1. 课程导入
准备金评估从来不是“算出一个数”就结束的工作。对精算、财务与风险管理岗位而言，真正决定结论可信度的，是当关键假设发生变化时，准备金结果会如何变化、变化多大、是否仍在可接受区间内。这正是情景分析与敏感性测试要解决的问题。本课程围绕这一主线展开，帮助学员从“会算准备金”进阶到“会解释准备金的不确定性”。
一、学习目标：从结果计算走向不确定性管理
本课程的学习目标分为四个层次，逐层递进：
- 概念层：准确区分情景分析、敏感性测试、压力测试与随机模拟的边界与联系，避免术语混用。
- 方法层：掌握单因素敏感性、多因素情景组合、上下行情景、反向压力测试的设计逻辑与参数设定方法。
- 工具层：能够使用 Excel、Python 或精算软件搭建可复用的敏感性测试模板，实现参数批量扰动与结果汇总。
- 决策层：能够解读测试结果，识别关键风险驱动因子，并向管理层、审计与监管清晰沟通结论与局限。
核心判断标准：一次合格的敏感性测试，必须能回答“哪个假设最要命、变化多少会击穿阈值、我们是否有应对预案”这三个问题。
二、核心价值：为什么准备金必须做情景与敏感性测试
准备金是对未来赔付与费用的估计，本质上带有高度不确定性。其价值体现在三个层面：
- 风险识别价值：通过扰动关键假设，快速定位对准备金影响最大的因子，例如退保率、死亡率、折现率、费用通胀率或赔付进展因子。
- 决策支持价值：为定价、再保安排、资本配置和分红策略提供量化依据，避免仅凭单点估计做决策。
- 合规与治理价值：满足监管对准备金充足性、偿付能力压力测试和信息披露的要求，同时支撑内控与审计证据链。
需要强调的是，敏感性测试不是“证明准备金足够”的工具，而是暴露脆弱点的工具。它的输出往往不是“安全”，而是“在什么条件下不安全”。
三、整体框架：四步闭环与关键参数体系
本课程采用“设定—扰动—度量—沟通”的四步闭环框架。下图展示了准备金情景分析与敏感性测试的整体结构，包括输入假设、测试引擎、输出指标与反馈回路。
在参数体系上，建议按“影响程度”和“不确定性”两个维度对假设进行优先级排序。下表给出常见假设的分类与测试建议：
| 假设类别 | 典型参数 | 不确定性 | 测试方法建议 |
|---|---|---|---|
| 经济假设 | 折现率、投资收益率 | 高 | 上下行情景 + 多因素组合 |
| 行为假设 | 退保率、续保率 | 高 | 单因素敏感性 + 反向压力 |
| 风险假设 | 死亡率、发病率、赔付进展 | 中高 | 单因素敏感性 + 情景组合 |
| 费用假设 | 费用通胀率、维护成本 | 中 | 单因素敏感性 |
| 结构假设 | 再保安排、税率 | 低中 | 情景对比 + 阈值测试 |
四、实战应用场景与常见误区
情景分析与敏感性测试在实务中主要服务于以下场景：
- 年度准备金评估：在基础情景之外，附加乐观、悲观与极端情景，验证准备金充足性。
- 偿付能力压力测试：模拟利率骤降、退保潮、巨灾赔付等组合冲击，评估资本充足率变化。
- 产品定价与再保谈判：识别对利润最敏感的假设，指导再保结构与费率谈判。
- 审计与监管沟通：提供假设变动的量化影响证据，支撑披露与问询回复。
常见误区一：只做单因素测试，忽略假设之间的相关性。现实中利率下降往往伴随退保率上升，孤立测试会低估风险。
常见误区二：把敏感性测试当成“一次性任务”。假设会随市场变化，测试模板和阈值需要定期复盘与更新。
另一个高频误区是只报告结果、不解释驱动因素。例如“准备金上升12%”本身没有决策价值，必须说明“其中退保率贡献了7个百分点，折现率贡献了5个百分点”，才能支撑后续行动。本课程后续章节将围绕参数设定、模板搭建、结果解读与报告撰写逐步展开，帮助学员建立可落地、可复用、可沟通的准备金不确定性管理能力。
# 敏感性测试结果汇总示例（伪代码结构）
scenario base_reserve stressed_reserve change_pct key_driver
base 1,000,000 1,000,000 0.0% -
lapse_up_20% 1,000,000 1,120,000 12.0% 退保率
rate_down_50bp 1,000,000 1,050,000 5.0% 折现率
combined_stress 1,000,000 1,210,000 21.0% 退保率+折现率
掌握本章框架后，学员应能清晰回答：为什么要做、做什么、怎么做、结果怎么用。这是后续所有实操章节的基础。