3. 坏样本定义：精算视角下的坏样本分类与识别标准
在精算建模中，坏样本（Bad Sample）并非简单的理赔发生，而是指那些导致模型预测失真、赔付率异常波动或存在欺诈风险的个体。本章从精算视角出发，建立一套可量化的坏样本分类体系与识别标准，为后续归因分析奠定基础。
3.1 坏样本的三类核心形态
根据赔付率偏离程度与行为特征，坏样本可归纳为以下三类：
| 类别 | 核心特征 | 精算影响 | 典型场景 |
|---|---|---|---|
| 高赔付率样本 | 赔付率 > 阈值（如 150%），且持续多期 | 拉高整体赔付率，扭曲费率充足性 | 长期慢性病、高额医疗费用、大额财产损失 |
| 异常理赔样本 | 理赔频次、金额或模式显著偏离历史分布 | 破坏损失分布假设，影响准备金估计 | 集中出险、理赔金额突增、理赔时间异常 |
| 欺诈嫌疑样本 | 存在人为操纵、虚假材料或行为模式异常 | 直接造成纯损失，需单独计提欺诈准备金 | 伪造事故、夸大损失、团伙骗保 |
精算提示： 三类坏样本并非互斥。例如，欺诈嫌疑样本往往同时表现为异常理赔，而高赔付率样本中也可能隐藏欺诈行为。分类的目的是为后续建模提供不同的处理策略。
3.2 识别标准：量化指标与阈值
精算视角下的识别标准强调可量化、可回溯、可验证。以下为三类坏样本的核心识别指标：
3.2.1 高赔付率样本识别标准
- 个体赔付率（Individual Loss Ratio, ILR）： ILR = 已付赔款 / 已赚保费。阈值通常设为 100%～150%，超过则标记为高赔付率候选。
- 持续高赔付率： 连续 3 个评估期 ILR > 120%，或连续 2 个评估期 ILR > 150%。
- 赔付率波动性： 个体赔付率标准差超过同类样本均值的 2 倍。
3.2.2 异常理赔样本识别标准
- 理赔频次异常： 个体理赔次数超过同类样本的 99% 分位数。
- 理赔金额异常： 单次理赔金额超过同类样本均值的 3 倍标准差，或超过历史最大值的 1.5 倍。
- 理赔时间异常： 出险日期与保单生效日期间隔过短（如 7 天内），或理赔结案时间显著短于同类均值。
3.2.3 欺诈嫌疑样本识别标准
- 行为模式异常： 同一投保人/受益人短期内多次出险，或理赔材料存在逻辑矛盾。
- 网络关联异常： 多个理赔案件共享相同电话号码、地址、银行账户或医疗提供方。
- 文本异常： 理赔描述中存在高频欺诈关键词（如“突然”“全部”“从未有过”），或与历史欺诈案件文本相似度 > 0.8。
实操建议： 阈值设定应基于业务历史数据动态调整。建议每季度回测一次识别标准，避免因市场环境变化导致误判。
3.3 坏样本识别流程
以下为精算建模中推荐的坏样本识别流程，采用分层过滤机制：
- 数据清洗： 剔除缺失关键字段（如保费、赔款、出险日期）的记录。
- 规则过滤： 应用上述量化指标，生成三类候选样本列表。
- 交叉验证： 对候选样本进行人工复核或模型验证（如孤立森林、LOF）。
- 标签确认： 最终确认坏样本标签，并记录识别依据。
- 入库管理： 将坏样本纳入专用数据库，用于后续模型训练与监控。
3.4 坏样本分类的矩阵视图
为便于精算师快速定位坏样本类型，以下矩阵将三类核心形态与识别维度进行交叉映射：
| 识别维度 | 高赔付率样本 | 异常理赔样本 | 欺诈嫌疑样本 |
|---|---|---|---|
| 赔付率 | ILR > 150% 且持续 | ILR 波动剧烈 | ILR 可能正常或偏高 |
| 理赔频次 | 频次正常或偏高 | 频次显著偏离分布 | 频次异常集中 |
| 理赔金额 | 金额持续偏高 | 金额突增或突减 | 金额与损失描述不匹配 |
| 理赔时间 | 时间分布正常 | 时间异常集中或分散 | 时间与保单生效日高度相关 |
| 行为模式 | 无明显异常 | 可能存在系统性偏差 | 存在人为操纵痕迹 |
注意： 矩阵中的“正常”或“异常”均需基于同类样本的统计分布进行判断。建议使用 Z-score 或百分位数法进行标准化处理，避免主观臆断。
3.5 坏样本识别的精算意义
坏样本的准确定义与识别，直接关系到以下精算工作的质量：
- 费率厘定： 剔除坏样本后，纯保费估计更接近真实风险水平。
- 准备金评估： 坏样本的单独管理可避免准备金被异常理赔扭曲。
- 反欺诈模型： 欺诈嫌疑样本的标签为监督学习提供训练数据。
- 模型监控： 坏样本的分布变化可作为模型退化的早期预警信号。
3.6 坏样本管理的常见误区
误区一： 将所有高赔付率样本直接标记为坏样本。
纠正： 高赔付率可能是风险定价不足导致，而非样本本身异常。需结合费率充足性分析综合判断。
纠正： 高赔付率可能是风险定价不足导致，而非样本本身异常。需结合费率充足性分析综合判断。
误区二： 欺诈嫌疑样本仅依赖规则过滤。
纠正： 规则过滤会产生大量误报，建议结合机器学习模型（如XGBoost、图神经网络）进行二次验证。
纠正： 规则过滤会产生大量误报，建议结合机器学习模型（如XGBoost、图神经网络）进行二次验证。
误区三： 坏样本标签一旦确定，不再更新。
纠正： 坏样本的定义应随业务环境、市场变化和模型迭代动态调整，建议每半年进行一次标签回测。
纠正： 坏样本的定义应随业务环境、市场变化和模型迭代动态调整，建议每半年进行一次标签回测。
3.7 本章小结
坏样本的定义是精算建模的基石。本章从高赔付率、异常理赔、欺诈嫌疑三个维度建立了分类体系，并给出了可量化的识别标准与流程。精算师在实际应用中应结合业务场景灵活调整阈值，同时避免常见误区，确保坏样本识别的准确性与稳定性。