欢迎来到信度理论 (Credibility) 的世界！

在精算科学的领域里，我们经常会问自己一个问题：“我应该多信任自己的数据？”想象一下，你是某小型汽车保险公司的精算师。这个月你们公司没有发生任何事故，这代表你的客户是全世界最安全的驾驶吗？这很可能不是事实——这也许只是运气好而已！反过来说，一家拥有数百万名驾驶的大型保险公司，其数据的可信度自然远高于小公司。

有限波动信度 (Limited Fluctuation Credibility)（通常称为古典信度）为我们提供了一种数学方法，用来决定我们应该赋予“自身观测数据”多少“权重”，以及给予“其他广泛信息”（如行业平均值）多少权重。让我们深入探讨吧！

1. 核心概念：完全信度 (Full Credibility)

完全信度是指当我们拥有的数据足够多时，我们决定 100% 信任自己的经验数据。在考试中，我们使用两个参数来定义它：稳定性 (Stability) 和 信赖度 (Confidence)。

你可以这样想：如果你投掷一枚硬币 5 次，结果全都是正面，你未必会认为这枚硬币有问题。但如果你投掷了 5,000 次，结果全都是正面，那你就会完全相信这枚硬币肯定有问题。

若实际观测值落在期望值的一个小范围 (k) 内，且其发生概率极高 (p)，我们就称该组数据具有完全信度。

我们开始时使用的标准公式为：
\( P( | \text{Estimate} - \text{True Mean} | \leq k \cdot \text{True Mean} ) \geq p \)

  • k： “容许误差”或“容忍度”（例如 5%）。
  • p： “概率水平”或“信赖度”（例如 90%）。

魔法数字：\( n_0 \)

为了简化计算，我们定义一个称为 \( n_0 \) 的“基准”值。如果我们仅考虑简单的泊松分布 (Poisson distribution)，这代表达到完全信度所需的理赔数量。

\( n_0 = ( \frac{y_p}{k} )^2 \)

其中 \( y_p \) 是与我们的概率 \( p \) 相关的标准正态分布百分位数。
注意：如果 \( p = 0.90 \)，你需要查阅 \( 0.95 \) 对应的值（即 1.645），因为误差 \( k \) 存在于平均值的两侧。

重点速览：常见的 \( y_p \) 值

- 90% 信赖度： \( y_p = 1.645 \)
- 95% 信赖度： \( y_p = 1.96 \)
- 99% 信赖度： \( y_p = 2.576 \)

2. 完全信度的标准

不同的情况需要不同的数据量。以下是你在 FAM 考试中会遇到的三种情境：

A. 频率 (理赔次数)

如果我们只看理赔发生的次数，达到完全信度所需的理赔数量 \( N \) 为：
\( E[N] \geq n_0 \cdot \frac{Var(N E[N] \)

你知道吗？ 如果理赔次数遵循泊松分布，其方差等于平均值 (\( Var(N) = E[N] \))。在这种情况下，公式会完美简化为：
所需理赔数量 \( = n_0 \)。

B. 严重程度 (理赔金额)

如果我们只看理赔金额的大小，我们需要根据理赔金额 (\( X \)) 的变异程度来决定所需的理赔次数 \( n \)：
\( n \geq n_0 \cdot ( \frac{\sigma_X}{\mu_X} )^2 \)

在这里，\( \frac{\sigma_X}{\mu_X} \) 是变异系数 (Coefficient of Variation, CV)。理赔金额的“分散程度”越大，我们就需要更多的数据来信赖平均值！

C. 总损失 (合计理赔)

这是考试中最常见的情境。它结合了频率和严重程度。要对总损失 (S) 达到完全信度，期望的理赔次数必须达到：
\( E[N] \geq n_0 \cdot ( \frac{\sigma_S^2}{E[S]^2} ) \)

如果频率遵循泊松分布，此公式可简化为：
\( E[N] \geq n_0 \cdot ( 1 + \frac{\sigma_X^2}{\mu_X^2} ) \)

记忆小撇步： 可以把 "(1 + CV²)" 这部分想象成对严重程度的“惩罚”。由于理赔金额各不相同，你需要比单纯的 \( n_0 \) 更多的理赔案例，才能对总支出金额有把握。

3. 部分信度 (Partial Credibility)

如果你的数据不足以达到完全信度怎么办？别担心！我们不需要抛弃这些数据。我们可以使用部分信度，将自己的数据与费率手册或行业平均值进行加权混合。

信度公式为：
\( \text{New Premium} = Z \cdot \bar{X} + (1 - Z) \cdot M \)

  • Z： 信度因子（介于 0 到 1 之间）。
  • \( \bar{X} \)： 你自己的观测数据（“当前”经验）。
  • M： “手册费率”或行业平均值（“先验”估计）。

计算 Z

在有限波动信度中，我们使用平方根法则 (Square Root Rule)：
\( Z = \sqrt{\frac{n}{n_{full}}} \) （如果条件是期望理赔次数，则使用 \( E[N] \)）

注意：如果计算出的 \( Z \) 大于 1，直接将其取值为 1.00 即可！

举例类比：
想象一下你在观察天气。你的手机显示降雨概率 100% (\( M \))，但你往窗外一看却是晴空万里 (\( \bar{X} \))。如果你只看了窗外 1 秒钟 (\( n \))，你可能还是会带把雨伞出门 (\( Z \) 值较低)。如果你观察天空已经 3 小时了且全程都是晴天，你就会更信任自己的眼睛 (\( Z \) 值较高)！

4. 常见陷阱要避免

1. 使用错误的 \( n \)： 请留意题目询问的是暴露单位 (exposures)（数据年份）还是理赔次数。上述公式通常是求解期望的理赔次数。

2. 忘记开根号： 这是考试中最常犯的错误！计算 \( Z \) 时，一定要记得将比率开根号。\( Z = \frac{n}{n_{full}} \) 是错误的；必须是 \( Z = \sqrt{\frac{n}{n_{full}}} \)。

3. 正态近似： 记住，有限波动信度是基于估计量服从正态分布的假设。这就是为什么我们从 Z 表中查阅 \( y_p \) 值的原因。

重点总结

1. 完全信度标准： 基础要求为 \( n_0 = ( \frac{y_p}{k} )^2 \)。
2. 调整复杂度： 若理赔金额有变异，我们将 \( n_0 \) 乘以 \( (1 + CV_X^2) \)，以求出总损失所需的期望理赔次数。
3. 信度因子 Z： 若未达完全标准，计算 \( Z = \sqrt{\frac{\text{实际}}{\text{标准}}} \)。
4. 加权估计： 使用公式 \( Z(\text{数据}) + (1-Z)(\text{先验}) \) 得到最终结果。

如果一开始觉得公式太多，别担心。一旦你练习过如何识别 \( n_0 \)，并判断题目是在问频率、严重程度还是总损失，这些知识点自然就会融会贯通！