本文提出由布朗运动与分数 Lévy 过程混合驱动的随机死亡率模型,通过分数核刻画死亡率冲击中的长程依赖,并兼容 Poisson、Gamma 与 tempered stable 等多种 Lévy 设定。 模型能够推导生存概率、连续生命年金、长寿互换及长寿走廊合约的解析或半解析定价公式;同时利用奇异值分解将非马尔可夫分数核转化为有限维近似,并通过二阶残差修正显著降低截断误差。 法国二战与新冠疫情死亡率冲击的校准结果表明,无限活动的 Gamma 与 TS 规格通常具有更好的样本外预测能力,说明忽略长程依赖可能低估预期寿命并造成长寿风险定价与资本管理偏差。
| Lévy规格 | 样本外 MSE(20年窗口) |
|---|---|
| Poisson | (5.99\times10^{-4}) |
| Gamma | (5.56\times10^{-5}) |
| TS | (6.41\times10^{-5}) |
| Lévy规格 | 样本外 MSE(30年窗口) |
|---|---|
| Poisson | (8.23\times10^{-5}) |
| Gamma | (2.72\times10^{-5}) |
| TS | (6.90\times10^{-5}) |
| Lévy规格 | 样本外 MSE | 最大绝对误差 |
|---|---|---|
| Poisson | (1.03\times10^{-4}) | 2.09% |
| Gamma | (2.03\times10^{-6}) | 低于Poisson |
| TS | (1.89\times10^{-6}) | 低于Poisson |
文章的出发点是:传统随机死亡率模型若忽略长期记忆,可能系统性低估未来寿命,进而影响养老金、年金和保险准备金。作者因此构造了一个由标准 Brownian motion 与 fractional Lévy process 共同驱动的死亡率模型。前者负责连续、规则的随机波动,后者负责跳跃、非高斯冲击及其长期持续影响。
该模型的主要优势有三点。第一,fractional Lévy process 的底层 Lévy 过程可以选择 Poisson、Gamma 或 tempered stable 等不同规格,因此模型能够适应离散跳跃、无限活动小跳跃以及更灵活的重尾或渐进跳跃行为。第二,虽然模型具有非 Markov 性和路径依赖性,但作者通过 Volterra 核的 SVD 低秩近似,将其转化为有限维、时间非齐次的 Markov 状态表示,从而便于数值计算。第三,作者给出了连续生命年金、survival caplet、longevity corridor 和 longevity swap 的定价公式,并用第二阶残差修正进一步降低 SVD 截断误差。
实证部分使用法国男性死亡率数据,分别考察二战死亡率冲击和 COVID-19 冲击。总体结果显示,在两个压力测试中,Gamma 和 tempered stable 规格通常比有限活动的 Poisson 规格具有更低的样本外预测误差,但二战样本与 COVID-19 样本中表现最优的无限活动规格并不完全相同。
文章首先回顾 Gompertz Law。该规律认为,成年人的死亡力大致随年龄呈指数增长,因此构成了死亡率年龄结构的经典确定性基准。然而,保险、年金及养老金产品面临的不只是年龄差异,还包括未来死亡率趋势的不确定性,于是研究逐渐转向随机死亡率模型。
作者随后介绍 Lee–Carter 模型及其扩展。Lee–Carter 模型将对数死亡率分解为年龄效应和随时间变化的死亡率指数;Renshaw–Haberman 模型进一步加入出生队列效应;Cairns–Blake–Dowd 模型使用水平因子和斜率因子描述高龄死亡率;其他多因子模型则加入人口和社会经济变量。这里的文献回顾意在说明,传统模型主要通过增加因子数量来提高拟合能力,但未必能充分处理长期记忆。
