本文獻研究了在Cramér–Lundberg風險模型下，保險公司通過動態投資於風險資產與無風險資產，以最大化所有中間資本水平效用累積期望值的最優投資策略問題。 中文标题 資本水平全時域效用最優化：Cramér–Lundberg模型下的動態投資策略

《Decision Analytics Journal》：An optimal investment strategy for maximizing the expected value of utility accumulation across capital levels

本研究針對保險公司在Cramér-Lundberg風險模型下的資產配置難題，探討如何通過動態規劃和最優控制理論，構建一個最大化所有中間資本水平效用累積期望值的投資策略。研究證明了在正則條件下最優策略的存在性，推導並求解了對應的Hamilton–Jacobi–Bellman (HJB)方程，並通過數值模擬驗證了該策略能有效降低破產概率，為保險公司的風險管理和投資決策提供了理論工具和實證支持。

　　

在金融數學與精算科學的交匯處，保險公司的投資決策正面臨著一場複雜的博弈。傳統上，保險公司收取保費後，必須將資金進行投資以產生回報，確保有能力支付未來的賠付與負債。然而，保險業務本身充滿不確定性，如索賠發生的時間和金額都是隨機的。經典的Cramér–Lundberg集體風險模型正是描述這類風險的基礎框架，其中破產概率成為衡量公司財務穩健性的關鍵指標。但現實世界更加動態：金融市場的波動、利率的變化，都與保險風險緊密交織。以往的大量研究致力於在給定時間期限內，通過最優投資和/或再保險策略來最大化終端財富的期望效用。這種“只看終點”的視角，是否足以保障保險公司在整個運營期間的財務健康？畢竟，保險公司的投資組合持續暴露於市場敏感的金融工具中，維持所有中間時點的充足資本水平至關重要。如果只關注最終財富，可能忽略了在達到終點前就因資本耗盡而破產的風險。這正是José Cerda-Hernández、Anna Sikov和Alberto Ramos三位研究人員在《Decision Analytics Journal》上發表的論文所聚焦的核心問題：如何跳出傳統框架，為保險公司設計一種投資策略，不僅看終點，更要最大化在所有中間資本水平上效用累積的期望值，從而更全面地管理風險並提升財務韌性。

為了回答這個問題，研究團隊構建了一個融合保險風險與金融市場的綜合模型。他們採用經典的Cramér–Lundberg模型來描述保險業務的盈餘過程，其中保費收入以固定速率流入，而索賠則服從複合泊松過程。同時，金融市場被建模為經典的Black-Scholes框架，包含一種無風險債券和一種遵循幾何布朗運動的風險資產。研究人員假設保險風險過程（索賠過程）與金融市場過程（資產價格）相互獨立，並設定風險資產的預期回報率μ高於無風險利率r，這保證了投資風險資產存在正的風險溢價，是驅動投資決策的經濟基礎。在這個框架下，保險公司可以動態地將其盈餘的一部分π(X_t)投資於風險資產，其餘部分投資於無風險債券，從而形成一個受控的盈餘過程X_t^π。研究目標是從所有“可容許的”（即預測的、且策略僅依賴於當前盈餘的）投資策略集合中，找到最優策略π*，以最大化從時間0到破產時間τ^π與固定時間終點T兩者中較早者為止，效用函數φ(s, X_s^π)的積分的期望值。這裡的效用函數φ被假定為關於財富x遞增且凹的，反映了決策者的風險厭惡特性。本研究採用的主要關鍵技術方法包括：1. 隨機控制理論（Stochastic Control Theory, SCT）：為動態優化問題提供了核心框架，允許在連續時間內根據當前狀態（盈餘水平）做出最優決策。2. 動態規劃原理（Dynamic Programming Principle, DPP）：將多期優化問題分解為一系列單期問題，是求解隨機控制問題的經典路徑。3. Hamilton–Jacobi-Bellman (HJB) 方程：動態規劃原理導出的非線性偏微分積分方程，其解對應於最優值函數，並可用來反推最優策略。4. 驗證定理（Verification Theorem）：用於證明HJB方程的光滑解確實給出了原優化問題的解，從而確保理論結果的嚴謹性。5. 蒙特卡洛模擬（Monte Carlo Simulation）：用於數值驗證理論結果，比較採用最優投資策略與不投資策略下的破產概率行為，採用了帕累托（Pareto）和威布爾（Weibull）兩種索賠規模分佈進行測試。

