歡迎來到精算定價的核心！

各位未來的精算師，大家好！今天我們要深入探討 Exam FAM 中最重要的概念之一：未來損失隨機變數 (Future Loss Random Variables)。雖然「損失」這個詞聽起來有點嚇人，但在精算世界裡，這只是我們用來進行財務記錄的方式。你可以把它想像成單一保險或年金合約的資產負債表。

讀完這些筆記後，你將會明白保險公司是如何定義損失變數並計算保費，以確保在平均而言達致收支平衡或達到目標利潤。這是長期保險保障之保費與保單價值計算 (Premium and Policy Value Calculation for Long-Term Insurance Coverages) 的基石。


1. 什麼是未來損失隨機變數？

想像一下你是保險公司。當你銷售一份保單時，會發生兩筆現金流：
1. 你承諾在未來的特定日期，視乎生存或死亡情況支付保險金 (Benefits)（這是現金流出）。
2. 你會從保單持有人那裡收到保費 (Premiums)（這是現金流入）。

未來損失隨機變數通常記作 \(L\)（或在簽發時記作 \(_0L\)），是未來保險金（及費用，若有的話）的現值與未來保費的現值之間的差額：

基本公式：
\(L = PV(\text{未來保險金}) - PV(\text{未來保費})\)

比喻：把它想像成一個蹺蹺板。一端是公司欠下的款項之現值，另一端是客戶繳納的金額之現值。我們的目標是評估這些現金流在「今天」的平衡狀況。

快速回顧：
- 若 \(L > 0\)：該合約為保險公司帶來虧損（保險金的現值高於保費）。
- 若 \(L < 0\)：該合約為保險公司帶來利潤（保費的現值高於保險金）。


2. 等價原則 (The Equivalence Principle)

精算師如何決定「公平」的純保費？根據等價原則，保費的設定是在保單簽發時，未來損失隨機變數的期望值 (Expected Value) 剛好為零。

規則： \(E[L] = 0\)
這意味著：保險金的期望現值 = 保費的期望現值。

例子：終身壽險（連續型）
對於一份在死亡時刻支付 $1 且連續繳納保費率為 \(\bar{P}\) 的終身壽險保單：
\(L = v^T - \bar{P} \cdot \bar{a}_{\overline{T|}}\)
令 \(E[L] = 0\)：
\(E[v^T] - \bar{P} \cdot E[\bar{a}_{\overline{T|}}] = 0\)
\(\bar{A}_x - \bar{P} \cdot \bar{a}_x = 0 \implies \bar{P} = \frac{\bar{A}_x}{\bar{a}_x}\)


3. 未來損失變異數的「線性技巧」

計算未來損失的變異數 (Variance) 是 Exam FAM 的經典試題。對於標準的終身壽險保單，我們可以將 \(L\) 重寫為保險金現值 \(Z = v^{K+1}\) 的簡單線性函數。

對於離散型（全離散）終身壽險：

對於一份保額為 1 單位、在每年年初繳納平準年繳保費 \(P\) 的終身壽險保單：
\(L = v^{K+1} - P \ddot{a}_{\overline{K+1|}}\)
由於 \(\ddot{a}_{\overline{K+1|}} = \frac{1 - v^{K+1}}{d}\)，代入後可得：
\(L = v^{K+1} - P \left( \frac{1 - v^{K+1}}{d} \right) = \left(1 + \frac{P}{d}\right)v^{K+1} - \frac{P}{d}\)

變異數公式：

由於 \(Var(aX + b) = a^2 Var(X)\)，\(L\) 的變異數簡化為：
\(Var(L) = \left(1 + \frac{P}{d}\right)^2 \cdot [^2A_x - (A_x)^2]\)

當 \(P = P_x = \frac{A_x}{\ddot{a}_x}\) 時，請記住 \(1 + \frac{P_x}{d} = \frac{1}{d \ddot{a}_x} = \frac{1}{1 - A_x}\)。


4. 人壽保險保單的損失變數

\(L\) 的形式取決於保險金觸發條件和保障年期：

定期壽險 (Term Insurance)：

僅在保單持有人於 \(n\) 年內死亡時才支付保險金。生存期間最多繳納 \(n\) 年保費。
對於年繳保費為 \(P\) 的離散型 \(n\) 年期定期壽險：
- 若 \(K < n\)：\(L = v^{K+1} - P \ddot{a}_{\overline{K+1|}}\)
- 若 \(K \ge n\)：\(L = 0 - P \ddot{a}_{\overline{n|}} = -P \ddot{a}_{\overline{n|}}\)

