欢迎来到统计准备金（Statistical Reserving）的世界！

在之前的学习中，你可能已经学过链梯法（Chain Ladder Method）。这可是经典中的经典！但基本的链梯法有一个重大局限：它只给你一个数字（即“点估计”）。在现实世界中，监管机构和公司董事会更想知道的是：“我们的估算到底有多少误差空间？”

在本章中，我们将从简单的算术迈向统计模型。我们将深入探讨麦克模型（Mack’s Model）、泊松模型（Poisson Model）以及过度离散泊松模型（Overdispersed Poisson, ODP Model）。这些工具能让我们量化准备金估算中的不确定性（方差）。别担心公式刚看时会很吓人——我们会把它拆解开来，逐一击破！

1. 麦克模型（Mack’s Model）：统计版的链梯法

你可以把麦克模型想象成是为链梯法装上了“统计骨架”。它不会改变准备金估计的数值本身，但它提供了一种计算准备金标准误（Standard Error）的方法。

三大假设

为了让麦克模型有效，我们对累计损失 \( C_{i,j} \) 做了三个假设（其中 \( i \) 为事故年度，\( j \) 为发展年度）：

  1. 独立性（Independence）： 各个事故年度之间相互独立。2022 年发生的事情不会影响 2023 年。
  2. 平均值（Mean）： 下一期的期望值仅取决于当前数值：\( E[C_{i, j+1} | C_{i,1}, ..., C_{i,j}] = C_{i,j} \cdot f_j \)。
  3. 方差（Variance）： 下一期的方差与当前数值成比例：\( Var(C_{i, j+1} | C_{i,1}, ..., C_{i,j}) = C_{i,j} \cdot \sigma_j^2 \)。
参数估计

要使用麦克模型，我们需要针对每个发展年度 \( j \) 找到两个指标：

1. 发展因子（Development Factors, \( f_j \)）： 这和你基本链梯法用到的是一样的！
\( \hat{f}_j = \frac{\sum_{i=1}^{n-j} C_{i, j+1}}{\sum_{i=1}^{n-j} C_{i,j}} \)

2. 方差参数（Variance Parameters, \( \sigma_j^2 \)）： 这告诉我们数据围绕发展因子“波动”的程度有多大。
\( \hat{\sigma}_j^2 = \frac{1}{n-j-1} \sum_{i=1}^{n-j} C_{i,j} \left( \frac{C_{i, j+1}}{C_{i,j}} - \hat{f}_j \right)^2 \)

你知道吗？ 如果最后一年只剩下一个数据点（意味着 \( n-j-1 = 0 \)），你就无法使用上述公式。精算师通常会采用“经验法则”或指数衰减模式来估算最终的 \( \sigma^2 \)。

预测均方误差（MSEP）

这是麦克模型的“魔法”所在。特定事故年度 \( i \) 的预测均方误差（MSEP）是通过递归公式计算出来的。虽然完整公式很长，但请记住它由两部分组成：

MSEP = 过程方差（Process Variance） + 估计方差（Estimation Variance）

  • 过程方差： 我们无法避免的随机性（也就是“运气”成分）。
  • 估计方差： 由于我们计算的 \( \hat{f}_j \) 可能并非真实因子而产生的误差。

快速复习： 麦克模型得出的准备金估算结果与链梯法完全相同，但它增加了测量不确定性（标准误）的方法。

2. 泊松准备金模型（Poisson Reserving Model）

现在我们要切换到广义线性模型（GLM）。我们不再看累计总额，而是看增量损失（Incremental losses, \( X_{i,j} \)）。

在基本的泊松模型中，我们假设增量损失 \( X_{i,j} \) 服从泊松分布。然而，这里有个陷阱：泊松分布要求平均值等于方差（\( E[X] = Var(X) \)）。

问题所在： 保险理赔的情况很复杂。通常方差远大于平均值，这种情况称为过度离散（Overdispersion）。如果直接使用标准泊松模型，会让我们过于自信（低估了风险）。

3. 过度离散泊松模型（ODP Model）

为了修正泊松模型，我们引入了离散参数（Dispersion parameter, \( \phi \)）。在 ODP 模型中：

  • 平均值： \( E[X_{i,j}] = \mu_{i,j} \)
  • 方差： \( Var(X_{i,j}] = \phi \cdot \mu_{i,j} \)

通过加入 \( \phi \)，我们承认数据比标准泊松分布更“嘈杂”。

为什么精算师钟爱 ODP 模型？

这是考试最重要的“应试技巧”：ODP 模型的结果与链梯法完全一致！

如果考试题目要求用 ODP 模型计算准备金，而你手头上有损失三角形，除非题目另有指示，否则你直接用标准的链梯法即可。ODP 模型只是一种为链梯法提供统计依据的正规方式。

麦克模型与 ODP 的主要区别
  1. 麦克模型是“非参数”的（不假设特定的分布形态）。
  2. ODP 属于 GLM（假设增量数据服从特定的分布）。
  3. 麦克模型处理累计数据；ODP 处理增量数据。

比喻时间！ 想象你在预测明天会下多少雪：
- 链梯法： “明天会下 5 英寸的雪。”
- 麦克/ODP 模型： “可能会下 5 英寸，但我们有 95% 的把握预测雪量会在 2 到 8 英寸之间。”

4. 模型比较：MSEP 解析

在 ASTAM 考试中，你可能会被要求计算或解释预测均方误差（MSEP）。了解其构成至关重要。

\( MSEP[\hat{R}] \approx \sum Var(Process) + \sum Var(Estimation) \)

常见错误： 学生常忘记在计算总准备金的 MSEP 时，不能直接相加个别的标准误。你必须考量到所有事故年度都使用了相同的 \( \hat{f}_j \) 因子，这会在我们的估计误差中产生相关性（Correlation）。

快速复习盒：
1. 链梯法： 简单的点估计。
2. 麦克模型： 使用累计数据，为链梯法增加方差。
3. ODP 模型： 一种 GLM，不仅能得出与链梯法相同的结果，还能进行统计测试。
4. MSEP： “过程”（随机性）与“估计”（参数误差）的加总。

5. 总结与考试小贴士

重点回顾：
  • 麦克模型依赖三大假设（独立性、平均值成比例、方差成比例）。
  • 麦克模型中的 \(\hat{f}_j\) 与链梯法中的容量加权平均发展因子相同。
  • 过度离散意味着方差大于平均值。ODP 模型通过 \( \phi \) 来处理这个问题。
  • 如果模型是随机（Stochastic）的（如麦克模型或 ODP），就代表我们可以为准备金计算置信区间或VaR（风险价值）。
考试小贴士：
  • 如果遇到关于麦克方差（\( \sigma_j^2 \)）的题目，请务必整理好表格。先算出所有的 \( f_j \)，再算所有的 \( \sigma_j^2 \)。
  • 别被 \( C_{i,j} \) 和 \( X_{i,j} \) 的符号搞混了。C 代表 Cumulative（累计总额），X 代表 Incremental（切片增量）。
  • 记住：ODP = 链梯法的 GLM 版本。 这个链接是概念题的最爱！

继续练习那些三角形计算！做得越多，这些公式就会越像直觉一样自然。你一定没问题的！