连续时间模型则为精算估值提供了更直接的数学结构。Affine mortality models 的重要优点是可以推导封闭形式或半封闭形式的生存概率,从而适合在风险中性测度下定价和对冲长寿风险。文章将自身模型定位为对连续时间 affine/Volterra 思路的延伸:保留死亡率估值的解析可处理性,同时引入非 Markov 的长期依赖和 Lévy 跳跃。
长程依赖指远距离观测之间的相关性衰减得非常慢,其典型形式是自协方差按幂律下降,而不是按指数下降。若相关系数的绝对值之和发散,则说明历史冲击的影响不会快速消失,这正是传统短记忆 Markov 模型难以表示的特征。
从精算角度看,LRD 会改变未来累计死亡率和生存概率的分布。如果模型把具有持续性的死亡率改善或恶化错误地当作短期噪声,就可能低估未来寿命、低估养老金支付期限,并对长寿风险对冲效果作出过于乐观的判断。作者还指出,LRD 会影响年金、死亡给付、长寿债券以及长寿衍生品的估值。
这里需要注意,文章的文献综述提供了大量外部研究作为“LRD 存在”的背景支持,但本文自身的实证样本主要是法国两个出生队列,并不是对多个国家和所有年龄段进行系统检验。因此,“死亡率普遍存在 LRD”是论文依赖的研究背景,而本文实证能够直接验证的范围相对有限。
作者按照 Marquardt 的方法,把 fractional Brownian motion 中的 Brownian driver 替换为具有零均值和有限方差的 Lévy process。底层过程首先可以取 Poisson、Gamma 或 tempered stable subordinator,再通过补偿得到均值为零的 Lévy driver。
fractional Lévy process 由 Molchan–Golosov 型 Volterra kernel 生成。参数 (H) 位于 (1/2) 与 1 之间,通常称为 Hurst 参数。(H) 越大,长期依赖越强;当 (H) 接近 (1/2) 时,长期记忆减弱。作者通过归一化常数使过程的增量方差具有标准化形式,随后使用一个尺度参数 (s_L) 对 Lévy 波动进行调整。
该过程通常不是半鞅,因此不能直接按照经典 Itô 积分处理。作者将其随机积分定义为:先把确定性被积函数通过 Volterra 算子映射,再对补偿后的 Lévy process 做普通的确定性积分。这样做的好处是把复杂的分数随机积分转化为具有明确 (L^2) 条件的 Lévy 积分。
混合驱动过程可以概括为:
[ M_t=p_1W_t+p_2\Upsilon_t^{H,P}, ]
其中 (W_t) 是标准 Brownian motion,(\Upsilon_t^{H,P}) 是标准化 fractional Lévy process,(p_1,p_2\geq 0),且 (p_1+p_2=1)。Brownian 部分代表连续、常规的死亡率扰动;fractional Lévy 部分代表跳跃、非高斯和具有长期持续性的冲击。两部分在物理测度下相互独立。
这里的 (p_1,p_2) 是载荷或权重,而不一定是严格意义上的方差占比,因为两个分量具有不同的协方差结构,且 fractional Lévy 部分还受 (H) 和底层 Lévy 方差影响。作者还强调,Brownian 积分只需满足普通 (L^2) 可积条件,而 fractional Lévy 积分需要被积函数属于由 Volterra 算子定义的函数空间,因此混合积分必须同时满足两类可积性要求。
文章对固定长度增量之间的相关性进行分析。Brownian 增量在不重叠区间上相互独立,不产生跨期持续相关;fractional Lévy 增量的相关性则近似按 (n^{2H-2}) 衰减。由于 (2H-2\in(-1,0)),相关系数的无穷和发散,因此只要 (p_2\neq 0),混合过程就具有长期依赖。
图1:增量相关系数与滞后阶数
图1在 (m=1,p_1=0.20,p_2=0.80) 下比较 (H=0.6,0.7,0.8,0.9) 的增量相关性。四条曲线均随滞后 (n) 增大而下降,但下降速度明显不同:(H=0.6) 的蓝线很快接近零,(H=0.9) 的绿线即使在较长滞后下仍保持约 0.30 的相关性,说明 (H) 越高,记忆越强。
