2. 保险精算基础
保险精算的本质，是把“未来不确定的损失”转化为“当下可定价、可计提、可管理的现金流”。这一转化过程依赖四块基石：对风险与不确定性的刻画、大数法则提供的稳定性、概率论与数理统计提供的量化工具，以及利息理论提供的跨时间换算规则。本章围绕这四块基石展开，帮助学习者建立从“风险事件”到“保费与准备金”的完整思维链条。
一、核心原理：风险、不确定性与可保性
风险与不确定性常被混用，但在精算语境中二者有明确区别。不确定性指结果未知；风险则指结果未知且可能造成损失，并且这种损失可以用概率分布描述。精算关注的是“可量化的风险”：如果某类事件无法估计发生频率或损失幅度，就无法定价，也就难以承保。
可保风险通常满足若干条件：大量同质风险单位、损失可货币化、损失发生具有偶然性、保费在经济上可承受、且不违反道德风险与逆选择约束。精算师的工作，正是把满足这些条件的风险集合起来，用统计规律替代个体随机性。
二、大数法则：从随机波动到可预测的聚合
大数法则说明：当独立同分布的随机变量数量足够多时，样本均值会依概率收敛于总体期望。对保险而言，这意味着当承保标的数量足够大时，实际赔付率会趋近于预期赔付率，从而让保费定价与准备金计提具备稳定性。
但大数法则并非无条件成立。它要求风险单位之间近似独立、同质，且数量足够。若风险高度相关（如地震、疫情导致同一区域大量标的同时出险），或风险单位差异过大，聚合后的波动不会按预期下降，甚至可能集中爆发。因此，精算实务中必须检验独立性、同质性，并通过再保险、巨灾模型等手段处理相关性风险。
三、概率论与数理统计：精算的量化工具箱
精算定价与准备金评估，几乎全部建立在概率分布与统计推断之上。常用工具包括：随机变量与分布函数、期望与方差、条件概率与贝叶斯更新、常见损失分布（如泊松、二项、指数、伽马、对数正态）、以及参数估计与假设检验。
在非寿险中，赔付频率常用泊松或负二项分布刻画，赔付金额常用伽马或对数正态分布刻画；在寿险中，生存与死亡用生命表与生存函数描述。精算师通过历史数据估计参数，再结合信度理论对个体经验与总体经验加权，得到更稳健的估计。
| 工具 | 典型用途 | 关键参数/输出 |
|---|---|---|
| 泊松分布 | 单位时间内赔付次数 | λ（平均发生次数） |
| 伽马分布 | 单次赔付金额 | 形状参数 α、尺度参数 β |
| 生命表 | 生存与死亡概率 | qx、lx、ex |
| 贝叶斯更新 | 结合先验与经验数据 | 后验分布、信度因子 |
四、利息理论、现值与终值：跨时间的价值换算
保险合同的保费缴纳与赔付往往跨越数年甚至数十年，因此必须把不同时点的现金流折算到同一时点比较。利息理论提供了这套换算规则。核心概念包括：实际利率 i、名义利率、贴现率 d、累积函数与贴现函数。
终值（Future Value）衡量一笔当前资金在未来某时点的价值；现值（Present Value）则把未来现金流按利率折回当前。精算中大量使用现值：趸缴保费是未来赔付的期望现值，准备金是未来赔付与费用的现值减去未来保费的现值。
终值：FV = PV × (1 + i)^n
现值：PV = FV / (1 + i)^n
年金现值（期末付）：PV = PMT × [1 - (1 + i)^(-n)] / i
连续复利：FV = PV × e^(r × t)五、案例与场景：一张保单的定价链路
假设某一年期意外险，历史数据显示每千名被保险人的平均出险次数为 0.05 次，单次平均赔付 8000 元。用频率×幅度可估计纯保费约为 0.05 × 8000 = 400 元/千人，即每人 0.4 元。但实际保费还需加上费用、风险附加与利润，并考虑资金的时间价值。
若该产品改为三年期，则需把未来三年的期望赔付分别折现到承保时点，再与未来保费现值比较，判断定价是否充足。这一过程把大数法则、概率分布与利息理论串联起来，形成完整的精算定价链路。
六、复盘：四个基石的协同关系
风险与不确定性定义了精算的问题边界；大数法则解释了保险为何能稳定运行；概率论与数理统计提供了量化损失分布的方法；利息理论则解决了跨时间价值换算。四者缺一不可：没有概率统计，定价无据；没有利息理论，长期业务无法比较；没有大数法则，风险无法分散；没有对不确定性的清醒认识，精算假设就容易过度自信。
学习本章后，应能用自己的话解释：为什么保险可以承保个体随机风险，却必须警惕系统性风险；为什么长期保单的定价对利率假设如此敏感；以及为什么精算师既要依赖数据，也要对模型假设保持审慎。