4、风险指标选取原则：如何选择关键风险指标（KRI）、指标敏感性分析、指标相关性分析

关键风险指标（KRI）是精算风险监控体系的“传感器”。选取不当会导致告警阈值要么频繁误报，要么漏报重大风险。本节从选取原则、敏感性分析和相关性分析三个维度，建立系统化的KRI筛选框架。

4.1 关键风险指标（KRI）选取原则

选取KRI需遵循SMART原则在精算场景下的具体映射，同时兼顾业务可解释性与统计稳健性。

4.2 指标敏感性分析

敏感性分析用于衡量KRI对底层风险因子变化的响应程度。高敏感性指标能更早捕捉风险偏移，但过高的敏感性也可能导致阈值频繁触发。

4.2.1 敏感性度量方法

常用方法包括局部敏感性（偏导数/弹性系数）和全局敏感性（Sobol指数/Morris筛选法）。在精算实务中，推荐使用标准化弹性系数作为统一度量：

# 标准化弹性系数计算示例（Python伪代码）
import numpy as np

def calc_elasticity(kri_series, risk_factor_series):
    # 计算对数变化率
    d_kri = np.diff(np.log(kri_series))
    d_factor = np.diff(np.log(risk_factor_series))
    # 弹性系数 = KRI变化率 / 因子变化率
    elasticity = d_kri / d_factor
    # 返回中位数弹性作为稳健估计
    return np.median(elasticity)

# 示例：评估"退保率"对"利率变动"的敏感性
elasticity = calc_elasticity(surrender_rate, interest_rate)
print(f"退保率对利率的弹性系数: {elasticity:.2f}")
# 弹性系数 > 1.0 表示高敏感；0.3~1.0 中等敏感；< 0.3 低敏感

4.2.2 敏感性分级与阈值适配

4.3 指标相关性分析

KRI之间若存在强相关性，会导致风险信号重复、阈值联动失效以及归因分析失真。相关性分析的目的是识别并剔除冗余指标，保留正交性强的KRI组合。

4.3.1 相关性矩阵与聚类

使用Spearman秩相关系数（对精算数据的非正态分布更稳健）构建KRI相关性矩阵，并通过层次聚类识别指标群组。

# KRI相关性矩阵与聚类示例（R语言）
library(ggplot2)
library(reshape2)

# 假设有8个KRI的月度数据矩阵 kri_matrix (行:时间, 列:指标)
cor_matrix <- cor(kri_matrix, method = "spearman")

# 转换为长格式用于热力图
melted_cor <- melt(cor_matrix)

# 绘制相关性热力图（仅示意结构，实际输出为SVG）
ggplot(melted_cor, aes(Var1, Var2, fill = value)) +
  geom_tile() +
  scale_fill_gradient2(low = "#e74c3c", mid = "#ffffff", high = "#3498db",
                       midpoint = 0, limit = c(-1, 1)) +
  theme_minimal() +
  labs(title = "KRI Spearman相关性矩阵")

4.3.2 相关性阈值与处理策略

4.4 KRI筛选与阈值调优联动流程

将选取原则、敏感性分析和相关性分析整合为一个可执行的筛选流程，确保每个入选KRI都经过三层验证。

4.5 综合案例：寿险公司KRI筛选实战

某寿险公司从30个候选KRI中，经过三层筛选最终保留10个核心指标。以下为筛选过程中的关键决策记录：