图形还揭示了 Brownian 混合项的作用:它压低总体相关系数水平,因为它增加了增量方差的分母,但不会改变 fractional component 所决定的幂律衰减速度。因此,Brownian 部分可以稀释长期依赖的表现强度,却不能消除其渐近性质;只有 (p_2=0) 时,模型退化为 Brownian 驱动,LRD 才消失。
生存概率和生存指数的计算需要处理 fractional Lévy 积分的指数条件期望。作者给出了一个条件指数公式,将未来 Lévy 增量带来的部分写成累积量积分,同时保留一个由 (t) 之前历史 Lévy 增量产生的历史项。这个历史项正是非 Markov 性的体现:过去的冲击会通过 Volterra kernel 持续影响未来。
在时间零点,历史项消失,因此所有从 (t=0) 开始的生存概率和衍生品定价公式会简化为只涉及整个区间 ([0,T]) 的累积量表达式。这一性质是模型能够保持解析可处理性的关键。
死亡率强度 (\mu_t) 保留 Gompertz 型年龄增长结构,并加入混合随机冲击。参数 (a>0) 是年龄增长系数,(\sigma>0) 是共同尺度参数。作者特别指出,(\sigma) 不应直接解释为传统意义上的单一波动率,因为 Brownian 和 fractional Lévy 两类随机因素的方差结构不同。
条件生存概率定义为累计死亡率的指数负值的条件期望,即大致为:
[ S^P(t,T)=E^P_t\left[\exp\left(-\int_t^T\mu_sds\right)\right]. ]
通过随机 Fubini 定理和 Lévy–Khintchine 公式,作者将该生存概率写成 Brownian 方差项、历史项、确定性 Gompertz 项和 Lévy 累积量项的组合。Poisson、Gamma 与 tempered stable 三种规格都有对应的补偿累积量表达式。
图2包含四个面板,展示 Gamma 规格下累计生存概率 (S^P(0,T)) 对模型参数的敏感性。基准参数包括 (\mu_0=0.0015)、(a=0.08)、(H=0.65)、(\sigma=5\times10^{-4})、(p_1=0.40)、(p_2=0.60)、(\alpha=0.20)、(\beta=1.50)。
总体而言,图2支持作者的核心观点:LRD 和随机冲击参数对短期生存概率影响有限,但对中长期寿命负债具有明显影响。
fractional Lévy process 依赖过去 Lévy 路径,无法直接转化为有限维 Markov 过程。对于卷积型核,可以使用指数和近似构造多个 Ornstein–Uhlenbeck 因子,但本文的 Molchan–Golosov kernel 分别依赖 (t) 和 (v),并非简单的 (K(t-v)),因此作者采用二维 Volterra 三角区域上的低秩 SVD 近似。
将 Volterra 核在 (v>t) 的区域延拓为零后,得到定义在 ([0,T]^2) 上的 Hilbert–Schmidt 核。其 SVD 可以写成若干奇异值、左奇异函数和右奇异函数的乘积。保留前 (r) 个奇异成分,就得到秩为 (r) 的可分离近似。根据 Eckart–Young 定理,该近似在 Hilbert–Schmidt 范数下是最优的秩 (r) 近似。
每个右奇异函数与过去 Lévy 增量相乘并累积,构成一个状态变量;左奇异函数和奇异值再将这些状态重构为 fractional Lévy driver。因此,秩 (r) 近似需要 (r) 个累计状态。状态向量是时间非齐次 Markov 过程,而重构出的标量 fractional driver 本身未必 Markov。
文章特别谨慎地区分了不同收敛概念:SVD 近似具有积分均方收敛,即在 (\Omega\times[0,T]) 上的 (L^2) 收敛,但这不自动意味着每个固定时点的均方收敛、关于时间的一致收敛或路径上的上确界收敛。这个限制对于把数值误差推广到所有期限和所有样本路径非常重要。
