欢迎来到责任准备金（Reserving）的世界！

各位未来的精算师好！今天我们要深入探讨短期精算师职业生涯中最关键的任务之一：估算未决赔款（Estimating Outstanding Claims）（也称为提存准备金 / Reserving）。

你可以把保险公司想像成一场盛大的派对。人们不断地进场（赔款报告/Claim Reported）和离场（赔款支付/Claim Paid）。在任何特定时刻，保险公司都需要计算出需要预留多少资金，以支付那些还在场内的客人，或是那些尚未进场但已确定会参加的客人！

如果这看起来有点复杂，别担心。我们将把 ASTAM 考试中需要掌握的五大主要方法拆解成浅显易懂的知识点。让我们开始吧！

1. 预期损失率法 (Expected Loss Ratio, ELR Method)

预期损失率 (ELR) 法是最简单的方法。它不关注单一赔款如何发展，而是从宏观角度，基于我们最初设计保单时的预期来进行评估。

运作原理

我们假设已赚保费 (Earned Premium) 中，会有一定比例最终作为赔款支出。
公式为：
\( \text{Estimated Ultimate Losses} = \text{Earned Premium} \times \text{Expected Loss Ratio} \)

要计算准备金 (Reserve)（我们需要预留的资金），我们只需扣除已支付的赔款：
\( \text{Reserve} = \text{Estimated Ultimate Losses} - \text{Paid Losses to Date} \)

现实生活的类比

想像你在筹备婚礼，预计每位宾客的成本是 $100。如果你有 100 位宾客，你的「最终损失」就是 $10,000。如果你已经支付给外烩厂商 $4,000，那么你的「准备金」就是 $6,000。你不需要细究开胃菜具体花了多少钱；你只需要坚持原有的预算计划即可。

适用时机

非常适合新开展的业务线（缺乏历史数据时），或是数据极不稳定、导致当前数据可能具有误导性的业务线。

重点总结： ELR 法忽略了实际的赔款发展模式，完全依赖于先前的预期。

2. 链梯法 (Chain-Ladder, CL Method)

链梯法（也称为赔款发展法，Loss Development Method）是精算工具箱中最著名的工具。它假设未来会重演过去。

运作原理（步骤教学）

1. 整理数据： 将赔款按事故年度（Accident Year）和发展年度（Development Year）排列成一个「三角形」。
2. 计算年龄间因子（链结比率，Link Ratios）： 对于每一年，我们观察赔款从一个时期到下一个时期增长了多少。
\( f_j = \frac{\sum \text{Cumulative Losses at Year } j+1}{\sum \text{Cumulative Losses at Year } j} \)
3. 选定发展因子： 通常，我们会取这些比率的平均值。
4. 推算至最终赔款： 将当前的赔款乘以累计发展因子 (Cumulative Development Factor, CDF)，即可得到最终的估计成本。

快速复习：累计 (Cumulative) 与 增量 (Incremental)

累计： 从开始到现在总共已支付/已报告的金额。
增量： 仅在特定时间窗口内支付/报告的金额。
常见错误：在计算链结比率之前，请务必确保你的三角形数据是累计的！

「膨胀蛋糕」类比

把赔款想像成烤箱里的蛋糕。在前 10 分钟，它膨胀了 50%。在接下来的 10 分钟，它又膨胀了 10%。如果我们知道蛋糕在每个阶段通常会膨胀多少，我们就可以观察一个半熟的蛋糕，并预测它最终的大小！

重点总结： 链梯法 100% 依赖实际数据的发展，而忽略了最初的预期。

3. Bornhuetter-Ferguson (BF) 法

如果 ELR 法太死板，而链梯法又太波动，怎么办？这时候就要请出 Bornhuetter-Ferguson (BF) 法。它是准备金估算中的「金发女孩」（最适中者）——它结合了上述两种方法。

运作原理

BF 法的精神是：「我会保留已经看到的赔款（实际值），但对于未来的部分，我会回归到我原本的计划（ELR）。」

BF 准备金的公式为：
\( \text{Reserve} = \text{Earned Premium} \times \text{Expected Loss Ratio} \times (1 - \frac{1}{\text{CDF}}) \)

其中 \( (1 - \frac{1}{\text{CDF}}) \) 代表仍未报告或未支付的赔款百分比。

记忆法：两种声音

想像你脑中有两种声音。
声音 A（链梯法）：「看数据！数据就是一切！」
声音 B（ELR）：「坚持预算！预算就是一切！」
BF 法在处理过去时听从声音 A，但在预测未来时遵循声音 B。

重点总结： BF 法比链梯法更稳定，因为它不会因为年度发展初期出现单一巨额赔款而「反应过度」。

4. 贝叶斯方法 (Bayesian Method)

贝叶斯方法就像是 BF 法在数学上更资深的兄弟。它利用信度理论 (Credibility Theory) 来精确决定我们应该多信任数据，以及多信任先前的信念。

运作原理

在贝叶斯框架中，我们将最终赔款视为一个随机变量。我们从先验分布 (Prior Distribution)（在看到数据之前的想法）开始，并利用实际数据进行更新，从而得到后验分布 (Posterior Distribution)。

估计值通常是一个加权平均数：
\( \text{Estimate} = Z \times (\text{Data-Based Estimate}) + (1-Z) \times (\text{Prior Expectation}) \)

其中 \( Z \) 是信度因子 (Credibility Factor)（介于 0 到 1 之间的数字）。

你知道吗？

BF 法实际上是贝叶斯/信度方法的一个特例！虽然涉及 Gamma 和 Poisson 分布的数学运算可能会很复杂，但核心思想始终不变：随着获得更多资讯，更新你的判断。

重点总结： 贝叶斯方法让我们能够将统计不确定性和正式的「先验」知识纳入我们的准备金中。

5. 频率-严重程度法 (Frequency-Severity Method)

有时候，只看「总金额」是不够的。频率-严重程度 (Frequency-Severity) 法将问题拆分为两个部分。

公式

\( \text{Ultimate Losses} = (\text{Ultimate Number of Claims}) \times (\text{Ultimate Average Cost per Claim}) \)

步骤教学

1. 预测频率 (Frequency)： 对赔款「数量」使用链梯法，以找出最终会报告的赔款总数。
2. 预测严重程度 (Severity)： 观察每笔赔款的「平均成本」。你可能需要根据通货膨胀进行调整！
3. 相乘： 将预测的总赔款数乘以预测的平均成本。

为什么要使用这个方法？

它可以帮助你了解准备金变动的「原因」。是事故变多了（频率），还是医生和维修店的收费变贵了（严重程度）？这对于向管理层解释结果非常有用！

重点总结： 与总量方法相比，频率-严重程度法提供了对赔款趋势更深层的「内部细节」观察。

总结速查

我该使用哪种方法？
• 没有数据 / 新业务？ 使用 ELR 法。
• 稳定且成熟的数据？ 使用 链梯法 (Chain-Ladder)。
• 数据波动大 / 中间地带？ 使用 BF 法 (Bornhuetter-Ferguson)。
• 想要了解变动趋势？ 使用 频率-严重程度法。
• 想要运用正式的统计先验？ 使用 贝叶斯方法。

如果贝叶斯方法的公式看起来很吓人，别担心——专注于「加权」和「更新」的逻辑，数学计算自然会跟上！距离精通 ASTAM，你又更近了一步！