Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pablo Azcue
II MACI 2009
Rosario, 14 al 16 de Diciembre de 2009
Indice
1. Modelo: Cramr-Lundberg.
Procesos de Poisson.
Notacin de probabilidades.
Cmo calcular la prima p?
Descripcin del proceso de reserva. Ruina.
Un ejemplo.
Un proceso similar: colas en un procesador con buer.
2. Dividendos y problema de optimizacin.
Estrategias de pago de dividendos: estrategias predecibles y admisibles.
Funcin a maximizar.
Ejemplo: estrategia de barrera.
3. Solucin del problema.
Plan para resolverlo.
Ecuacin de Hamilton-Jacobi-Bellman.
Algunas propiedades de la funcin V .
Ecuaciones y estrategias.
Estrategias banda.
4. Problemas con la diferenciabilidad.
Soluciones viscosas.
Un ejemplo de solucin viscosa.
Solucin general del problema.
Como encontrar la funcin de valor V y a partir de ella la estrategia ptima.
Un ejemplo.
5. Problemas mas complicados: Reaseguro e Inversiones.
6. Apndice.
Formulacin del espacio de probabilidad.
Demostracin de resultados sobre procesos de Poisson.
Variables aleatorias. Procesos adaptados y predecibles.
7. Algunas referencias.
1. Modelo: Cramr-Lundberg.
Queremos modelizar la reserva de una Compaia de Seguros con una cartera de clientes constante. Suponemos que la compaia recibe un flujo constante de dinero de sus clientes (los
asegurados) y que con el dinero de su reserva esta paga los reclamos de sus asegurados.
Tanto los momentos en que recibe los reclamos como el monto de cada reclamo son variables
aleatorias. Intentamos describir cuales son las distribuciones de estas variables aleatorias.
Llamamos 1 < 2 < 2 < a los tiempos de los reclamos ordenados por orden de llegada,
y U1 , U2 , U3 , . . . a los tamaos de los correspondientes reclamos. Definimos Nt como la cantidad
de reclamos que se realizaron hasta tiempo t, es decir
Nt = max{i : i t}.
Los tiempos i y los tamaos Ui de cada reclamo son variables aleatorias y la cantidad Nt
es un proceso aleatorio.
1.5
1.0
0.5
U7
U4
U1
U2
0.0
t1
t2
U6
U3
t3
U8
U5
t4
t5
t6
5
t7
t8
Suposicion D Los tamaos de los reclamos son independientes entre si e independientes del momento en
que ocurren. Es decir, dados i, j N y a, b, t R, tenemos que
P (Ui a; Uj b) = P (Ui a) P (Uj b)
P (Ui a; j t) = P (Ui a) P ( j t).
Suposicin E Los tamaos de los reclamos estn identicamente distribuidos. Es decir, que dados i, j N
y a R, tenemos que
P (Ui a) = P (Uj a).
Las dos ltimas suposiciones nos dicen que las variables aleatorias Ui son i.i.d. (independientes e identicamente distribuidas), llamemos F (a) = P (U a). Notar que por la forma en que
definimos la funcin de distribucin, vale que F (0) = 0.
Las tres primeras suposiciones permiten caracterizar las probabilidades asociadas al proceso
estocstico Nt y a las variables aleatorias i : Nt es un proceso de Poisson de intensidad .
Bajo las suposiciones anteriores, el proceso
Yt =
Nt
P
Ui
i=1
P (Nt = k) =
(t)k t
e
k!
donde
= E(Ui ) =
El mtodo usual de calcular la prima es
R
0
a dF (a)
p = (1 + )
donde > 0 es el sobreprecio que los clientes le pagan a la compaia de seguros por hacerse
cargo del riesgo.
1.4. Descripcin del proceso de reserva. Ruina.
La reserva Xt de la compaia de seguros en el instante t, es
Xt = x + pt
Nt
P
Ui .
i=1
2.5
U4
2.0
U1
U2
U3
U5
1.5
U6
1.0
U7
0.5
t1
1 t
2
t3 2
t4 3
t5
t6 4
5 t = t H ruinaL
7
0 si a < 2000
5
si 2000 a < 40000
F (a) = P (U a) =
6
1 si a 40000
6
y, por lo tanto
= E(U ) =
R
0
a dF (a) = 2000
5
1
25 000
+ 40000 =
6
6
3
podemos ver nuevamente que p = (1 + ) = 25 3000 120 1.2 = 1200 000$ por mes.
