负相依索赔条件下关于复合更新风险模型的精细大偏差

研究不独立、不同分布的精细大偏差问题,其中假设{Xn,n≥1}是一列负相依的随机变量序列,{Fn,n≥1}为其对应的分布函数列.在满足一定的条件下,重点解决非随机和的精细大偏差的下限问题,得到相对应的随机和的一致渐近结论,并将所得结论应用到更为实际的复合更新风险模型中,验证了其理论与实际价值.     

负相依索赔下更新风险模型的精细大偏差

研究了基于客户到来的更新风险模型,该风险模型中假设索赔额序列是负相依不同分布的重尾随机变量序列,则在索赔额服从D∩L族的条件下,得到了损失过程的精细大偏差.     

相依计数变量风险模型的大偏差

考虑每期索赔计数变量之间基于泊松AR(1)相依结构的离散风险模型, 利用特征函数的唯一性, 得到了其累积索赔总额的概率分布等价形式, 并建立了重尾索赔下索赔总额的精细大偏差.     

一类风险模型的精细大偏差

考虑一类重尾索赔条件下带干扰项的双险种风险模型,当索赔到达过程为一般非负整值过程,索赔额的分布属于重尾分布C族时,利用分析和概率方法得到了索赔剩余过程的精细大偏差.     

基于投保过程的风险过程的精细大偏差

提出了一个基于投保过程的风险模型.在索赔额为重尾分布假设条件下研究了损失过程的精细大偏差.     

一类具有宽下限相依结构的索赔时间间隔分布的更新风险过程

研究一类特殊的更新风险过程,其索赔时间间隔服从宽下限相依分布、在索赔额序列为负相依同分布的重尾随机变量属于L∩D族的假设下,得到了有限时间破产概率的一致渐近性.     

一类带有广义负上限相依索赔额的风险过程大偏差

构造了一类具有多类独立保单的风险模型。 对每类保单,在索赔额为广义负上限相依(extended negatively upper orthant dependent,ENUOD)且服从重尾分布的假设下,分别得到了该模型损失过程的部分和及随机和的大偏差结果。     

负相依重尾索赔条件下损失过程的精细大偏差

建立了一个基于客户来到过程的风险模型,其中不同客户发生实际索赔的概率不同.假设索赔额为负相依同分布的随机变量序列,在索赔额分布属于C族的条件下,得到了损失过程的精细大偏差.     

时间相依的二维风险模型的折扣累积索赔的渐近性

考虑了带利率的二维更新风险模型。假设索赔额和索赔到达间隔时间都是独立同分布的随机变量,并且它们之间具有某种相依结构。当索赔额分布是次指数分布时,获得了折扣累积索赔向量的渐近性,并且发现此渐近结果会受到索赔额和索赔到达间隔时间之间相依结构的影响。     

索赔盈余风险模型中精确大偏差

考虑了控制变化族(D族)上索赔过程与保费过程构成的索赔盈余风险模型,研究了此风险模型中带相依关系的随机变量的非随机和与随机和的尾概率渐近问题,利用求相依不同分布的随机变量的非随机和与随机和的精确大偏差方法,得到了带上延拓负相依和混合相依关系的不同分布的随机变量构成的索赔风险模型中的非随机和与随机和的精确大偏差渐近的结论,最后建立了索赔盈余风险模型中精确大偏差的渐近公式.     

多重延迟复合更新风险模型中的局部破产概率

给出多重延迟复合更新风险模型及最终破产概率和生存概率,并对F∈S*和F∈Sd(γ)两个不同的重尾族,得到相应背景下的局部破产概率的渐近表达式.     

有限次索赔时间间隔服从不同分布的复合更新风险模型下的破产概率

讨论了更具一般意义的复合更新风险模型下的破产概率,在假定索赔分布属于重尾分布族和服从不同分布的索赔时间间隔为有限的前提下,得到了所期望的破产概率的尾等价式．这一结果恰与经典的Cramfir-Lunderg模型下的结论一致．     

带负相依控制变化尾的双边随机变量和的精致大偏差

得到了带负相依双边控制变化尾分布的随机变量的和的精致大偏差结果,把Tang关于E和Wang等关于NAr．v．s的结果分别推广到D和NDr．v.s．     

重尾索赔下变保费率干扰风险模型的大偏差

考虑一类重尾索赔下变保费率带干扰项的风险模型,当索赔到达过程为一般非负整值过程,索赔额的分布属于重尾分布一致变化族时,利用分析和概率的有关理论得到了索赔剩余过程的精细大偏差,从而推广了文献[Wei X,YuJ,Hu Y.Large deviations and finite time ruin probability for perturbed risk with variable premium rate.Acta Mathematical Scientia,2007,27(4):616-623]中有关结论.     

一类带马氏切换的扩散过程的大偏差速率函数

给出了{(Xε(t),Z(t));ε0,t∈[0,T]}的大偏差速率函数。Xε(t)满足下面的随机微分方程:{dXε(t)=εσ(Xε(t))dB(t)+b(Xε(t),Z(t))dt,Xε(0)=x。{Z(t),t∈[0,T]}是n个状态的马氏链。