1. 课程导入
欢迎进入《死亡率改善与长寿风险建模实战》。在正式进入模型与代码之前，本章先建立共同语言：什么是死亡率改善，什么是长寿风险，它们为什么在精算、养老金、保险与资产负债管理中如此关键，以及本课程将如何通过30章、一个贯穿式实战项目，把概念、数据、模型、参数、代码与业务决策串成一条完整链路。
一、核心原理：死亡率改善与长寿风险的本质
死亡率改善（Mortality Improvement）是指同一出生队列或同一年龄人群，其死亡率随时间推移而下降的现象。它不是一个单一参数，而是一个随年龄、性别、地区、时期变化的动态过程。例如，某地区65岁男性死亡率从2010年的1.8%下降到2020年的1.3%，这既可能来自医疗进步、生活方式改变，也可能来自环境与公共卫生政策。精算建模中，我们通常用死亡率改善因子、改善率矩阵或随机死亡率模型来刻画这种变化。
长寿风险（Longevity Risk）则是死亡率改善带来的财务后果：人们活得比预期更久，导致养老金、年金、长期护理保险等长期负债的支付期限延长、支付总额上升。它分为两类：个体长寿风险指个人寿命不确定导致的储蓄不足风险；系统性长寿风险指整个群体死亡率改善超出预期，导致保险机构或养老金计划整体负债上升。后者才是精算建模与资本管理的核心。
关键区分：死亡率改善是“现象与过程”，长寿风险是“财务与保障后果”。建模时，前者是输入，后者是输出；前者关注“死亡率怎么变”，后者关注“负债、保费、资本怎么变”。
二、方法流程：从死亡率改善到长寿风险建模的完整链路
本课程采用“数据—模型—参数—情景—决策”的五段式流程。第一步，整理历史死亡率数据，通常以“年龄×年份”的中心死亡率矩阵为基础，并完成暴露数、死亡数、人口口径的对齐。第二步，选择死亡率改善模型，如Lee-Carter、CBD、APC或随机死亡率模型，估计年龄效应、时期效应与队列效应。第三步，将模型参数外推或情景化，生成未来死亡率改善路径。第四步，把死亡率路径映射到生存率、年金因子、养老金负债与资本需求。第五步，进行敏感性分析与压力测试，支持产品定价、准备金评估与风险管理决策。
典型数据流：
死亡数据 + 暴露数据
↓ 清洗与对齐
年龄×年份死亡率矩阵
↓ 模型拟合
年龄效应 / 时期效应 / 队列效应
↓ 参数外推与情景生成
未来死亡率改善路径
↓ 生存率与年金因子
长寿风险指标：负债、保费、资本、缺口
三、案例/场景：一个贯穿式实战项目
本课程将围绕一个贯穿式实战项目展开：为某寿险公司的终身年金产品与某企业年金计划，评估未来30年死亡率改善带来的长寿风险。项目包含四个业务场景：第一，产品定价场景，分析死亡率改善对年金费率与利润边际的影响；第二，准备金评估场景，比较不同改善模型下的准备金充足性；第三，资本管理场景，测算长寿风险资本与再保险需求；第四，投资与资产负债匹配场景，分析长寿风险对久期、现金流缺口与资产配置的传导。
项目数据将采用公开人口死亡率数据与模拟组合数据相结合的方式，既保证可复现，又贴近真实业务。你会在后续章节中逐步完成数据清洗、模型拟合、参数外推、情景生成、负债测算与报告撰写。每一章都对应项目中的一个模块，最终形成一份可交付的长寿风险建模报告。
四、课程整体框架与学习目标
课程共30章，分为五个模块：基础与数据（第1—6章）、确定性改善模型（第7—12章）、随机死亡率模型（第13—19章）、长寿风险度量与资本（第20—25章）、实战项目与报告（第26—30章）。每个模块都包含原理讲解、代码实操、案例复盘与常见误区。
| 模块 | 核心内容 | 实战产出 |
|---|---|---|
| 基础与数据 | 死亡率改善定义、数据来源、暴露数、中心死亡率、队列效应 | 清洗后的年龄×年份死亡率矩阵 |
| 确定性改善模型 | 改善因子、改善率矩阵、年龄-时期-队列分解 | 未来死亡率改善路径表 |
| 随机死亡率模型 | Lee-Carter、CBD、APC、贝叶斯方法、参数不确定性 | 死亡率情景分布与置信区间 |
| 长寿风险度量与资本 | 生存率、年金因子、负债、资本、再保险、压力测试 | 长寿风险资本与缺口报告 |
| 实战项目与报告 | 项目整合、模型验证、结果解释、业务建议 | 完整长寿风险建模报告 |
学习目标：完成本课程后，你应能独立完成死亡率改善数据的清洗与建模，解释主要随机死亡率模型的参数含义，生成未来死亡率改善情景，测算年金与养老金的长寿风险指标，并撰写结构清晰、可复现的建模报告。
五、误区与复盘：初学者最容易踩的坑
- 把死亡率改善等同于死亡率下降：改善是相对变化，下降是绝对水平；建模时若混用，会导致外推偏差。
- 忽略队列效应：同一时期不同出生队列的死亡率改善速度可能差异显著，忽略队列效应会低估长寿风险。
- 只用点估计：死亡率改善具有显著不确定性，只给一条路径会掩盖尾部风险。
- 模型外推过度：把历史改善率无限外推，可能产生不合理的极低死亡率，需要设置合理上限与专家判断。
- 忽视业务口径：人口死亡率与保险人口死亡率存在选择效应，直接套用会高估或低估负债。
复盘建议：每完成一个模型，都要问三个问题——数据口径是否一致？参数是否可解释？结果是否通过业务合理性检验？这三个问题将贯穿全部30章。
本章作为导入，不要求你立刻掌握所有模型细节，但需要你建立三个意识：第一，死亡率改善是动态、多维、带不确定性的过程；第二，长寿风险是这一过程在负债与资本上的财务映射；第三，建模的终点不是模型本身，而是支持定价、准备金、资本与投资决策。接下来，我们将从数据清洗开始，一步步搭建属于你的长寿风险建模工作流。