的低频、高损失层。
作者调整Wang参数(\lambda)，使Tranche A价格等于面值100欧元，得到(\lambda=0.737)。在相同7%利差下，Tranche B价格为100.69欧元，说明其触发概率较低，因此投资者在同样利差下获得更高价值；如果要使Tranche B平价发行，利差应降至6.28%。
图15：经验损失尾部与Pareto指数。
图15用双对数图观察年度损失尾部，作者根据历史最大调整损失43.40亿欧元、约22年回归期，以及模型100年回归期78.61亿欧元，粗略得到Pareto指数约2.55。蓝色线表示斜率为-2.55的尾部关系。该指数只是经验性规则，样本少、置信区间宽，不能作为稳健的尾部参数估计。
图16：债券价格与巨灾风险溢价。
图16显示，随着(\lambda)从0.25升至1.25，债券价格单调下降。原因是风险中性分布更偏向高损失，触发和本金损失概率上升，因此债券现金流价值下降。Tranche A在(\lambda=0.737)附近达到100欧元。该图直观展示了定价对灾害风险溢价的敏感性。
使用Brown–Resnick模型时，Tranche A和B价格分别为100.11欧元和100.79欧元；其100年、150年和200年回归期损失分别为77.37亿、94.28亿和108.09亿欧元，低于extremal-t Cauchy模型，因此价格略高。
单变量模型得到的价格更高，A和B分别为101.26欧元和101.87欧元，说明它在尾部产生的损失更低。附录中的extremal-t Whittle–Matérn模型价格进一步升至102.84欧元和103.26欧元，反映空间相关结构选择会明显影响远端损失和债券价格。
图17：债券价格与附件点。
在耗尽点固定的情况下，提高附件点会使债券价格上升，但曲线呈凹形。附件点越高，触发概率越低，且附件点与耗尽点之间的损失层宽度越来越窄，因此价格上升；但由于层宽缩小，价格变化并非线性。该图也提醒投资者，债券结构中的附件点与耗尽点必须结合损失分布共同分析。
报告识别出的主要风险包括：
报告对这些风险提供了部分缓解措施，包括10折交叉验证、验证区域划分、不同模型比较、Q-Q图和置信包络、负二项分布替代Poisson分布，以及在未来加入风暴尺寸、速度和气候情景。不过，由于样本量和数据可得性限制，这些措施主要是诊断性而非彻底解决性的。
首先，成本场触发在20个事件上的(R^2=0.9307)非常高，但替代触发的比较和脆弱性参数估计使用了同一批数据，因此存在样本内优化和过拟合可能。10折交叉验证显示最优(\beta)在7.6至8.1之间波动，说明7.8并非完全稳定的结构参数。
其次，报告强调“完全透明”，但透明并不等于模型风险低。投资者可以看到风速、暴露和函数形式，却仍然需要接受CRESTA质心、暴露外推、统一脆弱性函数、空间相关结构和Wang参数等一系列假设。换言之，模型由黑箱变成公开模型，但不确定性仍然存在。
再次，报告采用风险中性测度下金融变量与灾害变量独立的假设，这便于定价，但现实中利率、保险市场周期、资本供给和灾害风险溢价可能共同变化。作者将利差外生给定，意味着模型不解释市场供需和发行人信用、承保质量、再保险周期等因素，而这些因素在实际Cat Bond定价中很重要。
最后，报告一方面将产品描述为年度聚合型保障，另一方面又使用基于大型冬季风暴的空间极值模型。附录指出，德国冬季风暴通常具有大范围同步发生特征，因此模型更接近一次事件型覆盖；但年度聚合损失还需要处理多个事件之间的时间依赖和损失累积。这一覆盖结构与极值模型之间的匹配仍是需要持续研究的地方。
这份报告的核心价值不在于给出一个单一“正确”价格，而在于提出一种公开、可复核、可扩展的Cat Bond设计框架。其混合触发机制将风速等可观测灾害变量与损害函数、行业暴露结合，使触发结果比传统纯参数指标更接近实际保险损失，同时避免赔偿型触发对发起人实际损失报告的依赖。
德国案例表明，成本场触发在20个历史事件上的损失解释能力明显优于三种简化触发，(R^2)达到0.9307，而替代触发仅为0.6923至0.7390。 但图13、图14和图15共同揭示，最重要的极端尾部仍存在低估和较高不确定性。模型在中等损失范围的拟合不能自动保证对100年或200年回归期损失的准确估计。
在定价方面，extremal-t Cauchy模型下，100年附件点为78.61亿欧元、150年附件点为95.93亿欧元、200年耗尽点为110.08亿欧元；在7%利差下，两个分层价格分别为100.00欧元和100.69欧元。不同空间极值模型使价格从约100欧元变化至103欧元以上，说明模型选择对Cat Bond定价具有实质影响。
作者总体立场是支持该透明混合触发机制，将其视为传统供应商Cat模型和标准频率—严重度模型的补充，尤其适用于缺少可靠巨灾模型或历史损失数据的新兴地区。审慎地说，该方法已经较好地解决了“如何让触发机制可验证”的问题，但尚未完全解决“如何稳定、无偏地估计极端尾部”的问题。未来若能加入风暴路径、尺寸、移动速度、建筑特征、时间变化的暴露以及气候变化压力测试，其实际承保和证券化价值将进一步提高。
2609.22052.pdf