王秀莲
- 作品数：23 被引量：15H指数：2
- 供职机构：天津师范大学数学科学学院更多>>
- 发文基金：国家自然科学基金博士科研启动基金天津市教委科研基金更多>>
- 相关领域：理学文化科学经济管理更多>>
- 基于Ornstein-Uhlenback类模型的最优分红
- 2015年
- 首先,基于Ornstein-Uhlenback类模型获得了其边界期望折现分红总额满足的二阶微分方程;然后,根据初始资金的不同,求出相应分红总额满足的显示表示;最后,确定了最优分红情况下的分红边界.
- 张娜王秀莲
- 一类Omega模型的期望折现罚金函数
- 2016年
- 在经典风险模型的基础上,根据公司盈余的正负不同收取不同的保费,考虑期望贴现罚金函数。首先,通过全概率公式得到了实质性破产时间的期望折现罚金函数满足的积分微分方程。在索赔分布函数为指数函数时导出了期望折现罚金函数满足的微分方程。最后,在罚金函数为指数函数时选取常见的三种破产率函数,将微分方程变化为库默尔方程,得出期望折现罚金函数具体的表达式。
- 周颖王秀莲
- Ornstein-Uhlenbeck投资模型下相关索赔的鲁棒最优再保险投资策略
- 2023年
- 在一般扩散模型的基础上研究Ornstein-Uhlenbeck(OU)投资模型下相关索赔的鲁棒最优再保险投资问题.采用损失相关保费准则,假设保险公司在购买比例再保险的同时进行无风险投资和风险投资.在最大化终端财富期望效用的目标下,结合决策者的模糊厌恶情况,利用随机最优控制方法,得到了鲁棒最优再保险投资策略和最优值函数的显式解.通过数值算例研究相关索赔及模型的鲁棒性对最优策略的影响.
- 王婕王秀莲
- 关键词：ORNSTEIN-UHLENBECK过程
- 席位分配问题的相对尾数法被引量：6
- 2007年
- 研究席位分配的公平性,给出了席位分配问题的一个新方法——相对尾数法,并在两部门情形下证明了该方法满足Young的两条公理,对多部门的情形,通过算例表明了其可行性和有效性.
- 王秀莲
- 关键词：席位分配
- 一类马氏到达过程的实质破产问题
- 2016年
- 破产问题是金融保险研究的重要问题之一。针对Markov到达过程环境下的破产模型,考虑了它的实质破产问题。根据索赔发生,实质破产发生和环境状态改变3个因素,利用重期望公式得到Markov环境中在不同初始盈余下实质破产所满足的积分微分方程。进一步求得了一维环境状态与二维环境状态时带有破产率函数的实质破产概率表达式,并且给出了常值破产率函数下的实质破产概率与特殊数值解。
- 高嘉卉王秀莲
- 关键词：破产概率
- 索赔额服从混合指数分布的一类期望折现罚金函数
- 2018年
- 基于经典风险模型,针对指数索赔间隔和混合指数索赔额的情况,研究关于实质破产的期望折现罚金函数.首先,利用全概率公式得到期望折现罚金函数满足的积分微分方程;然后,在索赔额为混合指数分布的情况下推导出期望折现罚金函数满足的微分方程,进而针对常数破产率函数,得到期望折现罚金函数的具体表达式.
- 邵晶晶王秀莲邹华
- 关键词：混合指数分布
- 索赔服从伽马分布的经典风险模型的破产概率被引量：1
- 2016年
- 针对连续时间的经典风险模型,当索赔变量服从伽马分布时,根据对Lundberg基本方程的求解,得到了罚金函数为指数形式的期望贴现罚金函数的表达式,从而得出了相应的破产概率.
- 高嘉卉王秀莲
- 关键词：经典风险模型罚金函数破产概率
- 复合泊松风险模型中观察间隔为均匀分布时的贴现罚金函数被引量：1
- 2014年
- 考虑审核时间间隔为均匀分布的期望贴现罚金函数,利用全概率公式和拉普拉斯变换,给出贴现罚金函数满足的积分微分方程以及更新方程.针对指数索赔的情况给出了期望贴现罚金函数的计算过程.
- 李野默王秀莲
- 关键词：均匀分布
- 基于Legendre变换的最优再保险投资策略
- 2022年
- 针对保险公司终端财富最大化的最优再保险投资策略问题,分别考虑了费率定价过程服从相关索赔保费原则和无相关索赔保费原则两种情况。对目标函数的初始问题通过Legendre变换转化为对偶问题,在对数效用函数目标下,得到最优再保险投资策略的解析式。通过实例分析展现了相关参数对最优策略的影响。
- 陈子旸王秀莲
- 关键词：LEGENDRE变换比例再保险
- 投资-混合再保险模型下绝对破产概率最小化
- 2022年
- 考虑投资混合再保险的扩散渐近模型,在现有破产概念的基础上,定义了新的绝对破产的概念,将绝对破产概率定义为所要研究的值函数,推导出值函数对应的HJB(Hamilton-Jacob-Bellman)方程,通过控制区域,分别进行求解,得到投资、再保险的最优策略,进而得出最优值函数的显示解.最后,通过数值分析探讨了在最优策略下比例再保险对超额索赔再保险的影响.
- 曹琪王秀莲
