4. Lee Carter模型原理

Lee-Carter模型是死亡率预测领域最具影响力的随机死亡率模型之一，自1992年由Ronald Lee与Lawrence Carter提出以来，已成为寿险定价、年金评估和长寿风险管理的基准工具。理解该模型的原理，是后续进行参数估计、预测与寿险定价实战的理论基石。本节将从数学形式、参数含义、双线性结构、随机性与可解释性五个维度展开。

一、模型数学形式

Lee-Carter模型对中心死亡率 m_x,t（即年龄 x 在年份 t 的中心死亡率）建立如下对数线性结构：

ln(m_{x,t}) = a_x + b_x * k_t + ε_{x,t}

其中：
  m_{x,t}：年龄 x 在年份 t 的中心死亡率
  a_x    ：年龄 x 的平均对数死亡率水平
  b_x    ：年龄 x 对时间因子 k_t 的敏感系数
  k_t    ：年份 t 的死亡率时间趋势指数
  ε_{x,t}：随机误差项，通常假设均值为0、方差为 σ²

该式将死亡率对数分解为“年龄效应”与“年龄×时间交互效应”两部分。a_x 刻画不同年龄的基准死亡水平，b_xk_t 则刻画死亡率随时间变化的动态部分。由于模型对参数存在平移与缩放的不确定性，通常施加约束：Σ_tk_t=0 且 Σ_xb_x=1，以保证参数可识别。

二、参数含义与双线性结构

三个参数各有明确的人口学与精算含义：

• a_x：年龄 x 的对数死亡率平均水平，反映该年龄在整个观察期内的基准死亡强度，通常随年龄呈近似线性上升（对数尺度下）。
• b_x：年龄 x 的改善敏感度，表示当时间因子 k_t 变化一个单位时，该年龄对数死亡率的变化幅度。b_x 绝对值越大，说明该年龄对整体死亡率改善越敏感。
• k_t：时间因子，反映整体死亡率随年份的演变趋势，通常呈下降趋势，表示死亡率持续改善。

模型的核心特征在于 b_xk_t 的双线性结构：它同时包含年龄维度 x 与时间维度 t，但以乘积形式耦合。这意味着死亡率改善并非在所有年龄上均匀发生，而是由 b_x 决定改善的年龄分布形态，由 k_t 决定改善的时间强度。双线性结构使模型既简洁又灵活，但也带来参数估计上的非唯一性，需要通过约束或奇异值分解（SVD）方法求解。

三、随机性与可解释性

Lee-Carter模型的“随机”体现在两个层面：其一，误差项 ε_x,t 引入观测随机性；其二，时间因子 k_t 被建模为随机过程（通常为带漂移的随机游走），从而可对未来死亡率进行概率预测。具体地，k_t 常设定为：

k_{t+1} = k_t + μ + η_t

其中：
  μ   ：漂移项，表示 k_t 的平均年变化
  η_t ：白噪声，η_t ~ N(0, σ_η²)

该设定使 k_t 的预测具有不确定性区间，进而可推导死亡率的置信区间，为寿险定价中的风险边际提供依据。可解释性方面，a_x 可直接对应生命表基准，b_x 可解释为年龄改善模式，k_t 可解释为整体死亡率指数，三者均具有直观的人口学意义，便于精算师与业务人员沟通。

四、方法流程与案例场景

在实际建模中，Lee-Carter模型的完整流程通常包括以下步骤：

1. 数据准备：收集年龄别、年份别死亡人数与暴露人口数，计算中心死亡率 m_x,t。
2. 参数估计：对 ln(m_x,t) 矩阵进行奇异值分解（SVD），取第一奇异值对应的左、右奇异向量作为 b_x 与 k_t 的初始估计，a_x 取时间平均。
3. 约束调整：施加 Σk_t=0、Σb_x=1 等约束，确保参数唯一可识别。
4. 时间序列建模：对 k_t 拟合带漂移随机游走，估计漂移 μ 与波动 σ_η。
5. 预测与区间：外推 k_t 至未来年份，结合 a_x、b_x 得到未来死亡率预测及置信区间。
6. 寿险定价应用：将预测死亡率代入生命表，计算生存概率、年金现值、寿险保费与准备金。

五、常见误区与复盘

综上，Lee-Carter模型通过a_x、b_x、k_t三个参数，以双线性结构捕捉死亡率的年龄模式与时间趋势，并借助随机游走实现概率预测。其数学形式简洁、参数含义直观、可解释性强，是寿险定价与长寿风险管理中不可或缺的工具。掌握其原理，是后续进行参数估计与实战定价的前提。