Notar que usamos que la suma de dos procesos de Poisson es un nuevo proceso de Poisson
con intensidad igual a la suma de las intensidades, y el mismo resultado vale con los procesos de
Poisson compuestos, redefiniendo la nueva distribucin de forma adecuada, es esta la frmula:
F (a) =
1 F1 (a) + 2 F2 (a)
?
1 + 2
Nt
P
i=1
b
Ui , X}
donde x es la cantidad de memoria disponible en el momento inicial. El modelo de CramrLundberg coincide con el de un procesador con buer infinito.
Nt
P
i=1
Ui Lt
y el nuevo tiempo de ruina L depender de L. El juego est en que si uno paga muchos
dividendos al principio, la reserva de la compaia sera baja y la ruina vendr mas rpido,
perdiendo la posibilidad de seguir pagando los dividendos en el futuro.
Por lo tanto, definimos las funciones de valor
R L
VL (x) = E( 0 ecs dLs )
V (x) =
sup
VL (x).
L admisible
Queremos encontrar la funcin V y ver si hay una estrategia ptima L tal que
V = VL .
2.3. Ejemplo: estrategia de barrera.
Un ejemplo de estrategia admisible son las llamadas estrategias de barrera. Fijada una barrera
b, la estrategia Lb consiste en:
Si la reserva es mayor que b, pagar inmediatamente el monto que excede a como dividendos.
Si la reserva es igual a b, pagar la prima que se recibe como dividendos, de esta manera la
reserva se mantiene constante b hasta que llegue el prximo reclamo.
Si la reserva es menor que b, no pagar dividendos.
x + VL0R(0)
x + E( 0 1 ecs pds)
c 1
x + E(p 1ec )
p
c 1
)
x + c 1c E(e
R
1
1 ct
x + p(c c 0 e et dt)
= x + p 1c
p
= x + c+
1
c c+
x + (p a)t
si t 1
XtL =
x + (p a)t U1 si t = 1
10
Podemos escribir entonces, suponiendo que h es lo suficientemente pequeo para que x+(pa)t >
0 para t h,
R L
ecs dLs )
R L
R0h 1 cs
e dLs + h 1 ecs dLs )
= E( 0
R L
R h
= E( 0 1 ecs a ds + h 1 ecs dLs )
V (x) VL (x) = E(
c(h 1 )
1e
L
+ ec(h 1 )V (Xh
))
= E(a
c
1
1ech
ch
L
+ e V (Xh ) I{h < 1 })
= E( a c
c 1
+E( a 1ec
+ ec 1 V (XL1 ) I{h 1 })
ch
=
a 1ec
+ ech V (x + (p a)h P ({h < 1 })
ch
=
a 1ec
+ ech V (x + (p a)h eh
Rh
R
ct
+ 0 a 1ec + ect 0 V (x + (p a)t )dF () et dt
(3.1)
ch
(3.2)
V (x+(pa)hV (x)
0 a 1ech eh + e
h
R
R
ct
h
(c+)h
(x)
+ V (x) e h 1
= a 1ech eh + e(c+)h V (x+(pa)hV
h
R
R
ct
h
R
0 a + V 0 (x)(p a) (c + ) V (x) + 0 V R(x )dF ()
(3.4)
L(V )(x)
V (x )dF ()
1. L(V )(x) 0.
2. 1 V 0 (x) 0.
3. Si 1 V 0 (x) < 0 entonces el supremo se alcanza cuando a = 0.
Las dos primeras conclusiones se pueden escribir como
max{1 V 0 (x), L(V )(x)} 0,
11
si uno hace las comparaciones con estrategias mas sofisticadas, se llega a la conclusin que
max{1 V 0 (x), L(V )(x)} = 0.
(3.5)
Nos preguntamos cuales son las estrategias L que hacen que V L cumpla las ecuaciones V 0 = 1
o L(V ) = 0 en conjuntos abiertos y que haga que V L cumpla ambas V 0 (x) = 1 y L(V )(x) = 0
en un punto.