数值实现将时间区间分成 (N=160) 个网格,并构造下三角因果核矩阵。原始 SVD 的秩 (r) 重构通常会产生上三角非零元素,即未来 Lévy 增量对当前状态产生影响。作者因此进行 causal projection,把 (j>i) 的未来项重新设为零。该操作恢复了 Volterra 因果结构,但会使矩阵通常不再严格具有秩 (r),所以“低秩”主要体现为状态维数仍为 (r),而不一定体现为因果投影后的矩阵秩。
附录图 N.1:SVD 分解和截断
该图展示 (A_N=\Delta tK_N) 如何分解为左奇异向量、奇异值矩阵和右奇异向量的乘积,并只保留前 (r) 个因子。它直观说明了计算降维的来源:不是直接忽略时间网格,而是保留核矩阵能量最大的方向。
附录图 N.2:因果投影
图中红色区域表示截断 SVD 重构后出现的未来依赖。将这些非因果元素设为零后,恢复下三角 Volterra 结构,但因果投影后的矩阵不再必然是秩 (r)。这一步是理论上的路径依赖约束与数值低秩近似之间的必要折衷。
附录图 N.3:状态组装
该图说明计算过程分为三步:先用右奇异向量对 Lévy 增量加权并累积为 (r) 个状态,再用奇异值和左奇异向量重构 fractional driver。虚线表示同一计算也可以写成因果矩阵与 Lévy 增量向量的乘积。
死亡率动态首先在物理测度 (P) 下给出,但衍生品定价需要风险中性测度 (Q)。作者对 Brownian 部分使用 Girsanov 变换,对底层 subordinator 使用 Esscher 变换。Brownian 风险溢价由 (\gamma_t) 表示,跳跃风险价格由 (\theta(v)) 表示。
由于市场是不完备的,该变换得到的 (Q) 只是一个选定的等价鞅测度,并不是唯一的风险中性测度。如果 Esscher 参数为常数,则变换后的过程仍是 subordinator;如果参数随时间变化,则一般只得到时间非齐次 additive process。
风险中性测度下需要重新计算 Lévy 均值和方差,并重新定义中心化 Lévy driver。一个重要细节是,物理测度下的标准化尺度 (s_L) 不一定等于风险中性测度下的标准差,因此风险中性 fractional process 的协方差结构可能相对于物理测度发生比例调整。
定义对数生存指数:
[ Y_{t,T}=-\int_t^T\mu_sds, \qquad S_{t,T}=e^{Y_{t,T}}. ]
线性支付只需要 (E^Q[S_{t,T}]),但 survival caplet 和 corridor 等非线性产品需要 (Y_{t,T}) 的完整条件分布。作者因此推导了 (Y_{t,T}) 的条件特征函数,并利用 (\phi^Q_{t,T}(-i)) 得到风险中性生存概率。
这使得模型能够处理欧式类型的非线性长寿产品,同时保留 Fourier inversion 定价路径。对于 Gamma 和 tempered stable 规格,所有复数特征函数计算都必须保持在累积量的指数矩定义域内,这是模型可计算性的重要约束。
连续生命年金: 在被保险人于 (t) 时仍存活的条件下,年金价值为每个未来时点的零息债券价格 (P(t,s)) 与风险中性生存概率 (S^Q(t,s)) 的乘积,再对 (s\in[t,T]) 积分。该公式体现“贴现现金流×生存概率”的基本精算逻辑。
Survival caplet 和 floorlet: survival caplet 的支付是 ((S_T-K)^+),作者用阻尼 Fourier inversion 将支付函数的非线性期望转化为特征函数积分。floorlet 可以利用 put–call parity 类型关系由 caplet 和 (E^Q[S_T]) 推出。
Longevity corridor: 走廊支付在 (S_T) 低于 (S_l) 时为零,在 (S_l) 与 (S_u) 之间线性增加,超过 (S_u) 后封顶。该支付等于买入一个执行价为 (S_l) 的 survival caplet、卖出一个执行价为 (S_u) 的 survival caplet,因此可直接使用 caplet 价格。
