2. 精算建模基础回顾
敏感性分析与压力测试并非独立于模型之外的技术动作，而是建立在精算模型自身结构之上的系统性实验。要判断“改哪个参数、看哪个输出、如何解释结果”，必须先回到模型本身：它属于哪一类、由哪些部件构成、参数如何组织、不确定性从哪里进入。本节围绕这四个问题做一次面向工程实战的回顾，为后续的敏感性度量与压力情景设计打下结构化的认知基础。
一、常见精算模型类型及其适用边界
精算模型可按“时间维度”和“随机性处理方式”两个轴划分。理解类型差异，直接决定敏感性分析的对象是参数、假设还是随机路径。
- 确定性模型：如现金流预测、准备金逐期递推。输入固定假设，输出单一结果，敏感性分析表现为“假设变动—结果变动”的弹性测量。
- 随机模型：如蒙特卡洛模拟、随机死亡率模型。输出为分布，敏感性分析需关注分位数、尾部概率与分布形态的变化。
- 经验/统计模型：如GLM费率模型、生存分析。参数由数据估计，敏感性来源包括样本波动与模型设定。
- 动态财务分析（DFA）模型：耦合资产与负债，含管理规则，敏感性常表现为策略反馈下的非线性响应。
- 机器学习增强模型：如梯度提升用于理赔预测。其敏感性分析更关注特征扰动与模型可解释性。
类型判断是第一步：对确定性模型谈“路径依赖”没有意义，对随机模型只做单点扰动则会丢失尾部信息。
二、模型结构：从输入到输出的装配关系
无论哪类模型，其结构通常可拆为五层：数据层、假设与参数层、计算引擎层、状态与现金流层、输出与报表层。敏感性测试的“探针”通常插在参数层与计算引擎层之间，而压力测试则更多作用于假设层与状态层。
结构清晰后，敏感性测试的“探针位置”就明确了：参数层做单点扰动，引擎层做算法与步长对比，状态层做情景冲击与路径重采样。三者不可混为一谈，否则结果无法归因。
三、参数体系：分层组织与优先级
参数不是一堆散落的数字，而应组织为可管理、可追溯、可批量扰动的体系。工程实践中常按以下层级组织：
| 层级 | 典型参数 | 敏感性优先级 | 扰动方式 |
|---|---|---|---|
| 基础假设 | 利率、通胀、死亡率水平 | 高 | 绝对增减 / 相对比例 |
| 行为假设 | 退保率、续保率、费用率 | 高 | 情景切换 / 弹性区间 |
| 分布参数 | 均值、方差、相关系数 | 中 | 分布重采样 |
| 结构参数 | 时间步长、分组粒度 | 中 | 离散化对比 |
| 管理规则 | 分红比例、再保阈值 | 视业务而定 | 规则开关 |
# 参数体系配置示例（YAML 片段）
assumptions:
mortality:
base_table: "CL2020"
improvement_rate: 0.015 # 死亡率改善率
sensitivity_range: [0.0, 0.03]
lapse:
base_rate: 0.06
sensitivity_range: [0.03, 0.12]
interest:
base_curve: "treasury_2024"
shock_bp: [-100, -50, 0, 50, 100]
把参数写成可批量遍历的结构，是敏感性测试自动化的前提。手工改一个数跑一次模型，无法支撑工程化的压力测试。
四、不确定性来源：四类入口与归因
不确定性并非单一来源，工程上通常分为四类，每类对应不同的测试手段：
- 参数不确定性：参数估计本身有误差，如死亡率样本波动。用置信区间扰动测试。
- 模型不确定性：模型结构选择带来的偏差，如是否考虑选择性退保。用多模型对比测试。
- 过程不确定性：随机过程本身的波动，如赔付次数。用蒙特卡洛路径重采样。
- 情景不确定性：外部环境突变，如利率急升。用压力情景冲击。
常见误区：把过程不确定性当成参数不确定性处理。前者需要路径重采样，后者只需参数扰动，混用会导致尾部风险被严重低估。
五、案例场景：退保率假设的敏感性归因
某终身寿险模型在利率下行情景下准备金大幅上升。初步怀疑是利率参数敏感，但归因分析发现：利率下降触发退保率假设中的动态联动项，退保率上升又改变了现金流时序，最终放大准备金缺口。这说明敏感性不是单参数弹性，而是参数间的耦合响应。
复盘要点：
- 先做单参数龙卷风图，识别高影响参数；
- 再做参数对的相关性分析，识别耦合路径；
- 最后用压力情景验证耦合放大效应。
工程结论：敏感性分析的价值不在于“哪个参数影响大”，而在于“影响通过什么路径传导、在什么条件下被放大”。这正是后续压力测试工程要解决的核心问题。
回到模型本身，类型决定测试对象，结构决定探针位置，参数体系决定扰动方式，不确定性来源决定归因逻辑。四者对齐之后，敏感性与压力测试才从零散实验变成可复现、可解释、可交付的工程流程。