Si hacemos cuentas similares a (3.1), (3.2) y (3.3) pero con la estrategia L que consiste en
no pagar dividendos (a = 0) y continuar con esta misma estrategia, obtenemos que
Z
0 = pVL0 (x) (c + ) VL (x) +
VL (x )dF () = L(V )(x)
0
R
R L
E( 0 1 ecs dLs + 1 ecs dLs )
R 1 cs
E( 0 e pds + ec 1 V (x Ui ))
c 1
E(p 1ec
+ ec 1 V (x Ui ))
R
R 1ect
(p c + ectR 0 V (x )dF ( )et dt
0
c (1 +c ) + +c 0 V (x )dF (
12
V (x )dF ()
2.3
2.25
x
2
10
2.15
13
12
u Hx0L+pHx-x0 L
u HxL
p D+H u LHx0L
Super-diferenciales
u HxL
u Hx0L+pHx-x0 L
p D- Hu LHx0 L
Sub-diferenciales
Dado un operador L(u)(x) = f (x, u(x), u0 (x), u()), decimos que u es supersolucin de L(u) =
0 si
para todo p D (u)(x) vale que f (x, u(x), p, u()) 0,
decimos que u es subsolucin de L(u) = 0 si
para todo p D+ (u)(x) vale que f (x, u(x), p, u()) 0
y decimos que u es solucin viscosa de L(u) = 0 si es a la vez supersolucin y subsolucin.
Notar que
Si u tiene super y sub-diferenciales en un punto, entonces es diferenciable en ese punto.
Si u no es diferenciable en un punto, solo hay que hacer un test: o bien el de super-solucin
o bien el de subsolucin..
Una solucin clsica en tambin una solucin viscosa.
Las soluciones viscosas de L(u) = 0 y L(u) = 0 pueden ser diferentes.
4.2. Un ejemplo de solucin viscosa.
Buscamos que funciones Lipschitz u : [0, 1] R son soluciones viscosas de
1 |u0 (x)| = 0 con u(0) = u(1) = 0
Como u es Lipschitz, tenemos que es derivable para casi todo punto y en los puntos donde es
derivable su derivada es 1. Supongamos para simplificar que el grfico de u es una poligonal
16
0.0
0.2
0.4
0.6
0.8
1.0
si x 1/2
x
u(x) =
= Dist(x, [0, 1]C )
1 x si x > 1/2
0.0
0.2
0.4
0.6
Solucion viscosa
17
0.8
1.0
etc.), la funcin W tambin puede escribirse como solucin de una ecuacin diferencial
lineal con coeficientes constantes y por lo tanto tenemos frmula cerrada de W. En los
dems casos calculamos W por mtodos numricos.
Paso 2 Se puede probar que W 0 es positiva y limx W 0 (x) = . Tomamos x0 = arg min W 0 ,
y definimos
( W (x)
si x x0
W 0 (x0 )
V1 (x) =
W (x)
W 0 (x0 ) + (x x0 ) si x > x0 .
Esta es la funcin de valor de la estrategia con barrera x0 , (es decir, es la estrategia
inducida por los conjuntos A = {x0 }, B = (x0 , , ) y C = [0, x0 ) (y1 , x1 )), de hecho V1
es la mejor de todas las estrategias barrera (de una banda).
Si V1 es una solucin viscosa de la ecuacin, debe coincidir con V, y si no...
18
Paso 3 Buscamos la mejor de las estrategias dos bandas, para esto buscamos para cada y > x0 ,
una solucin de L(W )(x) = 0 con Wy (y) = V1 (x0 ) y definimos
V1 (x) si x y1
Vy (x) =
Wy (x) si x > y1
De todas estas Vy (x) habr una sola (con y = y1 )
Wy0 (x1 ) = min Wy0 = 1, definimos ahora
V1 (x)
Wy1 (x)
V2 (x) =
Wy1 (x1 ) + (x x1 )
si x y1
si x (y1 , x1 )
si x > x1
c+
p
f (0)
p
0.65
0.60
0.55
10
15
20
25
Grafico de W 0 (x)
obtenemos que x0 = 0 y la mejor estrategia barrera es la de barrera 0, es decir
V1 (x) = x +
p
= x + 2.12
c+
Se puede chequear que V1 no es una solucin viscosa de la ecuacin de HJB, y por lo tanto
debemos continuar un paso mas.