Longevity swap: 浮动端在各支付日支付实际生存指数 (S_{t_k}),固定端支付约定生存率 (K_k)。交换价值是各期贴现后 (E^Q[S_{t_k}]-K_k) 的总和,也可以通过对数生存指数的特征函数在 (-i) 点求值。
文中假设利率风险与死亡率风险在给定估值信息后条件独立,因此可以把债券价格与死亡率生存概率分开处理。这个假设有利于解析定价,但也意味着利率—死亡率相关性没有被模型直接刻画。
在 (N=160) 的网格下,最大奇异值约为 3.943625,最小列示奇异值约为 0.074745。前一个奇异成分解释约 87.86% 的总平方奇异值能量,前五个约解释 98.37%,前八个约解释 99.11%。
这说明 Volterra kernel 的主要信息集中在少数方向,SVD 降维具有较强可行性。不过,核能量高比例集中并不等价于所有衍生品价格都具有同样高的精度,因为价格函数还会对核误差进行非线性变换,尤其是 Gamma 和 tempered stable 的累积量存在矩边界。
表2比较同一 (N=160) 网格下的秩 (r) 价格与 full-kernel 价格之间的截断误差。对于 (r=80),年金、corridor 和 swap 的最大截断误差分别不超过 (1.44\times10^{-5})、(4.18\times10^{-6}) 和 (2.40\times10^{-5})。
表3进一步把低秩价格与 benchmark 价格比较,因此同时包含时间离散误差和 SVD 截断误差。即使 (r=5),多数情况下相对误差已明显低于 1%,说明相对于完整 160 维核计算,较低状态维数也能够获得有实用价值的定价精度。
SVD 截断造成的核残差经过 Lévy 累积量后会被非线性放大,因此作者没有简单增加秩,而是对累积量作二阶 Taylor 展开。修正项包括一阶残差和二阶残差,剩余误差理论上为残差的三阶量级。该修正不引入新的随机因子,因此保持了原有的 (r) 维状态表示。
图3:未修正与修正后的误差
图3有九个面板,分别覆盖 Poisson、Gamma、TS 三种 Lévy 规格以及生命年金、longevity corridor、longevity swap 三种产品。黑色曲线是未修正 SVD 误差,绿色曲线是第二阶修正误差。所有面板中绿色曲线均显著低于黑色曲线,且在秩 (r=1) 时就已经有明显改善;随着秩增加,两者误差都下降,但修正方法始终更准确。
作者还报告,在改变 Hurst 参数、期限、fractional Lévy 暴露、Esscher 参数、Lévy 规格和秩的 972 次比较中,修正后的误差均小于未修正误差。这一结果支持残差修正的稳健性,但仍属于作者设定参数范围内的数值实验,并不等同于对所有模型参数的普遍证明。
作者使用法国男性年度期间生命表数据,通过年龄—年份对角线构造出生队列死亡率路径。1885 年出生队列用于研究二战冲击,1935 年出生队列用于研究 COVID-19 冲击。模型比较 Poisson、Gamma 和 tempered stable 三种 Lévy 规格。
校准目标是累计生存概率的均方误差,而不是逐年死亡概率误差。初始年龄的死亡率用于确定 (\mu_0),但不作为单独的生存概率观测纳入损失函数。Gamma 的 rate 参数固定为 1,TS 的 tempering 参数也固定为 1,其余参数在满足累积量定义域和 (H>1/2) 的约束下估计。
这一设计有两个含义。第一,样本是单一国家、单一性别和单一队列,结果不能直接推广至所有人口。第二,模型在拟合累计生存概率时可能牺牲对短期死亡冲击形态的刻画,因为累计指标会平滑部分年度波动。
二战案例使用法国 1885 年出生男性队列。20 年窗口用 1936—1955 年数据校准,再外推 1956—1975 年;30 年窗口用 1936—1965 年数据校准,再外推 1966—1975 年。
图4:两种二战校准窗口
