3. 参数假设入门
在精算建模中，模型结构决定“怎么算”，而参数假设决定“算出来是多少”。同一套现金流引擎，仅因死亡率、退保率、折现率或费用通胀假设不同，结果就可能出现数量级差异。因此，参数假设不是建模的附属品，而是模型可信度的核心来源。本节从来源、分类和输出关系三个层面，建立参数假设的基本认知框架。
一、核心原理：假设是模型与现实之间的桥
精算模型本质上是对未来不确定现金流的数学抽象。模型中的每一个参数，都代表我们对某一风险因素的量化判断。参数假设的来源通常包括四类：
- 经验数据：来自本公司或行业的历史理赔、退保、死亡率等统计结果。
- 监管规定：如法定准备金评估中的预定利率上限、死亡率表、发病率表。
- 专家判断：在数据不足或新业务场景下，由精算师结合市场趋势给出的估计。
- 外部基准：再保报价、资本市场曲线、人口统计年鉴、行业研究报告等。
这些来源并非互斥。成熟做法是“数据为主、专家校准、监管兜底、外部验证”，并保留完整的假设变更记录。
关键认知：参数假设不是“猜一个数”，而是“在特定口径、特定期间、特定置信水平下，对风险因子的可解释估计”。没有口径的假设，无法审计，也无法复用。
二、参数假设的分类体系
按风险驱动因素，参数假设通常分为经济假设、人口假设、经验假设和运营假设四大类。下表给出常见参数、典型来源与对模型输出的主要影响方向。
| 假设类别 | 典型参数 | 常见来源 | 主要影响 |
|---|---|---|---|
| 经济假设 | 折现率、投资收益率、通胀率、利率曲线 | 资本市场数据、监管规定、ALM 研究 | 准备金、利润、偿付能力 |
| 人口假设 | 死亡率、发病率、长寿改善因子 | 生命表、行业经验、人口年鉴 | 年金给付、寿险赔付、准备金 |
| 经验假设 | 退保率、续保率、理赔频率、案均赔款 | 公司经验分析、再保数据 | 现金流时点、费用摊销、利润释放 |
| 运营假设 | 费用率、税率、佣金率、固定成本分摊 | 预算、财务口径、合同约定 | 费用缺口、定价充足性、利润 |
分类的意义在于：不同类别假设的验证方法、更新频率和治理要求不同。经济假设通常需要与投资部门联动，人口假设需要长期跟踪，经验假设需要定期做经验研究，运营假设则要与预算周期对齐。
三、假设与模型输出的关系
参数假设对模型输出的影响，不是简单的线性关系，而是通过现金流路径、状态转移和折现机制放大或衰减。以退保率为例：退保率上升，短期可能增加退保金支出，但长期可能减少未来赔付和费用，对利润的影响方向取决于产品类型和利润释放模式。
下面用一段伪代码展示参数假设如何进入模型计算，并影响输出：
# 参数假设配置示例
assumptions = {
"mortality_rate": 0.0025, # 人口假设：年死亡率
"lapse_rate": 0.08, # 经验假设：年退保率
"discount_rate": 0.035, # 经济假设：折现率
"expense_rate": 0.12, # 运营假设：费用率
"inflation_rate": 0.02 # 经济假设：费用通胀
}
# 模型输出：第 t 年净现金流现值
for t in range(1, policy_term + 1):
premium = base_premium * (1 + inflation_rate) ** t
expense = premium * expense_rate
expected_claim = sum_assured * mortality_rate
surrender = reserve[t] * lapse_rate
net_cf = premium - expense - expected_claim - surrender
pv_net_cf += net_cf / (1 + discount_rate) ** t
可以看到，折现率出现在分母，对长期现金流影响显著；退保率和死亡率同时影响支出和准备金释放；费用通胀则逐年累积。参数之间的交互作用，使得敏感性测试成为假设管理的标准动作。
实操建议：对每个关键参数，至少记录“基准值、上下限、敏感性结果、数据来源、责任人、复核日期”。这六项构成假设台账的最小字段集。
四、案例与常见误区
某寿险公司在开发一款终身寿险时，初始模型采用行业生命表死亡率并假设退保率为 5%。产品上线两年后，实际退保率达到 12%，同时投资收益率低于假设 80 个基点。复盘发现：
- 退保率假设直接套用行业均值，未考虑本公司渠道结构和客户画像差异。
- 折现率假设未与资产端实际配置收益联动，导致利差损风险被低估。
- 假设变更未留痕，无法追溯是哪个版本、哪次审批引入了偏差。
常见误区还包括：把假设当作一次性输入、用单点值代替分布、忽略参数相关性、以及在没有经验数据时直接采用再保报价而不做适配性检验。这些问题的根源，都是把参数假设当成“填数游戏”，而不是“风险沟通工具”。
警示：参数假设的微小变化，在长期业务中可能被复利和状态转移放大。任何假设变更都必须经过版本记录、影响分析和审批流程，不能直接在模型中覆盖。
建立参数假设的入门能力，核心是三点：知道假设从哪里来，清楚假设属于哪一类，理解假设如何影响输出。只有把这三件事串起来，后续的假设校准、版本管理和审计追踪才有稳固的基础。