4. 随机模型概述

在确定性准备金方法（如链梯法、Bornhuetter-Ferguson法）中，我们得到的是一个点估计值。然而，准备金评估的本质是对未来赔付的不确定性进行量化。随机准备金模型的核心价值，在于它不仅给出准备金的均值或中位数，还能给出完整的预测分布，从而支持分位数、风险资本、偿付能力等决策需求。本节将系统梳理常见随机准备金模型的分类逻辑、核心原理与适用边界。

一、核心原理：从点估计到预测分布

随机准备金模型的基本思想，是将已发生赔款数据视为随机过程的实现，通过假设其统计分布与均值-方差结构，推断未决赔款准备金的概率分布。所有模型都围绕三个关键问题展开：

• 均值结构：增量赔款或累计赔款的期望值如何随事故年与进展年变化？
• 方差结构：观测值的波动性与均值之间是什么关系？是常数方差、比例方差还是更复杂的函数？
• 分布假设：残差服从正态、伽马、泊松还是过分散泊松分布？这决定了预测分布的形状与尾部厚度。

根据对这三个问题的不同回答，随机准备金模型可大致分为四类：分布自由模型（如Mack）、广义线性模型族（如ODP、GLM）、重抽样模型（如Bootstrap）以及贝叶斯模型。它们并非相互排斥，而是从不同角度逼近同一个不确定性量化目标。

二、方法流程：各模型的操作要点

不同随机模型的实施流程差异显著，但都遵循“数据准备→参数估计→预测分布→不确定性度量”的主线。以下以Mack模型和ODP Bootstrap为例说明。

Mack模型流程：

1. 计算链梯因子及其加权最小二乘估计；
2. 估计各进展年的方差参数σ²；
3. 计算准备金估计的均方误差MSEP；
4. 基于正态近似构造置信区间。

ODP Bootstrap流程：

1. 用ODP模型拟合增量赔款三角，得到拟合值与偏差；
2. 计算Pearson残差并进行重抽样；
3. 生成B个伪三角，对每个伪三角重新拟合ODP并预测；
4. 汇总B个预测值，得到经验预测分布与分位数。

# R伪代码示例：ODP Bootstrap核心步骤
library(ChainLadder)
fit <- glm(inc ~ factor(origin) + factor(dev), 
           family = quasipoisson(link = "log"), data = triangle)
resid <- residuals(fit, type = "pearson")
B <- 1000
preds <- numeric(B)
for (b in 1:B) {
  pseudo <- fitted(fit) + sample(resid, replace = TRUE) * sqrt(fitted(fit))
  fit_b <- glm(pseudo ~ factor(origin) + factor(dev), 
               family = quasipoisson(link = "log"))
  preds[b] <- sum(predict(fit_b, newdata = future, type = "response"))
}
quantile(preds, c(0.5, 0.75, 0.9, 0.99))

三、案例/场景：模型选择如何影响风险资本

假设某非寿险公司某险种已发生赔款三角为10个事故年、10个进展年，当前评估未决赔款准备金。确定性链梯法给出点估计为1.2亿元。分别用四种随机模型计算99.5%分位数与风险资本（分位数减均值）：

从表中可见，随着模型对分布假设的增强和对尾部信息的利用，风险资本逐步上升。若仅用Mack模型，可能低估极端风险；而贝叶斯模型若先验设置不当，也可能高估或低估。因此，模型选择必须与数据质量、业务场景和监管要求匹配。

四、误区/复盘：常见陷阱与应对

• 误区一：认为Mack模型能给出完整分布。Mack模型只提供MSEP，若强行用正态近似构造分位数，在尾部可能严重失真。复盘：需明确MSEP与分位数的区别，必要时改用Bootstrap。
• 误区二：Bootstrap重抽样时忽略参数不确定性。仅重抽样残差而不重新估计参数，会低估预测分布的宽度。复盘：应采用“残差重抽样+参数重估计”的双重循环。
• 误区三：贝叶斯模型先验随意设置。无信息先验并非真正“无信息”，在数据稀疏时先验会主导后验。复盘：进行先验敏感性分析，比较不同先验下的后验分位数。
• 误区四：GLM模型忽略过分散。若使用标准泊松分布，方差假设过强，导致置信区间过窄。复盘：始终检验过分散参数φ，若φ显著大于1，应使用过分散泊松或负二项分布。