2. 精算模型工程师核心技能面试
精算模型工程师的面试，很少只问“你会不会用Python”或“你懂不懂生命表”。面试官真正想确认的是：你能否把一份脏数据变成可解释、可复现、可审计的模型，并在公司既有技术栈和合规框架下交付结果。因此，本章围绕五个关键词展开：建模流程、数据清洗、参数校准、模型验证、公司侧重点。它们不是五个孤立知识点，而是一条从业务问题到模型上线的完整链路。
一、核心原理：建模流程不是线性流水线，而是可追溯的决策链
精算建模的本质，是在不确定性下量化风险。面试中回答“建模流程”时，不要只背“数据准备、模型选择、参数估计、验证、部署”这种教科书顺序。更好的表达是：以业务问题为起点，以假设为骨架，以验证为闭环，以文档为交付物。精算模型工程师的价值，不在于跑出一个结果，而在于让结果可解释、可复现、可审计。
一个成熟的回答框架可以概括为“四问”：
- 问目标：模型要解决定价、准备金、资本还是经验分析？目标不同，粒度和口径完全不同。
- 问数据：数据来源、时间窗口、字段含义、缺失机制、异常值处理规则是什么？
- 问假设：死亡率、退保率、利率、费用率等参数来自公司经验、行业表还是监管规定？
- 问验证：回测、敏感性分析、压力测试、专家评审是否通过？
二、方法流程：从数据清洗到参数校准的关键动作
数据清洗是精算建模中最耗时、也最能体现功力的环节。面试官常问：“你遇到过最脏的数据是什么？怎么处理的？”回答时不要只说“用pandas dropna”，而要展示完整的判断逻辑。
常见清洗动作包括：
- 一致性检查：保单起止日期、年龄、性别、保额、保费之间是否存在逻辑矛盾。
- 缺失值处理：区分随机缺失和系统性缺失。精算中系统性缺失往往意味着业务规则变化，不能简单填充。
- 异常值识别：用分位数、箱线图、业务阈值三重判断，避免把真实高额保单误删。
- 口径统一：不同系统导出的“保费”可能含税或不含税，必须对齐定义。
- 可复现记录：每一步清洗都要有日志和版本，方便审计回溯。
# 示例：精算数据清洗中的一致性检查片段
import pandas as pd
df = pd.read_csv("policy_data.csv")
# 1. 日期逻辑检查
df["issue_date"] = pd.to_datetime(df["issue_date"])
df["termination_date"] = pd.to_datetime(df["termination_date"])
mask_date = df["termination_date"] < df["issue_date"]
print("日期倒置记录数：", mask_date.sum())
# 2. 年龄与险种匹配检查
mask_age = (df["product_type"] == "终身寿险") & (df["issue_age"] > 70)
print("超龄承保记录数：", mask_age.sum())
# 3. 缺失值分布
print(df.isnull().mean().sort_values(ascending=False).head(10))
参数校准则是把数据转化为假设的过程。精算中常用方法包括：经验数据加权、信度理论、广义线性模型、贝叶斯方法等。面试时要能说清：为什么选这个校准方法？样本量够不够？结果与行业表差异如何解释？
| 环节 | 核心问题 | 面试官想听到的关键词 |
|---|---|---|
| 数据清洗 | 数据能不能用？ | 缺失机制、异常值、口径统一、可复现 |
| 参数校准 | 假设从哪来？ | 经验数据、信度、GLM、贝叶斯、监管约束 |
| 模型验证 | 结果可不可信？ | 回测、敏感性、压力测试、专家评审 |
| 公司侧重点 | 能不能落地？ | 技术栈、合规、文档、业务沟通 |
三、案例/场景：一次退保率模型面试追问
假设面试官问：“我们公司想做一个退保率预测模型，你会怎么推进？”一个高质量回答可以这样组织：
- 业务理解：退保率影响现金流和准备金，需区分主动退保和失效，明确预测粒度是保单层还是分组层。
- 数据准备：提取保单属性、缴费方式、渠道、地区、宏观经济指标，处理右删失和观察期不一致问题。
- 模型选择：先做经验分组分析，再用GLM或生存模型，最后用机器学习做补充，但必须保证可解释性。
- 参数校准：用公司近五年经验数据校准，样本不足的组用行业表或信度加权。
- 验证：按时间切分做回测，检查不同渠道和区域的偏差，做利率上升、经济下行等压力情景。
- 落地：输出模型文档、参数表、监控指标，与精算定价和财务团队对齐使用口径。
四、误区/复盘：公司侧重点与常见失分点
不同公司对精算模型工程师的侧重点差异很大。保险公司更看重精算假设、监管合规和文档能力；互联网保险或金融科技公司更看重工程化、自动化和数据规模；咨询公司则看重沟通表达和项目交付速度。面试前必须研究目标公司的业务模式和技术栈。
复盘时可以用“STAR+精算”结构：情境（S）、任务（T）、行动（A）、结果（R），再加一层“精算影响”——模型结果如何影响定价、准备金或资本。例如：通过清洗发现某渠道退保数据存在系统性缺失，重新校准后退保率假设下降0.3个百分点，释放准备金约XX万元。这种表达既有技术细节，又有业务价值。
最后，面试中要主动展示你对“模型治理”的理解：版本管理、参数审批、模型监控、定期回顾。精算模型不是一次性的分析报告，而是持续运行的风险管理工具。能把这句话讲清楚，你就已经超过了大多数候选人。