3. 精算基础与数学能力

保险定价精算师面试中，数学能力不是“会不会算”，而是“能否把业务问题翻译成模型，再把模型结果翻译回业务决策”。面试官通常不会让你现场推导Black-Scholes，而是通过一道概率题、一段损失分布描述或一个准备金场景，观察你建模的直觉、假设的敏感性和表达的条理性。本章围绕五块核心能力展开：概率统计是底层语言，利息理论是时间价值标尺，损失模型是保险特有的分布工程，随机过程刻画赔付的不确定性演化，数值方法则决定你能否在真实数据上落地。

核心原理：五块能力如何串成定价链条

概率统计提供随机变量、期望、方差、大数定律与中心极限定理，是理解赔付波动的起点。利息理论把未来现金流折现，核心是即期利率、远期利率、年金与久期，定价中用于计算保费现值与准备金。损失模型关注赔付频率与赔付额度的联合分布，常用泊松、负二项、伽马、对数正态、帕累托等分布，并通过复合分布刻画总赔付。随机过程用于描述赔付次数随时间演化，如泊松过程、更新过程、马尔可夫链，在车险NCD和健康险状态转移中常见。数值方法解决无解析解问题，包括数值积分、蒙特卡洛模拟、牛顿迭代和优化算法。

方法流程：从业务描述到可解释结果

1. 变量定义：明确频率N、额度X、总赔付S，区分个体险与聚合险。
2. 分布假设：根据数据形态选择分布，说明尾部与偏度考量。
3. 参数估计：矩估计、极大似然或贝叶斯方法，给出置信区间。
4. 模型验证：QQ图、KS检验、AIC/BIC比较，检查拟合优度。
5. 数值实现：模拟或数值积分计算分位数、VaR、TVaR。
6. 业务解释：把结果转化为费率、免赔额或再保安排建议。

案例场景：车险赔付频率与额度的复合模型

假设某车险组合赔付次数服从泊松分布，年均次数λ=0.15，单次赔付额服从对数正态分布，均值8万元、标准差6万元。面试官可能追问：总赔付的均值和方差是多少？如何估计99%分位数？此时应回答：总赔付均值E[S]=λE[X]，方差Var(S)=λE[X²]。由于对数正态无简单卷积，可用蒙特卡洛模拟。示例代码：

import numpy as np
np.random.seed(42)
lam, mu, sigma = 0.15, np.log(80000), 0.6
n_sim = 100000
freq = np.random.poisson(lam, n_sim)
sev = np.random.lognormal(mu, sigma, n_sim)
total = freq * sev
var_99 = np.percentile(total, 99)
tvar_99 = total[total >= var_99].mean()
print(var_99, tvar_99)

回答时要强调：模拟结果依赖种子与样本量，需做收敛性检验；若尾部拟合不足，可改用帕累托或广义帕累托分布。

误区与复盘：面试中常见的五个失分点