3. 赔付率时间序列分析：月度/季度赔付率趋势图、季节性分解、移动平均法平滑波动

赔付率时间序列分析是精算模型调优的基础环节。通过将赔付率数据按时间维度展开，精算师可以识别出长期趋势、周期性波动以及异常突变点，从而为费率调整、准备金评估和模型参数校准提供量化依据。本节聚焦于三种核心分析手段：趋势图绘制、季节性分解与移动平均平滑。

3.1 月度/季度赔付率趋势图

趋势图是时间序列分析的第一视觉工具。精算师通常将已赚保费（EP）与已发生赔付（Incurred Loss）按月度或季度聚合，计算综合赔付率（Loss Ratio = Incurred Loss / Earned Premium），并绘制成折线图。

3.2 季节性分解

保险赔付率通常具有明显的季节性特征。例如，车险在冬季冰雪天气、夏季台风季赔付率上升；健康险在流感高发季赔付率走高。季节性分解（Seasonal Decomposition）将时间序列拆解为三个成分：趋势分量（Trend）、季节分量（Seasonal）和残差分量（Residual）。

常用的分解模型有两种：加法模型（Additive）和乘法模型（Multiplicative）。

• 加法模型：Y(t) = Trend(t) + Seasonal(t) + Residual(t)，适用于季节波动幅度不随趋势变化的情况。
• 乘法模型：Y(t) = Trend(t) × Seasonal(t) × Residual(t)，适用于季节波动幅度随趋势水平变化的情况（如赔付率越高，季节性波动越大）。

3.3 移动平均法平滑波动

移动平均法（Moving Average）是消除短期随机波动、突出长期趋势的最常用方法。精算实践中主要使用以下两种变体：

• 简单移动平均（SMA）：对最近 k 期的赔付率取算术平均。k 值越大，平滑效果越强，但对最新变化的响应越慢。
• 加权移动平均（WMA）：对近期的赔付率赋予更高权重，使平滑线更贴近实际值。常用权重为线性递减或指数衰减。

3.4 移动平均法在精算模型中的调优实践

以下是一个使用 Python 实现移动平均法平滑赔付率的代码示例，展示了如何计算 3 个月和 6 个月简单移动平均，并识别异常波动点。

import pandas as pd
import numpy as np

# 模拟月度赔付率数据
dates = pd.date_range(start='2022-01-01', periods=24, freq='M')
loss_ratio = [0.72, 0.68, 0.75, 0.71, 0.69, 0.78,
              0.73, 0.70, 0.76, 0.72, 0.74, 0.80,
              0.75, 0.71, 0.77, 0.73, 0.70, 0.79,
              0.74, 0.72, 0.78, 0.76, 0.73, 0.82]

df = pd.DataFrame({'日期': dates, '赔付率': loss_ratio})

# 计算3个月和6个月简单移动平均
df['SMA_3'] = df['赔付率'].rolling(window=3).mean()
df['SMA_6'] = df['赔付率'].rolling(window=6).mean()

# 计算残差（实际值 - 平滑值）
df['残差_SMA3'] = df['赔付率'] - df['SMA_3']
df['残差_SMA6'] = df['赔付率'] - df['SMA_6']

# 标记异常点：残差绝对值超过2倍标准差
threshold = 2 * df['残差_SMA3'].std()
df['异常标记'] = np.where(np.abs(df['残差_SMA3']) > threshold, '⚠️ 异常', '')

print(df[['日期', '赔付率', 'SMA_3', 'SMA_6', '异常标记']].to_string(index=False))

3.5 精算模型调优中的时间序列分析策略

将时间序列分析结果应用于精算模型调优时，建议遵循以下步骤：

1. 数据准备：确保赔付率数据口径一致（如统一使用已赚保费和已发生赔付），剔除异常保单或巨灾事件的影响。
2. 趋势识别：通过移动平均或季节性分解判断赔付率是上升、下降还是平稳，作为费率调整方向的基础依据。
3. 季节性因子提取：将分解得到的季节分量作为模型中的固定效应因子，或作为动态调整的输入变量。
4. 残差分析：对残差分量进行正态性检验和自相关检验（如ACF/PACF），判断模型是否遗漏了重要解释变量。
5. 模型迭代：根据时间序列分析结果，调整模型中的趋势项、季节项或引入干预变量，重新拟合后再次评估残差表现。