4. 敏感性测试基础
在准备金评估中，敏感性测试是连接“静态结果”与“动态风险”的桥梁。它并不试图预测未来，而是回答一个更聚焦的问题：当某个关键假设发生可控变化时，准备金结果会如何响应？理解敏感性测试的定义、单因素与多因素分析逻辑，以及它与情景分析的区别与联系，是后续实战操作的理论地基。
一、核心原理：敏感性测试到底测什么
敏感性测试（Sensitivity Testing）是指在保持其他假设不变的前提下，对某一个或一组关键假设施加一定幅度的扰动，观察准备金评估结果的变化方向和变化程度。其本质是一种“假设—结果”弹性分析，衡量的是模型输出对输入参数的敏感程度。
准备金评估中常见的敏感因子包括：
- 赔付率假设：如预期赔付率上下浮动 5% 或 10%；
- 折现率/利率：如无风险利率曲线平移 ±50BP；
- 进展因子：如链梯法中各期进展因子整体调高或调低；
- 尾部因子：如长尾业务尾部因子从 1.05 调整为 1.10；
- 费用率与通胀率：如理赔费用通胀率上升 1 个百分点。
敏感性测试的输出通常不是单一数值，而是一组“假设变动—准备金变动”的对应关系。例如：
假设：赔付率 +5%
准备金变动：+3.2%
敏感系数：0.64
假设：折现率 -50BP
准备金变动：+1.8%
敏感系数：-0.36敏感系数绝对值越大，说明该假设对准备金结果的影响越显著，应优先纳入监控与复核范围。
二、单因素与多因素分析：从孤立扰动到组合冲击
单因素分析每次只改变一个假设，其他假设保持不变。它的优点是归因清晰、结果可解释，适合识别关键驱动因子。缺点是忽略了假设之间的相关性，可能低估或高估整体风险。
多因素分析同时改变两个或以上假设，观察组合冲击下的准备金变化。它更接近现实中的风险叠加场景，但归因难度上升，需要借助矩阵或情景组合来管理。
| 对比维度 | 单因素分析 | 多因素分析 |
|---|---|---|
| 变量数量 | 每次仅一个 | 两个及以上同时变动 |
| 归因清晰度 | 高，可直接定位 | 较低，需分解或矩阵辅助 |
| 现实贴合度 | 较低，忽略相关性 | 较高，可模拟叠加冲击 |
| 典型输出 | 敏感系数、龙卷风图 | 情景矩阵、组合损失分布 |
| 适用阶段 | 初步筛查、关键因子识别 | 压力测试、资本充足评估 |
实务中通常先做单因素分析，筛出高敏感因子，再对这些因子做多因素组合测试。这样既控制了计算量，又保证了重点风险不被遗漏。
三、与情景分析的区别与联系
敏感性测试与情景分析常被混用，但二者在逻辑起点和输出形态上有明确差异。
- 起点不同：敏感性测试从“参数变动幅度”出发；情景分析从“事件或状态”出发，如经济衰退、巨灾发生、监管政策变化。
- 变量处理不同：敏感性测试通常孤立或有限组合变量；情景分析强调多个变量在同一叙事逻辑下的一致变动。
- 输出不同：敏感性测试输出弹性与敏感系数；情景分析输出特定情景下的准备金水平及缺口。
- 联系：情景分析中每个情景往往包含多个敏感性测试的组合；敏感性测试是情景分析的量化基础，情景分析是敏感性测试的业务化表达。
四、案例场景：一场赔付率与折现率的联合测试
假设某非寿险公司当前准备金评估结果为 12.0 亿元。精算团队设计如下测试：
- 单因素：赔付率 +5%，准备金变为 12.38 亿元，敏感系数 0.64；
- 单因素：折现率 -50BP，准备金变为 12.22 亿元，敏感系数 -0.36；
- 多因素：赔付率 +5% 且折现率 -50BP，准备金变为 12.61 亿元，组合敏感系数约 1.02。
组合敏感系数大于两个单因素系数绝对值之和（0.64+0.36=1.00），说明两个因子之间存在轻微的正向叠加效应。若组合系数明显小于单因素之和，则可能存在对冲或非线性关系，需要进一步排查模型结构。
五、常见误区与复盘要点
- 误区二：敏感系数越大越危险。敏感系数大只说明弹性高，还需结合假设发生概率和波动幅度综合判断。
- 误区三：把情景分析当成敏感性测试的简单放大。情景分析需要一致的业务逻辑，不能随意拼接参数。
- 误区四：测试后不记录版本与参数。敏感性测试必须保留完整的参数快照，否则无法复盘和审计。
复盘时建议按以下清单逐项检查：
- 关键假设是否全部纳入测试范围？
- 单因素测试的扰动幅度是否有业务依据？
- 多因素组合是否覆盖了主要相关性路径？
- 敏感系数是否与历史经验或行业基准存在异常偏离？
- 测试结果是否已反馈到准备金充足性判断与资本规划中？
掌握敏感性测试的基础逻辑，意味着你能够在准备金评估中从“算出一个数”进阶到“说清这个数有多稳”。单因素帮你找到脆弱点，多因素帮你看到叠加冲击，情景分析帮你把数字翻译成业务语言。三者配合，才构成完整的准备金风险视图。