1 模型的基本假設
大多數保費原理都具有正的安全負荷，常見的保費原理有期望值原理、指數保費原理、Esscher 保費原理、修正方差原理、條件尾期望保費原理、修正條件尾期望保費原理、Kamp 保費原理等。本文在相對差損失函數下得出了風險保費的信度估計和經驗Bayes 保費估計。
全文作如下假設，對隨機變量X 的函數求期望時，均假設該期望存在。
定義：對隨機變量X，若用a 來估計，損失函數為：
L（X，a）=（1—aX）2 （*）
稱上式為相對差損失函數。
定理1 若取損失函數（*），求解最優化問題
minP∈R E[L（X，P）]=minP∈R E（1—PX）2，
得到最優保費P= E（X—2）E（X—1）。
證記φ=E（1—PX）2，則墜φ墜P =2E （1—PX）（—1P X P ） ，
令墜φ墜P =0 得E（1X）=E（ PX2 ），
於是P= E（X—2）E（X—1），即得證。
根據定理1 保證了風險隨機變量X 最佳的估計是在相對差損失函數下給出的最優保費P，我們通常稱此種保費為聚合估計，記為H（X），此保費是在相對差損失函數下得到的。
給定風險參數Θ 的條件下，作以下假定：
假定1 風險參數Θ 可以識別非負隨機變量X，並且π（θ）是風險參數Θ 的先驗分佈。
假定2 給定Θ=θ，隨機列X1，X2，…，Xn 是獨立的，與X 是同分布的，並且有同樣的分佈函數FX （ x，θ），記Xn=（X1，X2，…，Xn），表示到時刻n 為止的索賠經歷。
2 風險保費的估計
定理2 如果已知風險參數Θ，那麼我們就能用一個函數P（θ）來預測Xn+1 （未來的索賠），在相對差損失函數（*）下，求解：
minP（θ）E[L（Xn+1，P（θ））|θ]=minP（θ）E[（1— P（θ）Xn+1）2|θ]，得到P（θ）= E（X—2n+1）E（X—1n+1）。證記ψ=E[（1— P（θ）Xn+1）2|θ]，則墜ψ墜P =E 2（1— P（θ）Xn+1）（—1Xn+1P ）|θ P，令墜ψ墜P=0，定理即得證。
函數P（θ）通常叫做風險隨機變量X 的風險保費，在實際問題中因為風險參數是未知的，所以保費P（θ）也是不知道的，因此可以通過樣本估計P（θ）。
當n=0 時，也就是索賠樣本沒有的情況下，這時的風險保費P（θ）我們可以通過一個實數P 來估計，要讓相對差損失函數（*）達到最小，也就是下面最優化的問題：
minP∈R E[L（P（θ），P）]=minP∈R E（1— P（θ）PP ） P 2 ，得到P= E[P—2（θ）]E[P—1（θ）]。通過觀察風險X 的'索賠樣本Xn，就需要根據樣本的一個函數來構造風險保費估計。記表示樣本Xn 所有的可測函數構成的一個集合，在這個集合中，我們考慮最小化的問題：
H1 （ Xn）= minH（Xn）∈E[L（P（θ），H（Xn））]= minH（Xn）∈E 1— H（Xn）θ P（θ） θ2 P P（1）
定理3 最優化（1）式，得到最優預測為H1 （ Xn ）= E[P—（1 θ）]E[P—（2 θ）]，稱H1 （ Xn ）為相對差損失函數（*）下的Bayes 保費。
證由Bayes 定理可知，最優化（1）式只需在後驗分佈下達到最小，
記ψ=E 1— H（Xn）θ P（θ） θ2| Xn P P，
令墜ψ墜H=0，得到下面的正規方程：
E 2 1— H（Xn）θ P（θ） θ— 1θP（θ）θ| Xn P P=0，化簡後定理即得證。H1 （ Xn）是風險保費在相對差損失函數（*）下最優的估計，這裏我們稱之為Bayes 估計。在一些分佈的假定下，Bayes 估計可以得到更加簡單的式子，但是一般來説Bayes 估計H1 （ Xn）的表達式都會複雜，甚至有些可能根本沒有顯示函數的形式。我們看下面的例子。
例設X1，X2，…，Xn，Xn+1 在風險參數Θ=θ 給定時為獨立同分布的隨機變量，且Xi ~ U（1，θ），θ ~ U（2，3），則f（X| Θ）= 1θ—1，π（θ）=1，
那麼，風險保費為
P（θ）= E[X—2| Θ]E[X—1| Θ] =θ1 乙x—2f（X|θ）dxθ1 乙x—1f（X|θ）dx= 1—θθlnθ，
而π（θ| Xn）=（1—n）（θ—1）—n2—n+1 ，
因此Bayes 估計為H1 （ Xn）= E[P—（1 θ）]E[P—（2 θ）]= 2—n+1（1—n）32 乙（θ—1）—n+1θlnθdθ。
3 結論
本文研究了相對差保費原理下風險保費的信度估計問題。 利用了損失函數法， 將相對差保費原理定義為相對差損失函數下風險的最優估計。 利用保費計算原理，引入相對差損失函數得到了下一期的信度保費計算公式，從而得出Bayes 保費。
文萃咖
