4. 概率与统计基础

巨灾模型本质上是一台“把不确定性翻译成损失数字”的机器。它输入的是灾害强度、暴露分布、脆弱性关系，输出的却是超越概率曲线、平均年损失（AAL）和不同重现期的损失值。支撑这台机器运转的底层语言，正是概率与统计。理解随机变量、分布、期望、方差、蒙特卡洛、置信区间与分位数，才能真正读懂巨灾模型的结果，而不是只盯着一个孤立的数字。

核心原理：从随机变量到损失分布

巨灾事件的发生次数、单次事件的强度、每个暴露单元的损失率，都是随机变量。随机变量分为离散型与连续型：事件发生次数通常用离散分布描述，例如泊松分布刻画单位时间内事件到达次数；事件强度（如地震震级、台风风速）常用连续分布描述，如对数正态、耿贝尔或广义帕累托分布。

损失分布是巨灾模型的核心输出对象。它由三个层次卷积而成：灾害模块生成事件强度与频率，脆弱性模块把强度映射为损失率，财务模块再叠加保险条款与免赔额。最终得到的年损失随机变量 L，其期望 E[L] 就是平均年损失，方差 Var(L) 则衡量年损失的波动程度。方差越大，说明损失越不稳定，资本占用与再保需求通常越高。

方法流程：蒙特卡洛模拟如何生成损失分布

巨灾模型很少用解析公式直接求解损失分布，而是依赖蒙特卡洛模拟。其流程可概括为：

1. 设定模拟年数 N，通常为 10 万至 100 万次，以保证尾部稳定。
2. 对每一年，从事件频率分布中抽样，确定该年发生多少次事件。
3. 对每次事件，从强度分布中抽样，得到震级、风速或降雨量等参数。
4. 结合事件空间分布与暴露位置，计算各暴露单元的损失率。
5. 汇总该年所有事件损失，得到该模拟年的年度损失。
6. 重复 N 次，形成年度损失样本集合，再排序计算分位数与超越概率。

模拟伪代码：
for year in 1..N:
    n_events = Poisson(lambda)
    annual_loss = 0
    for e in 1..n_events:
        intensity = sample_intensity_distribution()
        loss = vulnerability(intensity, exposure)
        annual_loss += loss
    loss_samples.append(annual_loss)

sort(loss_samples)
AAL = mean(loss_samples)
PML_100 = quantile(loss_samples, 0.99)

模拟次数不足会带来两个问题：一是 AAL 估计不稳定，二是高分位数（如 1/250 年）抽样误差极大。因此，尾部指标通常需要更多模拟次数或采用方差缩减技术。

置信区间与分位数：读懂模型输出的不确定性

蒙特卡洛结果本身也是随机变量。用 10 万次模拟得到的 AAL，只是真实 AAL 的一个估计值。置信区间告诉我们这个估计有多可靠。例如，若 AAL 的 95% 置信区间为 [8200 万, 9100 万]，说明重复模拟时约 95% 的估计会落在此区间内。区间越窄，模型结果越稳定。

分位数则直接对应巨灾保险与再保中的重现期概念。1/100 年分位数即 99% 分位数，表示年度损失有 1% 的概率超过该值。常用指标包括：

案例与场景：台风巨灾模型中的敏感性分析

假设某沿海城市台风模型输出 AAL 为 1.2 亿元，1/100 年 PML 为 18 亿元。若把台风频率参数上调 20%，AAL 可能升至 1.4 亿元，而 1/100 年 PML 可能升至 22 亿元。这说明尾部指标对频率与强度参数更敏感。情景敏感性分析正是通过改变关键参数，观察分位数与置信区间的移动，识别模型结果的稳健性。

常见敏感性维度包括：事件频率、强度分布尾部参数、脆弱性曲线斜率、暴露价值增长、免赔额与限额结构。实务中可用龙卷风图或分位数对比图展示各参数对 PML 的影响排序。

误区与复盘：常见统计陷阱

• 把 AAL 当最大损失：AAL 是期望值，厚尾分布下大量年份损失很低，少数年份损失极高，AAL 严重低估尾部风险。
• 忽略模拟误差：只报告一个 PML 数字，不报告置信区间，导致决策者误以为结果精确。
• 分位数外推过度：用 1 万次模拟去估计 1/1000 年分位数，尾部样本极少，结果极不稳定。
• 参数相关性被忽略：频率与强度、强度与脆弱性之间若存在相关性，独立抽样会低估联合尾部风险。
• 分布选择不当：用正态分布拟合巨灾损失，会严重低估极端事件概率。

掌握概率与统计基础，不是为了推导公式，而是为了在巨灾模型中做出更稳健的判断：知道哪些数字可信、哪些数字脆弱、哪些参数最值得深入校验。只有把分布、期望、方差、模拟、置信区间与分位数串成一条完整的证据链，巨灾模型才能真正服务于定价、承保与资本决策。