4. 坏样本定义与标签构建

在精算建模中，坏样本（Bad Sample）的准确定义直接决定模型区分度与定价公平性。本章从行业惯例、业务规则与统计方法三个层次，系统讲解如何为车险/健康险等险种构建可靠的坏样本标签。

4.1 坏样本的行业标准

不同险种对“坏”的界定存在差异，但精算实务中通常以赔付率（Loss Ratio, LR）作为核心度量指标。赔付率计算公式为：

赔付率 = 已发生赔付 / 已赚保费 × 100%

行业通用阈值如下表所示：

4.2 基于业务规则的标签生成

业务规则法是最直接、可解释性最强的标签构建方式。精算师根据理赔经验与承保政策，定义一组显式规则来标记坏样本。常见规则包括：

• 赔付率规则：保单年度赔付率 > 80% 标记为坏样本。
• 出险次数规则：保单年度内出险次数 ≥ 3 次，无论赔付金额大小，均视为高风险。
• 大额赔案规则：单次赔案金额 > 保额 × 50% 或 > 固定金额阈值（如10万元）。
• 连续亏损规则：连续两年赔付率 > 70% 的保单。
• 欺诈标记规则：反欺诈系统标记为“高欺诈嫌疑”的赔案。

以下是一个基于Python的规则引擎示例：

def label_bad_sample(policy):
    """
    基于业务规则标记坏样本
    返回: 1=坏样本, 0=好样本
    """
    # 规则1: 赔付率 > 80%
    if policy.loss_ratio > 0.80:
        return 1
    # 规则2: 出险次数 >= 3
    if policy.claim_count >= 3:
        return 1
    # 规则3: 单次最大赔案 > 保额50%
    if policy.max_claim_amount > policy.sum_insured * 0.5:
        return 1
    # 规则4: 连续两年亏损
    if policy.loss_ratio_last_year > 0.70 and policy.loss_ratio_current > 0.70:
        return 1
    return 0

4.3 基于统计分位数的动态阈值设定

固定阈值无法适应不同业务线、不同时期的赔付分布变化。统计分位数法通过数据驱动的方式，动态确定坏样本边界，更具鲁棒性。

常用方法包括：

• 分位数截断法：选取赔付率分布的80%或90%分位数作为阈值。例如，计算所有保单赔付率的90%分位值，超过该值的保单标记为坏样本。
• 箱线图法（IQR）：定义上界为 Q3 + 1.5×IQR，超过上界的视为极端坏样本。
• 混合模型法：假设赔付率服从Gamma分布或对数正态分布，通过EM算法拟合两个成分（好/坏），后验概率 > 0.5 的归为坏样本。

下表对比了三种动态阈值方法的适用场景：

4.4 坏样本标签构建流程总览

以下SVG图展示了从原始保单数据到最终坏样本标签的完整构建流程，涵盖行业标准、业务规则与统计方法三条路径的融合：

4.5 标签质量评估与迭代

构建完坏样本标签后，必须进行质量评估，避免标签偏差影响模型效果。常用评估指标包括：

• 坏样本占比：通常控制在5%~20%之间，过低会导致模型欠采样，过高会扭曲风险区分。
• 标签稳定性：按月/季度计算坏样本比例，观察是否存在季节性波动或趋势漂移。
• 业务一致性：随机抽取100个坏样本，由核保专家复核，计算人工复核一致率（应 > 85%）。
• 区分度验证：使用单变量分析，检查坏样本与好样本在关键风险因子（如年龄、车价、NCD系数）上的分布差异是否显著。