3. Buscamos, siguiendo el paso 3, la mejor de las estrategias de dos bandas: obtenemos que
y1 = 2.05 y x1 = 9.70 y la funcin de valor V2 tiene cmo grfico
VHxLx
2.35
2.3
2.25
x
2
2.15
Grafico de V2 (x) x
20
10
12
La figura de abajo muestra las funciones de valor de todas las estrategias dos bandas, y se
ve que V2 es la mayor
0.2
0.1
10
12
14
-0.1
-0.2
-0.3
V L (x) x
p
c+
4. Se puede probar que V2 es solucin viscosa de la ecuacin de HJB y entonces (por ser la
funcin de valor de una estrategia) debe coincidir con V.
Este ejemplo donde V no es diferenciable justifica de necesidad de introducir la
nocin de soluciones viscosas para resolver este problema.
6. Apndice.
6.1. Formulacin rigurosa del espacio de probabilidad.
Denotamos R+ = [0, ) y RN
+ es conjunto de sucesiones en R+ .
21
Dados un par (, F ) donde > 0 y F : R+ [0, 1] es una funcin no-negativa, creciente continua a derecha con lim F (x) = 1, definimos nuestro espacio filtrado de medida
x
<
para
i
<
j
y
lim
,
1 = = ( i )iN RN
i
j
i
+
i
k
T
(t)k t
P (Nt = k) = P1 (
Ai,t Aci+1,t ) =
e
k!
i=1
Nt (( i )iN ) = max{i : i t}
es un proceso de Poisson de intensidad .
2 es el espacio de sucesiones
,
2 = U = (Ui )iN RN
+
k
T
Q
P2 (
Bi,ai ) =
F (ai )
i=1
i=1
Finalmente la filtracin (Ft )t0 esta formada por las -lgebras Ft generada por las variables
aleatorias i y Ui con i t.
6.2. Demostracin del resultado sobre procesos de Poisson.
Definamos la funcin f : [0, ) [0, 1) como
f (t) = P ( 1 > t) = P (Nt = 0),
tenemos que,
22
P (Nt0 = 0)
P (Nt0 Nt0 /2 = 0; Nt0 /2 = 0)
P (Nt0 Nt0 /2 = 0) P (Nt0 /2 = 0)
P (Nt0 Nt0 /2 = 0) P (Nt0 /2 = 0)
f ( t20 )2
{ : Nt = k} = An Bn
donde Bn est incluido en el conjunto Cn de los = ( i )iN tal que Nt = k y hay por lo menos
dos i que estn contenidos en el mismo Ij,n .
Pero tenemos que
P (An ) =
y adems que P (Bn )
nk
k
t
t
n!
(t)k t
1 e n
e n
e
n
k!(n k)!
k!
0 pues P (Cn )
k=0
kP (Nt = k) =
k=0
(t)k1
P
(t)k t
= (t)
e
et = (t)
k!
k=0 (k 1)!
7. Algunas referencias.
El problema original fu introducido por De Finetti (1957) y resuelto como un lmite del problema
discreto asociado por Gerber (1969) quien introdujo el concepto de estrategia banda, la solucin
general de problema como menor solucin viscosa y el mtodo de encontrar las soluciones fue
presentada por Azcue & Muler (2005) para el problema original y el problema con reaseguro y
por Azcue & Muler (2010) para el problema con posibilidad de inversin.
El problema de minimizar la ruina fue resuelto por Hipp & Plum (2000) para inversin,
por Schmidli (2002) para inversin y reaseguro y por Azcue & Muler (2009) para inversin con
restriccines de endeudamiento.
El concepto de solucin viscosa fue introducido por Crandall, Lions & Evans (1983) y (1984).
Azcue P. and N. Muler (2005): Optimal reinsurance and dividend distribution policies
in the Cramer-Lundberg model. Math. Finance 15, 261-308.
Azcue P. and N. Muler (2009). Optimal investment strategy to minimize the ruin probability of an insurance company under borrowing constraints. Insurance: Mathematics and
Economics 44, 26-34.
Azcue P. and N. Muler (2010). Optimal portfolio and dividend distribution policies in an
insurance company. To appear in Annals of Applied Probability.
Crandall, M. G. and P. L. Lions (1983): Viscosity solution of Hamilton-Jacobi equations,
Trans. Amer. Math. Soc. 277, 1, 1-42.
24
25