现代损失准备金评估：从链梯法到机器学习

作者：Jonas Mohamed Osman Abdelghafour，精算师及量化风险专家。

损失准备金评估处于非寿险公司资产负债表上最重要的数字与精算实务中最具主观色彩的领域之交汇点。过去十年，工具箱发生了实质性的变化——但与某些会议上的营销宣传相反，这并没有使经典方法过时。改变的是各种方法在准备金体系（stack）中所处的位置，以及现代精算师能从传统三角形所抛弃的数据中提取出多少信息。

本文梳理了我与客户合作中使用的实务现状，从链梯法到个别理赔机器学习模型，重点探讨各种方法在何时是站得住脚的，而在何时则不然。

为什么三角形方法在大多数时候仍然胜出

Mack链梯法及其衍生方法仍然是行业的核心工具，这是有原因的。它们对数据要求低，透明度高，能在给定假设下产生均值和方差，最重要的是，它们汇总了业务实际拥有的信息：按进展期划分的已赔付和已发生金额。对于理赔结构和赔付模式相对稳定的业务线，它们在样本外表现上很难被超越。

经典的反对意见已被反复提及：三角形抛弃了理赔层面的信息；Mack方差公式假设日历年独立，这在通胀呈趋势性变化时几乎从未成立；进展因子隐含地假设了每期结案的理赔构成是稳定的。每一个反对意见都是真实的，但没有任何一条理由支持弃用该方法——它们支持的是将其作为基准，并诊断其假设在何处失效。

一个我会签字认可的严肃准备金评估流程，总是包含一个基于三角形的估计值。它是每位审查员、审计师和监管机构都能复现的数字，也是任何更复杂方法必须以此来证明自身存在价值的基准。

Bornhuetter-Ferguson及其价值所在

Bornhuetter-Ferguson (BF)法做到了链梯法无法做到的一点：它允许精算师在三角形几乎没有信号的近期、未成熟事故年度中引入先验观点。在诸如一般责任险等长尾险种中，第一进展期的损失仅占最终损失的一小部分，BF法防止了链梯法对早期出现的个别大额或小额理赔产生过度反应。

常见的失效模式有两种。第一是先验值过时——先验损失率是在两个软周期前设定的，此后无人更新。第二是机械式的应用，即使在链梯法信号已足够强的成熟年度仍然给予BF法权重。Cape Cod法和Benktander信度加权变体解决了第二个问题，如果你在第三或第四进展期之后仍在应用纯BF法，那么这些变体值得学习。

关于准备金评估方法失效的更广泛讨论，请参阅 损失准备金详解。相关的 LGD与EAD验证陷阱 涵盖了信用风险方面的类似校准陷阱。

广义线性模型：仍未得到充分利用

针对增量赔付的超离散泊松（ODP）和伽马GLM可以将链梯法视为一种特例，并在有用的方向上进行了推广。它们允许日历年效应（如通胀、法律改革、理赔处理变化）与进展模式共同估计，产生完整的预测分布，并允许精算师加入三角形无法使用的风险敞口协变量。

GLM未被充分利用的主要实际原因并非统计学上的——而是大多数准备金软件使它们拟合起来很笨拙，且准备金精算师往往不是那些为定价拟合GLM的人。当同一个团队拥有这两项职能时，GLM准备金评估是直接的，并能通过日历年诊断在经典三角形察觉之前识别出通胀和改革效应，从而回报投资。

个别理赔准备金评估：真正的转变

过去十年最实质性的变化并非机器学习本身，而是从三角形层面转向理赔层面的准备金评估。个别理赔模型不是对整个群体进行平均，而是根据理赔特征（险种、原因、管辖区、严重度指标、发生时长、当前准备金、理赔员标签）估计每宗未结理赔的未来赔付分布。

其优势非常显著：组合结构的变化被自然处理，因为模型是基于每宗理赔自身的特征进行预测的。大额损失动态可以从磨损性动态中分离出来，无需事后调整。准备金的增强在理赔层面变得可审计，而不仅仅是在三角形层面进行对账。

其劣势也是真实的：这些模型需要大量的数据清洗，验证起来更难，且对于熟悉Mack模型但不熟悉梯度提升的审查员来说可能不够透明。这就是可解释性纪律的重要性所在——请参见 保险预测建模笔记 了解全貌，以及我的 预测建模与定价服务 了解我如何为客户构建此类模型。

机器学习：在何处真正提供帮助

准备金评估中的机器学习在以下三个特定领域提供了真正的价值，而在其他领域则多为炒作。

1. 理赔层面的赔付预测：当理赔特征之间存在非线性交互作用时，梯度提升树（GBM）和随机森林比参数化GLM能更好地拟合个别理赔的赔付分布。这种提升在组合层面较小，但在针对大额损失尾部时则非常显著。

2. 案件准备金充足性：利用当前案件准备金作为输入之一来预测未结理赔最终赔付的监督模型是一个强大的诊断工具。系统性的偏差往往预示着准备金计提理念的漂移，或者理赔构成发生了案件准备金流程尚未消化的变化。

3. 新业务线的进展模式估计：当一个组合过于年轻而无法形成稳定的三角形时，只要模拟组合确实具有可比性，借用相关险种力量的迁移学习（transfer-learning）方法会优于幼稚的BF先验值。

机器学习在哪些方面没有帮助——而且我见过它损害准备金评估流程的地方——是作为精算判断层的黑盒替代品。如果一个模型在没有可诊断原因的情况下产生了低于三角形法的准备金，无论其交叉验证得分如何，都不应被采纳。准备金审查员、审计师和监管机构会（正确地）拒绝它。

模型风险与验证

准备金模型是保险公司运行的最重要的模型之一，也是审计时争议最多的地方。独立验证并非可选项。验证方案应将每种替代方法与三角形法进行基准对比，将差异分解为组合结构效应、日历年效应和理赔严重度效应，并要求对任何实质性的分歧提供具体的叙事解释。

我使用的框架详见 模型验证服务线，而 模型风险整改笔记 涵盖了发现项应如何转化为董事会可见的计划。

分层准备金体系

对于大多数非寿险组合，我今天会支持的准备金体系如下：

1. 基于三角形的估计值（Mack或超离散泊松GLM）作为锚点。
2. 对未成熟事故年度采用BF或Cape Cod叠加层。
3. 对于理赔层面数据质量支持的组合，采用个别理赔模型，用于交叉核对三角形法，并为再保险和IFRS 17目的在理赔粒度上分配准备金。
4. 针对案件准备金充足性和大额损失动态的机器学习诊断。
5. 经过记录的专家判断层，负责协调各层并做出最终的签认决策。

单独的任何一层都是不够的。而诚实应用的各层总和则是足够的。

结语

未来十年的准备金评估不会抛弃链梯法。它将保留三角形法作为透明的锚点，在数据支持的地方增加理赔层面的机器学习模型，并使判断层比该专业传统上习惯的更加显性化。方法已经进化，但向非精算师董事会解释数字的义务并未改变。

如果你正在审查准备金流程、计划IFRS 17构建，或在评估个别理赔准备金项目，请参阅 保险与精算服务 或 直接联系我。