欢迎来到死亡率预测（Mortality Projection）！

你好！欢迎来到你 CS2 学习之旅中其中一个最迷人（且重要）的章节。在之前的「生存模型」中，我们已经学会了如何计算某人在特定年龄死亡的概率。但这里有个重点：死亡率并非一成不变的。

如果你查看 100 年前的数据，你会发现当时 60 岁的人，其死亡概率比现代 60 岁的人高得多。为什么呢？因为医疗水平进步、水源更洁净，而且吸烟人口减少了！在本章中，我们将学习如何「展望未来」，预测这些死亡率将如何持续变化。对于退休基金和保险公司来说，这至关重要，因为他们必须确保手头有足够的资金，以应对人们比预期更长寿的风险。

1. 我们为什么要预测死亡率？

我们进行死亡率预测是因为存在长寿风险（Longevity Risk）。这指的是人们活得比我们预期更久的风险。如果你是一家退休基金的精算师，而你的成员比你预期的多活了 5 年，你就必须多支付 5 年的退休金——这可是一笔庞大的开支！

核心概念：死亡率改善（Mortality Improvement）
随着时间推移，死亡力 \(\mu_x\) 通常会下降。这意味着 \(q_x\)（死亡概率）同时是年龄 (x) 和时间 (t) 的函数。我们将其写作 \(q(x, t)\)。

2. 预测的三种方法

别担心这些术语听起来很生硬；它们其实只是看待同一问题的三种不同方式。你可以将它们理解为「三个 E」：

• 期望 (Expectation / Expert Opinion)： 我们咨询医生、科学家和人口统计学家的看法。例如：「我们预期在 20 年内某些癌症将有治愈方法。」
• 解释 (Explanation / Causal)： 我们探究人们死亡的原因（吸烟、心脏病）并对这些特定风险进行建模。例如：「如果吸烟率下降 10%，死亡率应该会下降 X%。」
• 外推 (Extrapolation / Trend)： 我们观察过去 50 年的数据，并假设该模式会持续下去。这是 CS2 中最常用的方法。

快速回顾：三个 E

期望 (Expectation) = 专家的智慧。
解释 (Explanation) = 根本原因。
外推 (Extrapolation) = 历史重演。

3. 死亡率减少因子（Mortality Reduction Factors）

进行预测的一种简单方法是使用减少因子（Reduction Factor）。这是一个（通常小于 1 的）数字，我们将其乘以现今的死亡率，即可得到未来的死亡率。

公式为：\(q(x, t) = q(x, 0) \times RF(x, t)\)

其中：
\(q(x, 0)\) 是现在的死亡率。
\(RF(x, t)\) 是年龄 \(x\) 在时间 \(t\) 的减少因子。
\(q(x, t)\) 是未来的预测死亡率。

类比：如果一家商店每年都有 10% 的折扣，明年的价格就是今年价格的 0.90 倍。死亡率的减少因子也是同样的道理！

4. Lee-Carter 模型

这是死亡率预测中的「明星」模型，也是你最有可能在考试中遇到的模型。它利用外推法来预测中心死亡率 \(m_{x,t}\)。

公式：
\(\ln(m_{x,t}) = a_x + b_x \kappa_t + \epsilon_{x,t}\)

让我们用「人话」来拆解它：
• \(a_x\)： 年龄 \(x\) 的「平均」死亡率。它描述了跨年龄死亡率的整体形态。
• \(\kappa_t\)： 「时间指数」。它告诉我们死亡率随时间变化的总体趋势。通常随着岁月流逝，这个数值会下降。
• \(b_x\)： 「敏感度」。它告诉我们某个年龄层 \(x\) 对总体时间趋势的反应程度。有些年龄层的改善速度比其他年龄层更快。
• \(\epsilon_{x,t}\)： 「误差项」。模型无法解释的微小随机部分。

常见错误： 学生经常混淆 \(b_x\) 和 \(\kappa_t\)。记住：k 代表 Kalendar（日历/时间），而 b 代表特定年龄的 Behavior（行为/反应）。

Lee-Carter 模型的限制

由于模型包含许多变量，我们必须「固定」某些数值才能求解。IFoA 标准的限制条件为：
1. 所有 \(b_x\) 值的总和必须等于 1：\(\sum b_x = 1\)
2. 所有 \(\kappa_t\) 值的总和必须等于 0：\(\sum \kappa_t = 0\)

5. 年龄-时期-世代 (APC) 模型

有时，仅看年龄和年份是不够的，我们还需要查看一个人出生于何时。这就是世代效应（Cohort Effect）。

例如：二战后出生的人（婴儿潮世代）的健康习惯，可能与大萧条时期出生的人有所不同。这种「世代」影响会伴随着他们的一生。

APC 模型公式：
\(\ln(m_{x,t}) = a_x + \kappa_t + \gamma_{t-x}\)

其中 \(\gamma_{t-x}\) 是世代效应（因为 \(年份 - 年龄 = 出生年份\)）。

6. CBD 模型 (Cairns-Blake-Dowd)

Lee-Carter 模型很棒，但在处理高龄人口时可能效果不佳。CBD 模型是专为老年人口（退休人士）设计的。

它不是对 \(m_{x,t}\) 建模，而是对死亡率 \(q_{x,t}\) 的 logit 进行建模。
Logit 函数为：\(logit(p) = \ln(\frac{p}{1-p})\)。

公式：
\(logit(q_{x,t}) = \kappa^{(1)}_t + \kappa^{(2)}_t (x - \bar{x})\)

在这个模型中：
• \(\kappa^{(1)}_t\)： 将整条死亡率曲线上下移动（平行移动）。
• \(\kappa^{(2)}_t\)： 改变曲线的斜率（旋转移动）。
• \(\bar{x}\)： 是数据集中的平均年龄。

核心重点： CBD 假设在任何时间 \(t\)，死亡率的 logit 相对于年龄而言是一条直线。

7. 总结与主要局限

预测死亡率并非一门精确的科学。以下是可能出错的地方（这些也是很好的考试得分点）：

1. 模型风险： 你选择了 Lee-Carter，但实际上 CBD 模型更适合该数据。
2. 参数风险： 你的公式正确，但你对 \(a_x\) 或 \(b_x\) 的估计值略有偏差。
3. 随机变异： 即使模型完美，实际死亡人数每年仍会波动。
4. 灾难事件： 基于历史趋势的模型无法预测突发事件，如大流行（例如 COVID-19）或突然的医疗突破。

章节总结清单：

• 你能解释为什么我们要预测死亡率吗？（长寿风险！）
• 你了解三个 E（期望、解释、外推）吗？
• 你能凭记忆写出 Lee-Carter 公式吗？
• 你了解 CBD 是用于高龄人口且采用直线 logit 方法吗？
• 你还记得 Lee-Carter 的两个主要限制条件吗（\(\sum b_x=1, \sum \kappa_t=0\)）？

别担心公式看起来很吓人！ 大多数考题都是要求你解释参数的含义，或使用给定公式进行简单计算。多练习辨识公式中哪些部分代表「年龄」、「时间」和「世代」，你离成功就不远了！