图4左图显示 20 年窗口,右图显示 30 年窗口。样本内阶段三种模型曲线几乎都贴近观测数据,说明不同 Lévy 规格在训练样本内具有相近拟合能力。进入样本外后,模型差异才明显,尤其在较早的短窗口中,Poisson 曲线偏离观测路径更大,而 Gamma 和 TS 更能跟随战后死亡率变化。
表4显示,20 年窗口中 Gamma 和 TS 的样本外 MSE 分别为 (5.56\times10^{-5}) 和 (6.41\times10^{-5}),Poisson 为 (5.99\times10^{-4}),Poisson 误差明显更高。30 年窗口中 Gamma、TS 和 Poisson 的样本外 MSE 分别为 (2.72\times10^{-5})、(6.90\times10^{-5}) 和 (8.23\times10^{-5})。因此 Gamma 在两个窗口均为最优,TS 也优于 Poisson。
作者将该结果归因于跳跃活动性质:Poisson 是有限活动过程,在估计强度较小时只能产生少量离散跳跃;Gamma 和 TS 是无限活动过程,可以通过大量小跳跃积累出更平滑、更持续的死亡率扰动。这一解释与二战死亡率路径中存在持续恢复和渐进变化的图形特征相一致,但它仍是机制解释而非单独识别出来的因果结论。
估计的 (H) 也有信息量:Poisson 的目标函数在 (H=0.5) 附近达到边界最优,说明在有限活动跳跃规格下,数据没有强烈支持额外的强长期依赖;Gamma 和 TS 的 (H) 为内部解,显示无限活动跳跃与 LRD 结合后具有更大的拟合弹性。原文中该处的区间显示存在排版或提取错误,结合全文设定应理解为 (H\in(1/2,1))。
表5以平方预测误差为损失,检验 Poisson 与 Gamma、TS 的样本外预测精度是否相同。损失差定义为 Poisson 误差减去替代模型误差,因此正的 DM 统计量表示替代模型平均误差更低。
20 年窗口中,Poisson 对 Gamma 的 DM 统计量为 6.3419,p 值为 (4.38\times10^{-6});Poisson 对 TS 的 DM 统计量为 6.2237,p 值为 (5.60\times10^{-6})。30 年窗口中,两个统计量分别为 5.2584 和 4.7923,p 值分别为 (5.22\times10^{-4}) 和 (9.84\times10^{-4})。这些结果均拒绝等预测能力假设,统计上支持 Gamma 和 TS 优于 Poisson。
不过,样本外年份数量较少,DM 检验的有限样本可靠性需要谨慎对待。作者已经使用 Harvey–Leybourne–Newbold 小样本修正,但这只能缓解而不能完全消除小样本推断问题。
COVID-19 案例使用法国 1935 年出生男性队列,以 2001—2014 年作为训练期,并在 2015—2023 年进行样本外预测,其中 2015—2019 年是疫情前验证期,2020 年以后包含疫情冲击。
图5:COVID-19 期间的生存概率与预测误差
图5上半部分显示三种模型在训练期几乎重合,进入 2020 年后开始分叉。Poisson 绿色虚线在疫情期间明显偏离实际数据,且之后继续高估生存概率;Gamma 和 TS 曲线更接近观测路径。下半部分的预测误差图进一步显示,Poisson 在疫情期间的正误差迅速升至约 2%,而 Gamma 与 TS 的误差幅度明显较小。
表6显示,Poisson 样本外 MSE 为 (1.03\times10^{-4}),最大绝对误差为 2.09%;Gamma 和 TS 的 MSE 分别为 (2.03\times10^{-6}) 和 (1.89\times10^{-6})。因此,COVID-19 样本中 TS 略优于 Gamma,且二者都明显优于 Poisson。
表7进一步以 Poisson 为基准计算样本外 (R^2)。Gamma 和 TS 都将样本外 MSE 降低约 98%,相对 (R^2) 约为 98%。这意味着无限活动规格对该次疫情冲击的预测改善非常显著,但不能简单推导出它们一定能够预测下一次未知危机,因为该结果仍基于一个国家、一个队列和一个特定冲击事件。
