双币种市场中保险人的最优投资策略：随机控制分析

目录

1. 引言

本文旨在填补精算风险管理文献中的一个关键空白：探讨在多个货币市场运营的保险公司的最优投资策略。传统模型通常将保险人局限在单一货币领域，忽视了全球化金融的现实。作者周和郭将经典的克拉默-伦德伯格盈余模型扩展至双币种环境，并引入由奥恩斯坦-乌伦贝克过程建模的随机汇率动态。主要目标是在时间终点最大化保险人终端财富的期望指数效用，这是金融领域中常见的风险厌恶准则。

2. 模型框架

2.1 盈余过程

保险人的盈余过程 $R(t)$ 采用经典克拉默-伦德伯格模型的扩散近似进行建模： $$dR(t) = c dt - d\left(\sum_{i=1}^{N(t)} Y_i\right) \approx \mu dt + \sigma_R dW_R(t)$$ 其中，$c$ 是保费率，$\mu$ 是漂移项，$\sigma_R$ 代表来自索赔过程的波动率，由布朗运动 $W_R(t)$ 近似。

2.2 投资资产

保险人将其财富分配于：

1. 一个本国无风险资产（例如，政府债券），具有恒定利率 $r_d$。
2. 一个外国风险资产（例如，外国股票指数），具有随机回报过程。以外币计价的回报被建模为几何布朗运动。

关键变量是投资于外国风险资产的财富比例 $\pi(t)$。

2.3 汇率动态

一个核心创新点是将汇率 $S(t)$（每单位外币对应的本币金额）建模。其瞬时平均增长率 $\theta(t)$ 遵循一个奥恩斯坦-乌伦贝克过程： $$d\theta(t) = \kappa(\bar{\theta} - \theta(t))dt + \sigma_\theta dW_\theta(t)$$ $$dS(t) = S(t)[\theta(t)dt + \sigma_S dW_S(t)]$$ 其中，$\kappa$ 是均值回归速度，$\bar{\theta}$ 是长期均值，$W_\theta(t)$ 和 $W_S(t)$ 是相关的布朗运动。这捕捉了汇率呈现均值回归和随机漂移的特征事实，受到通胀差异和利差等因素的影响。

3. 优化问题

3.1 目标函数

保险人旨在最大化在时间 $T$ 的终端财富 $X(T)$ 的期望指数效用： $$\sup_{\pi(\cdot)} \mathbb{E}\left[ -\frac{1}{\gamma} e^{-\gamma X(T)} \right]$$ 其中 $\gamma > 0$ 是恒定的绝对风险厌恶系数。财富过程 $X(t)$ 的演变基于盈余、投资回报和汇率转换。

3.2 哈密顿-雅可比-贝尔曼方程

运用动态规划，价值函数 $V(t, x, \theta)$ 被定义为从时间 $t$ 开始，在财富为 $x$、汇率漂移为 $\theta$ 的条件下，期望效用的上确界。相关的 HJB 方程是一个非线性偏微分方程： $$\sup_{\pi} \left\{ V_t + \mathcal{L}^{\pi} V \right\} = 0$$ 终端条件为 $V(T, x, \theta) = -\frac{1}{\gamma}e^{-\gamma x}$。这里，$\mathcal{L}^{\pi}$ 是受控财富过程的无穷小生成元，包含了来自盈余、资产回报和汇率动态的项。

4. 解析解

4.1 最优投资策略

作者以反馈形式推导出最优投资策略 $\pi^*(t)$。它是当前状态变量的函数，特别是随机汇率漂移 $\theta(t)$ 和风险厌恶系数 $\gamma$。 $$\pi^*(t) = \frac{1}{\gamma \sigma_S^2} \left( \theta(t) - r_d + r_f + \rho_{S\theta}\sigma_S\sigma_\theta \frac{V_\theta}{V_x} \right)$$ 其中 $r_f$ 是外国无风险利率，$\rho_{S\theta}$ 是汇率价格与其漂移之间的相关系数，$V_x$ 和 $V_\theta$ 是价值函数的偏导数。该策略由一个短视成分（第一项）和一个针对汇率漂移波动的对冲成分（第二项）组成。

