1. 课程导入
欢迎进入《Lee Carter死亡率预测与寿险定价实战》。在正式进入建模与定价之前，本章先回答三个问题：Lee-Carter模型从哪里来？它在寿险定价中为什么重要？学完这门课你将具备哪些可落地的能力？
一、历史背景：从人口预测到精算核心工具
20世纪80年代末至90年代初，全球主要发达经济体普遍经历了一个令精算师不安的现象：死亡率改善速度持续超出传统生命表的假设。传统静态生命表假设未来死亡率固定不变，导致养老金与年金产品的长寿风险被系统性低估。1992年，Ronald Lee与Lawrence Carter在《Journal of the American Statistical Association》发表论文，提出用“年龄效应 + 时间效应 + 年龄与时间的交互效应”三部分分解死亡率对数的建模框架，这就是Lee-Carter模型。
该模型的核心价值在于：它把复杂的高维死亡率矩阵压缩为一条随时间演化的 mortality index（通常记为 kt），并用随机时间序列方法外推未来趋势。相比静态生命表，它首次让“死亡率改善”成为可量化、可预测、可区间估计的对象。此后三十余年，Lee-Carter及其扩展（如CBD、APC、Li-Lee多人口模型）成为寿险、年金、养老金精算定价与准备金评估的标准工具之一。
关键认知：Lee-Carter不是“更准的死亡率表”，而是一套把死亡率变化转化为可建模、可外推、可定价的随机过程的框架。定价视角下，它解决的是“未来死亡率不确定”这一核心风险来源。
二、寿险定价中的核心地位
寿险定价的本质是对未来现金流进行期望值与风险调整的折现。死亡率是其中最关键、也最不可观测的输入之一。对于终身寿险、定期寿险、年金、养老金等长期产品，死亡率改善会直接改变赔付时间分布与给付现值。
- 年金与养老金：死亡率改善意味着领取期延长，负债上升，长寿风险加剧。
- 终身寿险：死亡率改善使赔付延后，但保费与准备金假设需同步调整。
- 定期寿险：短期影响较小，但再保定价与风险资本仍依赖死亡率趋势。
- 监管与资本：偿二代、IFRS 17等框架要求对死亡率趋势进行显式假设与敏感性测试。
因此，Lee-Carter模型在定价链条中处于“输入层”的关键位置：它输出的中心死亡率预测与置信区间，直接进入现金流模型、准备金模型与资本模型。
三、方法流程：从数据到定价输入的六步链路
本课程后续章节将围绕以下标准流程展开。这里先给出全局地图，帮助你建立整体框架感。
- 数据准备：整理年龄别死亡率矩阵，处理暴露数、缺失值与异常年份。
- 参数估计：对 ln m(x,t) 进行分解，得到 a(x)、b(x)、k(t)。
- 时间序列建模：对 k(t) 拟合 ARIMA 或带漂移随机游走，检验平稳性与残差。
- 预测与外推：生成未来 k(t) 路径及置信区间，回代得到未来死亡率。
- 定价映射：将死亡率预测转化为生存概率、现金流与准备金。
- 验证与复盘：回测、敏感性分析、情景对比与模型风险审查。
| 阶段 | 核心输入 | 关键输出 | 常见工具 |
|---|---|---|---|
| 数据准备 | 死亡人数、暴露数 | m(x,t) 矩阵 | R、Python、Excel |
| 参数估计 | m(x,t) | a(x)、b(x)、k(t) | R demography、StMoMo |
| 时间序列 | k(t) | ARIMA 模型 | forecast、statsmodels |
| 预测 | ARIMA 模型 | 未来死亡率与区间 | R、Python |
| 定价 | 死亡率预测 | 保费、准备金 | 精算定价系统 |
| 验证 | 回测结果 | 模型风险报告 | 自定义脚本 |
四、案例场景：一个年金产品的定价冲击
假设某保险公司销售一款65岁起领的终身年金。传统静态生命表假设未来死亡率不变，定价时使用的年金因子为 12.5。若改用Lee-Carter预测，未来20年死亡率年均改善1.5%，则年金因子可能上升至 13.8 左右。对每万元保额，负债上升约10%。
# 简化示意：年金因子对死亡率改善的敏感性
base_annuity_factor = 12.5
improvement_rate = 0.015
years = 20
adjusted_factor = base_annuity_factor * (1 + improvement_rate * years)
print(adjusted_factor) # 约 16.25（线性示意，实际需用生存模型精确计算）
教学提示：上述代码仅为线性示意，真实定价需用生存概率逐期折现。重点是理解“死亡率改善 → 生存概率上升 → 年金负债上升”的传导方向。
五、常见误区与复盘要点
- 误区一：把Lee-Carter当作精确预测工具。它提供的是趋势与不确定性区间，不是点预测真理。
- 误区二：忽略年龄效应 b(x) 的稳定性。b(x) 的形状决定不同年龄对时间因子的敏感度，需检验其合理性。
- 误区三：直接外推 k(t) 而不做残差诊断。若残差存在结构，预测区间会失真。
- 误区四：定价时只用中心预测，不做情景分析。长寿风险需要尾部情景与压力测试。
- 误区五：混淆模型风险与参数风险。模型选择本身也是风险来源，需在复盘中显式讨论。
复盘提醒：Lee-Carter模型的输出必须经过精算判断。数据质量、年龄分组、外推年限、置信水平都会显著影响定价结果。任何自动化流程都不能替代对假设的审查。
六、学习目标与课程框架
完成本课程后，你将能够：
- 独立完成死亡率数据的清洗与矩阵构建；
- 使用R或Python实现Lee-Carter参数估计；
- 对 k(t) 进行时间序列建模与未来预测；
- 将死亡率预测嵌入寿险与年金定价模型；
- 开展回测、敏感性分析与模型风险复盘。
课程整体分为四个模块：基础与数据（第1-6章）、模型估计与诊断（第7-14章）、预测与外推（第15-21章）、寿险定价实战（第22-30章）。每个模块都配有可运行的代码与真实场景案例，帮助你从“看懂”走向“做出来”。
现在，你已经站在了Lee-Carter模型与寿险定价的交汇点上。接下来，我们将从死亡率数据的结构开始，一步步搭建属于你的定价引擎。