3. 敏感性与压力测试核心概念

在精算模型工程中，敏感性、情景分析、压力测试、反向压力测试与资本充足性评估并非五个孤立工具，而是一条从“参数扰动”到“资本决策”的递进链条。理解它们各自的定义边界与衔接关系，是后续工程化落地的前提。

一、核心原理：五个概念的定位与差异

敏感性（Sensitivity）回答的是“单点扰动”问题：在其他条件不变时，某一关键假设（如死亡率、退保率、折现率、赔付率）发生微小变化，模型输出（准备金、利润、偿付能力充足率）会如何变化。它本质上是局部偏导数或弹性度量，强调方向与幅度。

情景分析（Scenario Analysis）回答的是“一组假设同时变化”问题：例如“经济衰退+利率下行+退保率上升”构成一个完整情景，各变量之间存在逻辑一致性。它强调情景的叙事性与内部一致性，而非单变量孤立扰动。

压力测试（Stress Testing）是情景分析中的极端化分支：选取低概率、高影响的不利情景（如巨灾、利率急升、大规模退保），检验模型在极端条件下的稳健性与资本消耗。它强调尾部风险与生存能力。

反向压力测试（Reverse Stress Testing）则反转提问方式：不问“给定情景会怎样”，而问“什么样的情景会让公司破产或跌破监管红线”。它从失败结果反推触发条件，用于识别盲区与不可接受风险。

资本充足性评估（Capital Adequacy Assessment）是上述所有测试的落脚点：将敏感性、情景与压力结果映射到资本需求，判断现有资本是否足以覆盖不利波动，并指导资本补充或业务调整。

二、方法流程：从参数到资本的工程链路

在模型工程中，上述概念需要转化为可执行的流水线。典型流程如下：

1. 参数识别与分级：梳理所有假设参数，按对输出的影响程度分为高、中、低三级，确定敏感性测试范围。
2. 敏感性批量执行：对高影响参数进行±1%、±5%、±10%扰动，记录输出变化率，生成龙卷风图数据。
3. 情景构建与压力设定：基于历史数据与专家判断，构建基准、不利、极端三类情景，明确各变量取值与相关性。
4. 反向压力测试：设定失败阈值（如偿付能力充足率<100%），通过优化搜索或蒙特卡洛反推触发情景。
5. 资本充足性映射：将压力结果转化为经济资本需求，对比可用资本，计算缺口。
6. 结果归档与报告：所有参数、随机种子、版本号、执行日志完整留存，满足审计要求。

三、案例场景：利率下行与退保率上升的联合压力

假设某寿险公司评估利率下行与退保率上升的联合冲击。基准情景：折现率3.5%，退保率5%。压力情景：折现率降至2.0%，退保率升至12%，且两者正相关（利率越低，退保越高）。

情景配置示例（YAML）：
scenario:
  name: "利率下行+退保上升"
  discount_rate: 0.020
  lapse_rate: 0.12
  correlation: 0.65
  projection_years: 30
  output:
    - reserve
    - solvency_ratio
    - economic_capital
threshold:
  solvency_ratio_min: 1.00
  warning_level: 1.20

执行后若偿付能力充足率从基准的185%降至98%，则触发资本缺口告警。此时反向压力测试可进一步回答：退保率需达到多少才会使充足率跌破100%？假设反推结果为14.5%，则管理层需关注退保率超过14%的极端场景。

四、误区与复盘