3. 告警阈值数学基础：概率论与数理统计回顾
告警阈值的本质是一个决策边界，它决定了系统何时从“正常”状态切换至“异常”状态。这一决策过程完全建立在概率论与数理统计的基石之上。本章将系统回顾核心数学概念，并展示它们如何直接应用于阈值设定。
3.1 概率分布与精模指标特性
精算模型输出的指标（如预测赔付率、准备金波动率、风险评分）通常服从特定的概率分布。理解分布形态是设定阈值的前提。
| 分布类型 | 典型精算指标 | 阈值设定关注点 |
|---|---|---|
| 正态分布 | 模型残差、聚合赔付额 | 均值与标准差决定阈值位置 |
| 对数正态分布 | 个体赔付额、保费规模 | 右偏特性，高阈值需关注尾部 |
| 泊松分布 | 索赔频率、事件计数 | 离散性，阈值需为整数 |
| 伽马分布 | 风险暴露时长、损失金额 | 形状参数影响阈值灵敏度 |
精算实践提示： 在设定阈值前，务必通过 Q-Q 图或 Kolmogorov-Smirnov 检验验证指标的实际分布。误判分布形态会导致阈值完全失效。
3.2 分位数与置信区间
分位数是阈值设定的直接工具。第 p 分位数表示有 p% 的数据点小于或等于该值。在告警场景中，我们通常选择高分位数（如 95%、99%）作为“异常”的起始点。
置信区间则提供了阈值的不确定性范围。对于一个估计的阈值，置信区间越窄，说明该阈值越稳定可靠。
核心公式： 对于均值为 μ、标准差为 σ 的正态分布，置信水平为 1-α 的双侧置信区间为：
CI = [μ - Z_(α/2) * σ, μ + Z_(1-α/2) * σ]3.3 假设检验在阈值设定中的应用
假设检验为阈值设定提供了严格的统计决策框架。我们将告警问题转化为一个假设检验问题：
- 原假设 H₀： 系统处于正常状态，指标值未超过阈值。
- 备择假设 H₁： 系统处于异常状态，指标值超过阈值。
设定阈值本质上是在控制两类错误：
| 错误类型 | 统计定义 | 精算后果 | 可接受水平 |
|---|---|---|---|
| 第一类错误（假阳性） | H₀ 为真但拒绝 H₀ | 误报，浪费调查资源 | α（通常 1%-5%） |
| 第二类错误（假阴性） | H₁ 为真但接受 H₀ | 漏报，导致风险失控 | β（通常 5%-20%） |
关键权衡： 降低 α（提高阈值）会增加 β（漏报风险）；反之亦然。精算师必须根据业务风险偏好，在两类错误之间寻找平衡点。对于高影响风险（如偿付能力不足），应优先控制 β。
3.4 单样本与双样本检验在阈值校准中的应用
在实际精算工作中，阈值并非一成不变。假设检验可用于验证阈值是否需要调整：
- 单样本 t 检验： 检验当前指标均值是否显著偏离预设阈值。若 p 值小于 α，说明阈值可能已失效。
- 双样本 t 检验： 比较两个时间段（如调整前后）的指标均值是否存在显著差异，用于评估阈值调整效果。
- 卡方检验： 检验告警频次分布是否符合预期，用于检测阈值是否过于敏感或迟钝。
3.5 多重比较与告警阈值膨胀
精算模型通常同时监控数十甚至数百个指标。当进行多次假设检验时，第一类错误（误报）的概率会显著膨胀。
Bonferroni 校正： 若同时进行 m 次检验，期望整体第一类错误率控制在 α，则单次检验的显著性水平应设为 α/m。
# 示例：监控 20 个指标，期望整体 α = 0.05
m = 20
alpha_adjusted = 0.05 / m # 0.0025
print(f"调整后单指标显著性水平: {alpha_adjusted:.4f}")替代方法： Bonferroni 校正过于保守时，可考虑 False Discovery Rate (FDR) 控制方法，如 Benjamini-Hochberg 过程，在控制误报的同时保留更高的检测能力。
3.6 实践案例：基于假设检验的赔付率阈值设定
某车险业务线监控月度赔付率，历史均值为 65%，标准差为 3%。精算师希望设定一个告警阈值，使得误报率不超过 2.5%。
- 确定分布： 赔付率近似正态分布（经 Q-Q 图验证）。
- 计算阈值： 查标准正态分布表，97.5% 分位数对应 Z = 1.96。阈值 = 65% + 1.96 × 3% = 70.88%。
- 假设检验形式： H₀: μ ≤ 70.88% vs H₁: μ > 70.88%（单侧检验）。
- 验证： 收集新一期数据，计算样本均值，若 p 值 < 0.025，则触发告警。
精算实践提示： 阈值设定后，应使用历史数据回测其表现。计算实际误报率和漏报率，确保与理论值一致。若偏差过大，需重新评估分布假设或调整参数。