4.2 价值函数

通过指数效用问题中常见的试探法，推测价值函数具有可分离形式： $$V(t, x, \theta) = -\frac{1}{\gamma}\exp\left\{-\gamma x e^{r_d (T-t)} + A(t) + B(t)\theta + \frac{1}{2}C(t)\theta^2 \right\}$$ 将其代入 HJB 方程，将 PDE 简化为关于函数 $A(t)$、$B(t)$ 和 $C(t)$ 的常微分方程组，这些方程可以数值求解，或在特殊情况下解析求解。

5. 数值分析

本文进行了数值分析以说明最优策略的特性。关键参数校准至现实值：$\gamma=2$，$r_d=0.03$，$r_f=0.01$，$\kappa=0.5$，$\bar{\theta}=0.02$，$\sigma_S=0.15$，$\sigma_\theta=0.05$。分析可能展示：

1. 对汇率漂移 ($\theta$) 的敏感性：随着 $\theta(t)$ 增加（预期外币升值），分配给外国风险资产的最优配置 $\pi^*(t)$ 增加。
2. 风险厌恶 ($\gamma$) 的影响：更高的 $\gamma$ 导致更保守的策略，减少了 $\pi^*(t)$ 的幅度。
3. 均值回归速度 ($\kappa$) 的效应：更高的 $\kappa$（更快的均值回归）降低了对冲需求成分，因为 $\theta(t)$ 偏离其均值的预期是短暂的。

6. 核心洞见

• 双币种对冲：最优策略本质上对冲了货币风险。它不仅仅是寻求更高的海外回报，而是动态管理对随机汇率漂移的风险敞口。
• 随机漂移的作用：将汇率漂移建模为 OU 过程增加了一个状态变量。最优策略不仅取决于当前汇率，还取决于估计的潜在趋势 ($\theta(t)$)，后者更具持续性。
• 关注点分离：指数效用导致了一种分离，使得最优投资金额独立于保险人当前的财富水平，这是 CARA 效用函数的经典结果。
• 实际实施挑战：该策略要求对不可观测过程 $\theta(t)$ 进行连续估计，可能需要使用滤波技术（例如，卡尔曼滤波器）对观测到的汇率数据进行处理。

7. 核心分析师见解

核心见解： 本文不仅仅是一个数学练习；它是对许多保险公司仍普遍采用的短视、单一货币资产负债管理的正式反驳。通过严谨地整合一个均值回归的随机汇率漂移，周和郭揭示了假设恒定或确定性货币趋势所蕴含的显著模型风险。他们的研究表明，忽视汇率基本面（如本文正确强调的通胀差异）的时变性会导致次优的资本配置和低估的尾部风险。

逻辑脉络： 逻辑是优雅的：(1) 从一个稳健的保险盈余模型（克拉默-伦德伯格扩散）开始。(2) 通过添加外国资产来承认全球投资现实。(3) 关键的是，拒绝使用简单的几何布朗运动来建模汇率，而是采用金融意义上合理的 OU 过程来建模其漂移。(4) 应用随机控制工具（HJB）推导出最优反馈律。这个链条是强大的，但其最薄弱的环节是索赔的扩散近似，这平滑了跳跃风险——保险的核心风险。

优势与缺陷： 优势： 该模型的主要优势在于其可处理性，从而得出封闭形式的见解。分离结果对于与非量化高管沟通非常有力。纳入随机汇率漂移是超越Browne (1995) 或 Wang (2007) 等模型的有意义的一步。引言中与经济基本面（通胀、国际收支）的联系使数学立足于现实。 缺陷： 房间里的大象 是假设保险索赔具有完美相关的扩散近似。正如Asmussen & Albrecher (2010) 等基础文献所指出的，这否定了保险人赖以管理的跳跃/破产风险。该模型还假设无摩擦交易且无约束（如保险公司常见的卖空限制），限制了其直接的实际应用。与近期金融科技文献中看到的用于汇率预测的机器学习驱动方法（例如，使用 LSTM 或 Transformer）相比，OU 过程虽然优雅，但可能过于简单，无法捕捉复杂的机制转换行为。

