1.1 坏样本定义基础
在精算建模中，坏样本（Bad Sample）并非简单的“异常值”或“错误数据”，而是指在特定业务周期内，被保险标的发生了符合预定损失标准的风险事件。坏样本的定义直接决定了模型预测的目标变量（Target Variable），是损失预测模型的逻辑起点。
1.1.1 精算模型中坏样本的概念
坏样本的核心特征是“损失事件已发生且达到可观测阈值”。在非寿险精算中，坏样本通常对应保单在观察期内发生了理赔，且理赔金额超过预设的严重度门槛。在信用风险或健康险领域，坏样本可能对应“违约90天以上”或“住院费用超过免赔额”。
关键定义公式：
坏样本标识 = I(损失事件发生 & 损失金额 ≥ 阈值)
其中 I(·) 为示性函数，取值为 1（坏样本）或 0（好样本）。
坏样本标识 = I(损失事件发生 & 损失金额 ≥ 阈值)
其中 I(·) 为示性函数，取值为 1（坏样本）或 0（好样本）。
1.1.2 坏样本与好样本的区分标准
区分标准需要从时间窗口、损失阈值和业务规则三个维度进行定义。下表展示了不同险种下的典型区分标准：
| 险种类型 | 坏样本定义 | 好样本定义 | 观察期 |
|---|---|---|---|
| 车险 | 发生有责事故且赔付金额 > 0 | 无事故或事故无赔付 | 保单年度 |
| 健康险 | 住院费用超过免赔额（如 1,000 元） | 未住院或费用未达免赔额 | 保险期间 |
| 信用保证险 | 逾期超过 90 天且未结清 | 正常还款或逾期 < 30 天 | 贷款周期 |
| 财产险 | 火灾/水损等事故导致实际损失 > 0 | 无事故报告 | 保单有效期 |
实践提示： 坏样本定义并非一成不变。在建模初期，建议定义 2~3 种不同严格程度的坏样本标准（如“严格坏样本”、“宽松坏样本”），通过对比模型区分度（如 Gini 系数）来选择最优定义。
1.1.3 坏样本在损失预测中的核心作用
坏样本是损失预测模型的因变量，其作用体现在三个层面：
- 驱动损失频率模型： 坏样本的发生频率（Bad Rate）是损失频率模型的目标变量，直接影响纯保费的计算。
- 定义损失严重度分布： 只有被标记为坏样本的观测，才会进入损失金额（Severity）建模环节，好样本的损失金额视为 0。
- 校准模型区分能力： 坏样本的分布特征决定了模型能否有效区分高风险与低风险个体，是模型验证的核心基准。
下图展示了坏样本在精算损失预测模型体系中的位置与作用：
1.1.4 坏样本构建的常见陷阱
⚠ 常见陷阱：
- 幸存者偏差： 仅使用已结案理赔数据定义坏样本，忽略了仍在理赔过程中的“在途样本”，导致坏样本率被低估。
- 时间窗口截断： 观察期过短导致部分应被标记为坏的样本尚未出险，造成标签噪声（Label Noise）。
- 阈值主观性： 随意设定损失阈值（如 0 元或 500 元）而未进行敏感性分析，可能使模型对微小损失过度敏感。
1.1.5 坏样本定义流程清单
以下流程清单总结了坏样本定义的标准步骤，建议在建模项目中按顺序执行：
| 步骤 | 操作内容 | 输出物 |
|---|---|---|
| 1 | 确定业务目标与损失类型（频率/严重度/纯保费） | 建模目标文档 |
| 2 | 设定观察期与表现期（如 12 个月） | 时间窗口定义 |
| 3 | 定义损失事件触发条件（如理赔报案、逾期天数） | 事件定义规则 |
| 4 | 设定损失金额阈值（如 0 元、免赔额） | 阈值参数表 |
| 5 | 生成坏样本标签（0/1 标识） | 标签变量 |
| 6 | 进行坏样本率与业务经验对比验证 | 验证报告 |
最佳实践： 在步骤 5 完成后，建议随机抽取 200~500 条坏样本进行人工复核，确认标签与业务实际一致。这一步能有效避免因数据清洗错误导致的系统性标签偏差。