2. 准备金基础
在非寿险精算中，准备金是保险公司为已发生但尚未完全结清的赔案所预留的资金。它既是资产负债表上最大的负债科目，也是利润与偿付能力评估的核心变量。理解准备金的定义、分类，以及确定性方法与随机模型的本质差异，是进入随机准备金建模实战的第一道门槛。
一、准备金的定义与分类
准备金（Reserve）通常指保险公司为履行未来赔付义务而计提的负债。在实务中，它常与“未决赔款准备金”混用，但严格来说，准备金还包括未到期责任准备金等。本章聚焦于未决赔款准备金，即针对已发生赔案（含已报案和未报案）的最终赔付责任。
按赔案状态与评估目的，未决赔款准备金可细分为：
- 已报案未决赔款准备金（RBNS）：赔案已报告，但金额尚未最终确定，包括已立案未结案、已结案待付款等。
- 已发生未报案赔款准备金（IBNR）：赔案已发生但尚未报告，通常包括纯IBNR和已报案未立案（IBNER）部分。
- 理赔费用准备金（ULAE/ALAE）：为处理赔案所需的内部或外部费用计提的准备金。
从评估视角看，准备金又可分为逐案评估与整体评估。逐案评估适用于大案、异常案；整体评估则依赖历史赔付模式，通过链梯法、Bornhuetter-Ferguson法等模型对未决赔款进行估计。
二、传统确定性方法与随机模型的区别
传统确定性方法（如链梯法、平均赔付额法）输出的是单一数值——一个“最佳估计”。其核心假设是历史赔付发展模式稳定，未来将沿相似路径展开。方法流程通常为：
- 整理累计赔付三角形；
- 计算逐年发展因子并选取代表性因子；
- 将已报案赔款外推至最终损失；
- 扣除已付/已报案部分，得到准备金。
随机模型则在此基础上引入概率分布，输出的是准备金分布而非单点值。它回答的不只是“需要多少”，还包括“有多大可能不够”。随机模型通常包含三个层次：
- 过程方差：赔付事件本身的随机性；
- 参数方差：模型参数估计的不确定性；
- 模型方差：模型选择本身带来的不确定性。
三、适用场景与选择逻辑
两类方法并非替代关系，而是互补关系。选择时需考虑数据量、业务稳定性、监管要求与决策用途。
| 维度 | 确定性方法 | 随机模型 |
|---|---|---|
| 输出形式 | 单一数值 | 概率分布 |
| 数据要求 | 中等，历史三角形即可 | 较高，需足够样本与稳定结构 |
| 计算复杂度 | 低 | 中高，依赖模拟或解析近似 |
| 典型用途 | 财务报表、监管报送 | 资本评估、再保优化、压力测试 |
| 风险度量 | 无 | VaR、TVaR、标准差 |
| 适用业务 | 稳定、长尾、数据充分 | 波动大、新业务、巨灾暴露 |
例如，一家经营车险多年的公司，其赔付模式稳定，链梯法可快速给出合规准备金；但若要评估台风季的极端损失对资本的影响，则需用随机模型模拟尾部风险。再如，新推出的责任险产品缺乏历史数据，确定性方法可能严重偏离，此时随机模型结合专家判断更具优势。
四、常见误区与复盘要点
误区二：认为随机模型一定更准确。若数据质量差或假设错误，随机模型只是“精确地错误”。
误区三：忽略过程方差与参数方差的区分，导致置信区间被低估。
复盘时建议检查：发展因子是否稳定、异常值是否剔除、尾部因子是否合理、模型假设是否与业务实际一致。随机模型不是黑箱，其输出必须能回溯到数据与假设。
示例：链梯法发展因子计算（简化）
累计赔付三角形：
dev1 dev2 dev3
2021 1000 1500 1800
2022 1100 1650 --
2023 1200 -- --
发展因子：
f1 = (1500+1650)/(1000+1100) = 1.500
f2 = 1800/1500 = 1.200
2023年最终损失估计 = 1200 * 1.500 * 1.200 = 2160
理解准备金的定义与分类，明确确定性方法与随机模型的边界与互补关系，是后续学习随机模型具体算法（如Mack模型、ODP模型、Bootstrap）的基础。只有先建立正确的概念框架，才能在实战中选对工具、读懂结果、控制风险。