精算模型基础
精算模型定义
精算模型是运用数学、统计学和金融理论，对保险业务中的风险事件进行量化分析、预测和管理的结构化工具。其核心目标是将不确定性转化为可度量的财务指标，为产品定价、准备金计提、资本管理和再保险安排提供决策依据。
精算模型三要素：
- 风险因子 — 影响赔付发生频率和严重程度的变量（如年龄、地区、保额）
- 假设体系 — 死亡率、退保率、费用率、投资收益率等长期假设
- 输出指标 — 赔付率、准备金、偿付能力比率、内含价值等
常见精算模型类型
寿险精算模型
寿险模型以生命表为基础，关注死亡风险、生存风险和长期储蓄特征。主要模型包括：
| 模型类型 | 适用产品 | 核心假设 | 典型输出 |
|---|---|---|---|
| 生命表模型 | 定期寿险、终身寿险 | 死亡率、退保率 | 纯保费、风险保额 |
| 现金流模型 | 年金、分红险 | 死亡率、投资收益率、费用率 | 准备金、内含价值 |
| 多状态模型 | 重疾险、长期护理险 | 疾病发生率、恢复率、死亡率 | 疾病发生率、赔付成本 |
| 随机模拟模型 | 万能险、投连险 | 利率随机过程、资产收益率 | 偿付能力分布、资本要求 |
非寿险精算模型
非寿险模型聚焦短期风险，关注赔付频率和赔付强度的联合分布。主要模型包括：
| 模型类型 | 适用险种 | 核心假设 | 典型输出 |
|---|---|---|---|
| 链梯法模型 | 车险、责任险 | 赔付发展模式稳定 | 最终赔付、未决赔款准备金 |
| B-F 模型 | 长尾责任险 | 期望赔付率 + 已报告赔付 | 最终赔付、IBNR 准备金 |
| GLM 费率模型 | 车险、健康险 | 风险因子与赔付的广义线性关系 | 纯保费、风险分类费率 |
| 极值理论模型 | 巨灾险、再保险 | 赔付尾部分布 | 超赔概率、再保险定价 |
模型输出指标
赔付率（Loss Ratio）
赔付率是衡量承保盈利能力的核心指标，反映保费收入中用于支付赔款的比例。
| 指标名称 | 计算公式 | 说明 |
|---|---|---|
| 简单赔付率 | 已发生赔款 ÷ 已赚保费 × 100% | 反映当期承保业务的赔付水平 |
| 综合赔付率 | (已发生赔款 + 理赔费用) ÷ 已赚保费 × 100% | 包含理赔直接费用，更全面 |
| 终极赔付率 | 最终赔付估计 ÷ 已赚保费 × 100% | 考虑未决赔款和 IBNR 后的长期视角 |
实时命中复盘中的赔付率应用： 在 Kafka 流处理中，每笔理赔事件到达后立即更新累计赔付金额，并与同期已赚保费对比，当赔付率超过预设阈值时触发预警，实现承保质量的实时监控。
准备金（Reserve）
准备金是保险公司为履行未来赔付义务而计提的负债，是精算模型最重要的输出之一。
| 准备金类型 | 定义 | 计提方法 | 适用场景 |
|---|---|---|---|
| 未到期责任准备金 | 保单未到期部分的保费 | 1/365 法、1/24 法 | 所有险种 |
| 未决赔款准备金 | 已报案但未结案的赔款 | 逐案估计法、链梯法 | 非寿险 |
| IBNR 准备金 | 已发生但未报案的赔款 | B-F 模型、链梯法 | 长尾责任险 |
| 寿险责任准备金 | 未来给付义务的现值 | 净保费法、修正法 | 寿险、年金 |
实时复盘中的准备金挑战： 传统准备金计提依赖月度或季度数据，在 Kafka 实时流场景下，需要将链梯法等模型改造为增量更新算法，避免每次全量重算。同时需注意 IBNR 估计的滞后性，建议结合短期赔付趋势指标做实时修正。
模型输出在实时复盘中的映射
在《Kafka驱动的精算模型实时命中复盘案例》课程中，精算模型的输出指标将直接映射为实时数据流的监控目标：
- 赔付率 — 作为 Kafka Streams 中的滑动窗口聚合指标，每 5 分钟计算一次，与预期赔付率对比，偏差超过 ±5% 时触发复盘事件。
- 未决赔款准备金 — 通过 Kafka 实时理赔流，采用增量链梯法逐日更新，与静态准备金对比，发现异常波动时自动生成复盘任务。
- IBNR 准备金 — 结合历史发展模式和实时报案延迟分布，在 Kafka 中构建动态 IBNR 估计器，支持按险种、按区域实时输出。