可操作的见解： 1. 对于保险公司 CFO 和 CRO： 要求你们的资产负债管理模型纳入随机货币风险溢价，而不仅仅是波动的即期汇率。本文提供了蓝图。 2. 对于量化分析师： 将此框架用作基准。下一步是将核心思想——对冲随机汇率漂移——嵌入更现实的设定中：例如，在跳跃扩散盈余（如Yang & Zhang (2005)）、监管约束（偿付能力 II / ICS）下，或涉及多个相关外币的情况。 3. 对于软件供应商： 实时估计潜在状态 $\theta(t)$ 的需求，为将卡尔曼滤波或粒子滤波模块集成到资金和风险管理系统中提供了直接的商业案例。 本质上，本文提供了一个关键的理论升级。现在的责任在于行业界在更稳健、计算更先进且受监管的框架内实施其见解。

8. 技术细节与数学框架

完整的受控财富过程动态为： $$dX(t) = [X(t)r_d + \pi(t)X(t)(\theta(t) + \alpha - r_d) + \mu]dt + \pi(t)X(t)\sigma_S dW_S(t) + \sigma_R dW_R(t)$$ 其中 $\alpha$ 是外国风险资产以其本币计价的超额回报。布朗运动 $(W_R, W_S, W_\theta)$ 之间的相关结构至关重要。通常，可以假设 $W_R$ 独立于 $(W_S, W_\theta)$，而 $dW_S(t)dW_\theta(t) = \rho_{S\theta}dt$。

HJB 方程变为： $$0 = \sup_{\pi} \{ V_t + [x r_d + \pi x (\theta + \alpha - r_d) + \mu]V_x + \kappa(\bar{\theta}-\theta)V_\theta + \frac{1}{2}(\pi^2 x^2 \sigma_S^2 + \sigma_R^2)V_{xx} + \frac{1}{2}\sigma_\theta^2 V_{\theta\theta} + \pi x \rho_{S\theta}\sigma_S\sigma_\theta V_{x\theta} \}$$ 对上确界的一阶条件产生了第 4.1 节中给出的 $\pi^*$ 表达式。

9. 实验结果与图表描述

虽然提供的 PDF 摘录未包含具体图表，但针对此模型的标准数值分析可能包括以下图表：

1. 最优配置 vs. 汇率漂移 ($\theta$)：一条正斜率的线或曲线，显示 $\pi^*$ 随 $\theta(t)$ 增加而增加。不同的线代表不同的风险厌恶水平 ($\gamma$)，$\gamma$ 越低，斜率越陡。
2. 动态路径模拟：一个多面板图表，显示随时间变化的模拟路径：
   • 围绕 $\bar{\theta}$ 均值回归的 OU 过程 $\theta(t)$。
   • 相应的最优投资比例 $\pi^*(t)$ 对 $\theta(t)$ 变化的反应。
   • 由此产生的保险人财富路径 $X(t)$ 与基准（例如，仅投资于本国资产的策略）的比较。
3. 对均值回归速度 ($\kappa$) 的敏感性：一张图表显示 $\pi^*(t)$ 的波动性或范围随着 $\kappa$ 的增加而减小，因为针对 $\theta$ 变化的对冲动机减弱。

从这些图表中得到的关键启示是策略的主动、状态依赖性质，与静态的战略资产配置形成对比。

10. 分析框架：一个简化案例研究

场景： 一家日本非寿险公司，年盈余漂移 ($\mu$) 为 50 亿日元，波动率 ($\sigma_R$) 为 20 亿日元。它考虑投资于美国股票 ETF（外国风险资产）。

参数假设（示例性）：

• 日元无风险利率 ($r_d$)：0.1%
• 美元无风险利率 ($r_f$)：2.5%
• 美元股票超额回报 ($\alpha$)：4%
• 当前美元/日元漂移估计 ($\theta(t)$)：-1%（预期日元走强）
• 汇率波动率 ($\sigma_S$)：12%
• 保险人风险厌恶系数 ($\gamma$)：1.5