生死合險 (Endowment Insurance)：

一份 \(n\) 年期生死合險在死亡當年的年底或在滿期第 \(n\) 年支付 1，以較早者為準：
\(L = v^{\min(K+1, n)} - P \ddot{a}_{\overline{\min(K+1, n)|}}\)
利用恆等式 \(\ddot{a}_{\overline{\min(K+1, n)|}} = \frac{1 - v^{\min(K+1, n)}}{d}\)，這同樣可以簡化為線性捷徑：
\(L = \left(1 + \frac{P}{d}\right) v^{\min(K+1, n)} - \frac{P}{d}\)
\(Var(L) = \left(1 + \frac{P}{d}\right)^2 [^2A_{x:\overline{n|}} - (A_{x:\overline{n|}})^2]\)


5. 年金合約的損失變數

未來損失隨機變數亦適用於人壽年金。這裡的現金流符號剛好相反：保險公司在年金領取人生存期間支付年金給付，資金來源為預先繳付的躉繳保費或定期保費。

躉繳終身期初年金 (Single Premium Whole Life Annuity-Due)：

假設一名年齡為 \(x\) 歲的年金領取人購買了一份終身年金，在其生存期間每年年初支付 $1，躉繳純保費為 \(\Pi\)。
支付保險金的現值為 \(Y = \ddot{a}_{\overline{K+1|}} = \frac{1 - v^{K+1}}{d}\)。
簽發時的未來損失為：
\(L = \ddot{a}_{\overline{K+1|}} - \Pi = \frac{1 - v^{K+1}}{d} - \Pi\)

應用等價原則：
\(E[L] = E[\ddot{a}_{\overline{K+1|}}] - \Pi = \ddot{a}_x - \Pi = 0 \implies \Pi = \ddot{a}_x\)

求該年金未來損失的變異數：
\(Var(L) = Var\left(\frac{1 - v^{K+1}}{d} - \Pi\right) = Var\left(-\frac{v^{K+1}}{d}\right) = \frac{1}{d^2} Var(v^{K+1}) = \frac{^2A_x - (A_x)^2}{d^2}\)

定期人壽年金 (Term (Temporary) Life Annuity)：

對於一份 \(n\) 年期定期期初年金，在生存期間每年年初支付 $1，最多支付 \(n\) 次，以躉繳保費 \(\Pi = \ddot{a}_{x:\overline{n|}}\) 支付：
\(L = \ddot{a}_{\overline{\min(K+1, n)|}} - \Pi = \frac{1 - v^{\min(K+1, n)}}{d} - \Pi\)
\(Var(L) = \frac{^2A_{x:\overline{n|}} - (A_{x:\overline{n|}})^2}{d^2}\)


6. 常見錯誤避雷區

1. 混淆連續型與離散型：務必檢查保費與保險金是離散支付（使用 \(d\)、\(\ddot{a}_x\) 和 \(K\)）還是連續支付（使用 \(\delta\)、\(\bar{a}_x\) 和 \(T\)）。
2. 忘記年金的線性關係：記住 \(\ddot{a}_{\overline{K+1|}} = \frac{1 - v^{K+1}}{d}\)。這可以直接將年金變異數轉換為保險的二階動差 \([^2A_x - (A_x)^2]\)。
3. 保費繳納時間：在離散模型中，確保保費繳納次數與死亡時間相符。如果受保人在第 \(K+1\) 年死亡，代表其剛好在時間點 \(0, 1, \dots, K\) 繳納了 \(K+1\) 次年繳保費。
4. 雙倍利息力：計算 \(^2A_x\) 時只需將利息力 \(\delta\) 加倍（或將貼現因子 \(v\) 替換為 \(v^2\)），同時保持死亡率不變。


7. 總結與重點

重點摘要：
- 未來損失 (\(L\)) = 保險金現值 - 保費現值。
- 等價原則：令 \(E[L] = 0\) 以計算純保費。
- 保險變異數：對於終身壽險與生死合險，\(Var(L) = \left(1 + \frac{P}{d}\right)^2 [^2A - (A)^2]\)。
- 年金變異數：對於躉繳期初年金，\(Var(L) = \frac{^2A - (A)^2}{d^2}\)。
- \(L\) 是由保單持有人的未來餘命（\(T_x\) 或 \(K_x\)）決定的隨機變數。