研究人員通過嚴密的數學推導，得到了以下核心結果：

1. 問題表述與模型設定

研究首先明確了優化問題的數學形式。受控盈餘過程X_t^π服從一個包含漂移項（來自保費收入c、風險資產投資收益μπ(x)和無風險資產投資收益r(x-π(x))）、擴散項（來自風險資產的波動σπ(x)dW_t）和跳躍項（來自索賠-dQ_t）的隨機微分方程（SDE）。目標函數定義為期望效用累積V^π(x) = E[∫₀^T∧τπφ(s, X_s^π) ds | X₀^π=x]。最優值函數V(x)是對所有可容許策略π取上確界得到的。

2. 主要理論結果

命題3.1 證明了一個關鍵性質：在最優策略下，破產時間幾乎必然與索賠到達時間（即泊松過程的跳躍時間）之一重合。這簡化了後續分析，因為破產只可能發生在索賠發生的瞬間。

命題3.3 （驗證定理）是本研究的理論核心。它證明，如果一個足夠光滑的函數f(t,x)滿足對應的HJB方程（一個非線性的偏微分積分方程）及邊界條件f(t,0)=f(T,x)=0，那麼這個函數f就等於最優值函數V，並且可以通過求解HJB方程中的上確界問題來直接得到最優反饋策略π*(x)。該HJB方程的形式為：

φ(t,x) + λ∫_[0,∞)[f(t,x-z) - f(t,x)] dF_U(z) + sup_π∈∏^adL^πf(t,x) = 0，

其中L^π是包含f對時間的導數、對盈餘的二階導數（與投資波動有關）和一階導數（與投資漂移有關）的微分算子。

定理3.4 進一步在特定條件下（如效用函數為指數形式等），證明了最優投資策略π*(x)的存在性，並給出了其具體表達式。研究表明，在某些參數條件下，最優策略恰好對應於著名的默頓比率（Merton ratio），即投資於風險資產的比例是常數：(μ-r)/(σ²γ)，其中γ是風險厭惡係數。這與Merton (1969) 和 Browne (1995) 的經典結論一致，加強了本研究結果的穩健性。

3. 數值示例與模擬

為了驗證理論，研究者進行了蒙特卡洛模擬。他們比較了在採用最優投資策略（根據理論推導）和不進行任何投資（即全部持有無風險資產）兩種情形下，保險公司的破產概率隨初始資本x的變化。模擬中採用了帕累托分佈和威布爾分佈作為索賠規模分佈。結果清晰顯示，在整個初始資本範圍內，採用最優投資策略的破產概率曲線始終低於無投資策略的曲線。這直觀地證明了，通過動態最優投資，保險公司能夠有效降低其投資組合的整體風險暴露，從而顯著提升財務安全邊際。

研究的最後部分對全文進行了總結與討論。本研究的主要貢獻在於提出並解決了一個新穎的優化問題：最大化所有中間資本水平的期望效用累積，而不僅僅是終端財富效用。這更符合保險公司需要持續維持充足資本的實際需求。通過應用動態規劃原理和隨機控制理論，研究團隊嚴格推導了對應的HJB方程，並在正則條件下證明了最優策略的存在性。一個關鍵的理論聯繫被建立起來：能夠產生更高期望效用的策略，也對應著更低的破產概率。這在數值模擬中得到了驗證，最優投資策略顯著降低了破產概率。此外，研究發現，在某些經典條件下，最優策略退化為著名的默頓比率，這與金融經濟學的基本原理相符，也從側面印證了模型設定的合理性。這項研究為保險公司的資產負債管理和投資決策提供了一個有力的理論框架和實用工具。它使決策者能夠在考慮保險業務內生風險的同時，優化其在金融市場中的資產配置，從而實現風險與收益的更優平衡，增強公司在動態市場環境中的財務韌性與可持續經營能力。未來的研究可以考慮引入更複雜的市場模型（如隨機利率、多資產）、更一般的效用函數，或者將再保險策略也納入聯合優化的框架。