框架应用：

1. 估计状态： 保险公司的资金部门使用卡尔曼滤波器对近期美元/日元数据进行处理，估计当前 $\theta(t)$ 为 -1%。
2. 计算短视需求： $(\theta + \alpha - r_d) / (\gamma \sigma_S^2) = (-0.01 + 0.04 - 0.001) / (1.5 * 0.12^2) \approx 0.029 / 0.0216 \approx 1.34$。这表明基于即时风险回报的配置比例为 134%。
3. 调整对冲需求： 对冲成分（涉及 $V_\theta/V_x$）在 $\theta$ 低于其长期均值时（如果 $\bar{\theta}$ 为 0%）可能为负，从而减少最终配置。假设它使配置减少 0.5。
4. 最终策略： $\pi^* \approx 1.34 - 0.5 = 0.84$。模型建议将可投资财富的 84% 投资于美国股票 ETF，这是一个考虑了预期日元走强的显著但带有杠杆的头寸。

此案例突显了该模型如何根据货币观点动态调整，与静态的 60/40 投资组合不同。

11. 应用前景与未来方向

直接应用：

• 全球保险公司的战略资产配置： 该模型为动态 SAA 框架提供了量化基础，该框架明确将货币风险建模为随机漂移，从而改进了恒定混合策略。
• 资产负债管理系统增强： 风险技术提供商（例如，穆迪分析、彭博）可以将此类随机控制逻辑集成到其针对保险公司的资产负债管理模拟引擎中。

未来研究方向：

1. 纳入跳跃与破产概率： 最关键的扩展是将此框架与跳跃扩散或纯跳跃盈余过程相结合，以研究其对最优投资和最小化破产概率的影响，这是保险人的首要目标。
2. 监管约束： 施加约束条件，如禁止卖空 ($0 \le \pi(t) \le 1$)、杠杆限制或偿付能力 II 资本金要求约束，将使模型更具实用性。这将导致变分不等式和自由边界问题。
3. 用于状态估计的机器学习： 用通过循环神经网络从高频经济数据中学习到的漂移过程替代 OU 过程，可以捕捉更复杂的依赖关系。
4. 多币种与多资产： 将模型扩展到包含 $n$ 种外国货币和 $m$ 种风险资产，导致高维 HJB 方程，或许可以通过深度强化学习方法求解，正如近期投资组合优化文献中所探索的。
5. 实证验证： 一项全面的回测研究，比较该策略与过去 20 年一组全球保险公司的标准基准的表现。

12. 参考文献

1. Browne, S. (1995). Optimal Investment Policies for a Firm with a Random Risk Process: Exponential Utility and Minimizing the Probability of Ruin. Mathematics of Operations Research, 20(4), 937-958.
2. Yang, H., & Zhang, L. (2005). Optimal Investment for Insurer with Jump-Diffusion Risk Process. Insurance: Mathematics and Economics, 37(3), 615-634.
3. Schmidli, H. (2002). On Minimizing the Ruin Probability by Investment and Reinsurance. The Annals of Applied Probability, 12(3), 890-907.
4. Asmussen, S., & Albrecher, H. (2010). Ruin Probabilities (2nd ed.). World Scientific.
5. Wang, N. (2007). Optimal Investment for an Insurer with Exponential Utility Preference. Insurance: Mathematics and Economics, 40(1), 77-84.
6. Bai, L., & Guo, J. (2008). Optimal Proportional Reinsurance and Investment with Multiple Risky Assets. Insurance: Mathematics and Economics, 42(3), 968-975.
7. Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS), 27. （作为适用于未来扩展的高级机器学习方法示例）。
8. Bank for International Settlements (BIS). (2023). Triennial Central Bank Survey of Foreign Exchange and Over-the-counter (OTC) Derivatives Markets. （关于外汇市场结构的权威来源）。