3. 概率与统计基础
准备金评估的本质，是在不确定性条件下对“未来赔付现金流”的分布进行刻画。随机模型之所以比确定性方法更有价值，正是因为它把“一个数”升级为“一个分布”，从而支撑分位数、风险边际、资本占用等决策指标。本节回顾六个核心概念：随机变量、分布、期望、方差、分位数与相关性，并说明它们在准备金场景中的具体含义。
一、核心原理：从随机变量到分布
随机变量是把随机试验结果映射为数值的函数。在准备金中，最常打交道的随机变量包括：单个事故年的最终赔付额、某事故年的未决赔款准备金、逐年赔付进展比例、以及聚合后的总准备金。随机变量分为离散型与连续型：赔案次数通常用离散分布（如泊松、负二项）刻画，而赔付金额、进展因子常用连续分布（如对数正态、伽马、贝塔）刻画。
分布是随机变量的完整概率描述。实务中我们往往并不需要写出解析密度函数，而是通过模拟得到经验分布。分布的关键价值在于：它同时承载了中心位置、离散程度与尾部形态三类信息，而这三类信息恰好对应准备金评估中的“最佳估计、波动性、尾部风险”。
二、期望、方差与分位数：三个决策支点
期望是分布的“重心”，记为 E[X]，在准备金中通常对应未决赔款的最佳估计。方差 Var(X) 或标准差 σ 衡量结果围绕期望的离散程度，是量化不确定性的第一层指标。变异系数 CV = σ / E[X] 便于跨规模比较不同业务线的相对波动。
分位数则回答“有多大把握不超过某个值”。例如 75% 分位数对应“四分之三概率足够”的准备金水平，99.5% 分位数常用于偿付能力资本要求。分位数无法由期望和方差唯一确定，它依赖分布尾部形态，这正是随机模型不可被简单“均值加系数”替代的原因。
下表汇总了核心统计量在准备金评估中的典型用途与注意事项：
| 统计量 | 符号 | 准备金用途 | 注意事项 |
|---|---|---|---|
| 期望 | E[X] | 最佳估计、均值准备金 | 受极端值影响，需关注分布偏度 |
| 方差/标准差 | Var(X), σ | 不确定性度量、波动区间 | 量纲为平方，报告时用标准差 |
| 变异系数 | CV | 跨业务线相对风险比较 | 期望接近零时不稳定 |
| 分位数 | Q(p) | 风险边际、资本要求 | 依赖尾部假设，需做敏感性测试 |
| 相关系数 | ρ | 聚合风险、分散化效应 | 线性相关，无法捕捉尾部相依 |
三、相关性：聚合风险的放大器
当多个事故年或业务线被聚合时，总方差不仅取决于各自方差，还取决于它们之间的相关性。对两个随机变量 X、Y，有 Var(X+Y) = Var(X) + Var(Y) + 2·Cov(X,Y)。若完全独立，协方差为零，聚合波动小于各自波动之和；若高度正相关，风险几乎线性叠加，分散化效应消失。
准备金实务中，相关性来源包括：同一事故年的进展因子共享、通胀与法律环境变化、再保结构联动、以及共同的经济周期。忽略相关性会系统性低估聚合风险，尤其在尾部。需要注意，皮尔逊相关系数只度量线性关系，对尾部相依（如极端事件同时发生）刻画不足，必要时可引入Copula或尾部相依系数。
# 聚合方差示例（Python 伪代码）
import numpy as np
sigma = np.array([100, 80, 60]) # 三条业务线标准差
rho = np.array([[1.0, 0.3, 0.2],
[0.3, 1.0, 0.4],
[0.2, 0.4, 1.0]])
cov = np.outer(sigma, sigma) * rho
total_var = cov.sum()
print("聚合标准差:", np.sqrt(total_var))
# 对比独立假设：np.sqrt((sigma**2).sum())
四、案例与场景：从分布到分位数决策
假设某事故年准备金的最佳估计为 1000 万元，模拟得到分布近似对数正态，标准差 250 万元。若仅报告期望，管理层无法判断风险；若给出 75% 分位数为 1180 万元、90% 分位数为 1320 万元、99.5% 分位数为 1750 万元，则能直接支撑风险偏好与资本配置。风险边际可定义为目标分位数与期望之差，例如 75% 分位数下的风险边际为 180 万元。
下图展示了同一准备金分布的期望、标准差区间与关键分位数的位置关系，帮助建立“中心—离散—尾部”的整体直觉。
五、常见误区与复盘
- 误区一：用期望代替分布。期望无法反映尾部风险，两个期望相同的业务可能风险差异巨大。复盘时应同时报告分位数与CV。
- 误区二：假设独立以简化聚合。独立假设会低估总风险，尤其在共同通胀或法律环境下。应显式设定相关矩阵并做敏感性分析。
- 误区三：混淆标准差与标准误。标准差描述个体结果波动，标准误描述估计量的精度，两者在参数不确定性讨论中含义不同。
- 误区四：忽视分布假设的敏感性。分位数对尾部假设高度敏感，应比较对数正态、伽马、重尾分布下的结果差异。
- 误区五：把相关系数当作万能相依度量。尾部相依需用Copula或极值方法补充，线性相关不足以刻画极端同时发生。
掌握这些基础概念后，后续的随机准备金方法（如Mack链梯、GLM、Bootstrap、贝叶斯模型）本质上都是在不同假设下构造分布、估计参数并提取分位数。基础越扎实，模型选择与结果解读就越可靠。