2. 精算模型基础回顾：风险分类、损失分布与准备金评估
在深入探讨PSI（Population Stability Index，群体稳定性指数）在延迟尖峰检测中的应用之前，有必要系统回顾精算模型的核心基础。精算模型的核心任务是对未来不确定的财务结果进行量化，其三大支柱为：风险分类、损失分布建模以及准备金评估。本章将逐一梳理这些基础概念，为后续章节的进阶应用奠定坚实的理论框架。
2.1 风险分类：同质性与异质性的平衡
风险分类是精算建模的起点。其核心目标是将具有相似风险特征的个体或保单分组，使得组内风险同质，组间风险异质。良好的分类能提高损失预测的准确性，防止逆向选择。
关键原则： 分类变量需满足 可测量性、同质性、可靠性 和 激励相容性。例如，车险中常用的分类因子包括年龄、性别、车型、行驶区域等。
常见的风险分类方法包括：
- 先验分类（A Priori Classification）： 基于承保时已知的静态风险因子（如年龄、性别、职业）进行分组。通常使用广义线性模型（GLM）来估计每个类别的相对风险。
- 后验分类（A Posteriori Classification）： 基于历史理赔经验（如NCD无赔款优待系统、奖惩系统BMS）动态调整风险等级。这体现了“经验费率”的思想。
- 混合方法： 结合先验和后验信息，例如使用信度理论（Credibility Theory）将个体经验与整体均值进行加权平均。
| 分类方法 | 数据来源 | 优点 | 缺点 |
|---|---|---|---|
| 先验分类 | 承保时静态数据 | 公平、透明、易于实施 | 无法反映个体风险变化 |
| 后验分类 | 历史理赔数据 | 动态调整、激励安全行为 | 滞后性、可能惩罚随机波动 |
| 信度理论 | 个体+整体数据 | 平衡稳定性和敏感性 | 计算复杂、需要选择信度因子 |
2.2 损失分布：从单次损失到聚合风险
损失分布是精算模型的核心组成部分，用于描述随机损失的大小和频率。通常将损失过程分解为两个部分：损失频率（一段时间内发生损失的次数）和损失强度（单次损失的金额）。
2.2.1 常见损失频率分布
- 泊松分布（Poisson）： 假设事件独立且发生率恒定，方差等于均值。
- 负二项分布（Negative Binomial）： 允许过度离散（方差大于均值），常用于描述异质性风险。
- 二项分布（Binomial）： 适用于有限次独立试验中的成功次数。
2.2.2 常见损失强度分布
- 伽马分布（Gamma）： 右偏、非负，常用于建模小额至中等损失。
- 对数正态分布（Lognormal）： 厚尾、右偏，适用于建模大额损失。
- 帕累托分布（Pareto）： 极厚尾，常用于建模巨灾或极端损失。
- 混合分布： 例如将伽马分布与帕累托分布组合，以同时拟合主体损失和尾部损失。
建模提示： 在延迟尖峰场景中，损失强度分布往往呈现“双峰”或“厚尾”特征。例如，早期报告的损失多为小额常规赔案，而延迟报告的损失往往包含大额复杂赔案。此时，使用混合分布或分段分布（如Spline）更为合适。
2.2.3 聚合损失模型
聚合损失模型将频率和强度分布结合起来，得到总损失分布。最常用的方法是：
- 个体风险模型（Individual Risk Model）： 假设每个保单独立，总损失为各保单损失之和。
- 集体风险模型（Collective Risk Model）： 假设损失次数服从频率分布，每次损失金额独立同分布于强度分布，总损失为随机个随机变量之和。
集体风险模型的总损失分布通常通过卷积或递归方法（如Panjer递归）计算。对于复杂分布，常采用蒙特卡洛模拟。
2.3 准备金评估方法简介
准备金评估是精算师的核心职责之一，旨在估计保险公司为已发生但尚未结案的赔案（IBNR，Incurred But Not Reported）以及已报告但未完全结案的赔案（RBNS，Reported But Not Settled）所需预留的资金。准备金评估的准确性直接影响公司的偿付能力和利润。
2.3.1 确定性方法
- 链梯法（Chain-Ladder）： 最经典的流量三角形方法。假设赔案发展模式稳定，通过历史发展因子外推未来赔付。
- Bornhuetter-Ferguson（B-F）法： 结合期望损失率与链梯法的发展模式，适用于数据稀疏或发展模式不稳定的情况。
- 平均法（Average Cost per Claim）： 分别估计最终索赔次数和平均赔付成本，再相乘得到总准备金。
2.3.2 随机性方法
- 过度分散泊松模型（ODP）： 在链梯法基础上引入随机误差项，假设流量三角形中的增量赔款服从过度分散泊松分布。
- 广义线性模型（GLM）： 将流量三角形建模为GLM，可以灵活处理日历年度、事故年度和发展年度的效应。
- 贝叶斯方法： 结合先验信息和观测数据，通过MCMC等方法得到准备金的后验分布。
| 方法 | 类型 | 数据要求 | 输出 | 适用场景 |
|---|---|---|---|---|
| 链梯法 | 确定性 | 稳定的流量三角形 | 点估计 | 成熟业务、数据充足 |
| B-F法 | 确定性 | 先验损失率+发展模式 | 点估计 | 新业务、数据不稳定 |
| ODP模型 | 随机性 | 流量三角形 | 分布估计 | 需要预测区间 |
| 贝叶斯方法 | 随机性 | 先验+观测数据 | 后验分布 | 复杂结构、专家意见整合 |
延迟尖峰风险： 传统的链梯法假设发展因子在事故年度间是稳定的。然而，当出现“延迟尖峰”（即某些事故年度的赔案报告或赔付出现异常延迟）时，链梯法会严重低估准备金。这正是PSI指标介入的关键场景——通过监测发展因子的分布偏移，提前预警模型失效。
2.4 基础回顾小结
精算模型的基础在于对风险进行合理分类，并选择恰当的损失分布来描述不确定性。准备金评估则是将这些模型应用于实际业务，为未来的赔付义务提供财务准备。理解这些基础概念，是后续利用PSI检测模型稳定性、识别延迟尖峰的前提。下一阶段，我们将正式引入PSI指标，并探讨其在精算模型监控中的具体应用。