COVID-19 样本外期只有少量年度观察值,因此作者没有使用 DM 检验,而改用 MSE 改善比例和最大绝对误差。这一处理在统计上较为审慎,但也意味着疫情部分缺少与二战案例完全相同的显著性检验框架。
第一,模型中的死亡率强度由 Gompertz 项加上 Brownian 和 Lévy 随机冲击构成,而 Brownian 或补偿后的 Lévy 扰动可能使 (\mu_t) 出现负值。作者在附录中明确指出,由于强度可能为负,不能直接使用生存概率必然处于 ([0,1]) 的简单一致界来证明生命年金价格收敛,因此需要额外的可积支配条件。
第二,Gamma 和 TS 的累积量存在有限的指数矩定义域。风险中性 Esscher 参数、Fourier 阻尼参数、核变换后的积分参数必须位于该定义域内,否则特征函数和价格公式可能失效。平方可积并不足以保证指数矩存在。
第三,风险中性测度并非唯一。Esscher 参数和 Brownian 风险价格需要外部市场数据或校准设定支持,而论文的实证部分主要校准物理测度下的生存路径,未展示风险中性参数如何由可交易长寿资产识别。因此,衍生品价格会受到测度变换假设的影响。
SVD 理论只保证积分均方收敛,不保证每个时点、每条路径或所有期限均一致收敛。因果投影还会破坏严格的矩阵秩结构,因此低秩误差、离散化误差和因果修正误差需要分别监控。
此外,数值测试使用 (N=160) 网格和特定风险参数、期限、折现曲线及执行价。表2、表3和图3显示的高精度是特定实验环境下的结果,不能自动外推到极长久期、极端 Esscher 参数、接近矩边界的 Gamma/TS 模型或更高频数据。
实证只使用法国男性的两个出生队列。二战与 COVID-19 都属于高度特殊的结构性冲击,样本外表现可能反映具体历史事件与法国人口结构,而非模型在一般环境下的普遍预测能力。
样本内不同规格的拟合效果相近,主要差异来自样本外表现,因此模型选择依赖有限的外推区间。对于 COVID-19,样本外只有 2015—2023 年少量年度观察值;对于二战,外推期也不长。虽然 DM 检验、MSE 和最大误差提供了支持,但还不足以完全建立跨国家、跨性别、跨年龄组的稳健结论。
这篇论文的核心贡献不是提出一种单纯更复杂的死亡率函数,而是把三种需求结合起来:用 Gompertz 结构描述年龄增长,用 Brownian motion 描述常规连续波动,用 fractional Lévy process 描述非高斯跳跃及长期记忆;然后通过条件累积量推导生存概率和长寿衍生品价格,并利用 SVD 把非 Markov 的 Volterra 结构降为有限维数值状态。
理论部分表明,只要 fractional Lévy 权重 (p_2) 非零且 (H>1/2),增量相关性按幂律衰减并具有 LRD;图1直观展示了 (H) 从 0.6 升至 0.9 后长期相关性显著增强。图2则表明,Hurst 参数、Lévy 参数、Brownian/fractional Lévy 权重和尺度参数对远期生存概率的影响远大于短期影响。
数值部分显示,Volterra 核的奇异值能量高度集中,前五至八个成分已经解释约 98%—99% 的核能量;表2和表3表明较低秩数值定价已能达到较高精度;图3则显示二阶残差修正能够在不增加随机状态维度的情况下进一步显著降低价格误差。
实证部分总体支持无限活动 Lévy 规格在结构性死亡率冲击下的优势:二战测试中 Gamma 在两个窗口均表现最佳,TS 优于 Poisson;COVID-19 测试中 TS 略优于 Gamma,二者相对 Poisson 都将样本外 MSE 降低约 98%。但这些证据应理解为法国男性两个队列上的压力测试结果,而不是对所有死亡率市场的无条件结论。
因此,作者总体立场是:忽略死亡率的长期依赖可能导致寿命、准备金和长寿风险对冲评估出现系统偏差;将 LRD 和非高斯冲击纳入随机死亡率模型,在理论上更符合经验特征,在数值上也可以通过 SVD 和残差修正实现可操作的衍生品定价。与此同时,模型的实际应用仍需特别关注风险中性测度选择、指数矩边界、负死亡率强度、有限样本校准以及跨人口外部验证等问题。
2609.21232.pdf