1. 精算模型基础回顾
1.1 精算模型的定义
精算模型是运用数学、统计学与金融理论，对保险业务中的风险进行量化、定价与准备的系统性工具。其核心目标是通过历史数据与假设，预测未来赔付、费用与利润，为保险公司决策提供科学依据。
核心公式： 纯保费 = 索赔频率 × 索赔强度，其中频率与强度分别通过独立或联合模型拟合。
1.2 常见精算模型类型
在保险定价与准备金评估中，以下三类模型最为常用：
| 模型类型 | 核心原理 | 适用场景 | 优势 | 局限 |
|---|---|---|---|---|
| GLM（广义线性模型） | 通过链接函数将线性预测与响应变量分布关联 | 费率厘定、索赔频率建模 | 可解释性强、统计推断成熟 | 需手动构造交互项与非线性 |
| GBM（梯度提升机） | 迭代集成弱学习器，优化损失函数梯度 | 复杂风险分层、高维特征定价 | 自动捕捉非线性与交互效应 | 可解释性弱、易过拟合 |
| 决策树 | 基于特征分裂的树状规则集 | 风险分组、规则提取 | 直观可视化、无需特征缩放 | 方差高、单树精度有限 |
实战提示： 在规则命中率提升项目中，GLM 常用于建立基准模型，GBM 用于挖掘高维规则，决策树则用于生成可解释的规则片段。
1.3 模型在保险定价与准备金中的应用
精算模型贯穿保险产品全生命周期：
- 定价阶段： 利用 GLM 或 GBM 预测纯保费，结合费用与利润附加确定最终费率。
- 准备金评估： 使用链梯法、Bornhuetter-Ferguson 等传统方法，或基于 GLM 的增量赔付模型预测未决赔款。
- 规则引擎： 将模型输出转化为业务规则（如“年龄 > 50 且驾龄 < 2 年 → 高风险”），提升核保与定价的自动化命中率。
常见误区： 许多团队直接使用 GBM 输出作为最终规则，忽略了对规则的可解释性验证，导致业务部门无法信任模型结果。建议始终保留 GLM 或决策树作为规则解释的桥梁。
1.4 模型选择对比清单
在实战中，根据数据量与业务需求选择模型：
- 数据量 < 10 万条： 优先 GLM，避免 GBM 过拟合。
- 特征维度 > 50： 使用 GBM 自动筛选重要变量。
- 需要输出显式规则： 决策树或 GLM 的系数表。
- 混合策略： 先用 GBM 识别关键交互，再用 GLM 量化效应。