歡迎來到信譽理論（Credibility Theory）的世界！

在我們探索貝葉斯統計（Bayesian statistics）的旅程中，我們學習了如何利用新數據來更新先驗信念（prior beliefs），從而得出後驗分佈（posterior distribution）。但在保險的現實世界中，精算師往往需要一個確切的數值：保費（premium）。我們該如何決定要在多大程度上信任特定投保人的過往記錄，又要多大程度上參考「整體群體」的平均水平呢？這正是信譽保費公式（Credibility Premium formula）能為我們解決的問題！

如果現在覺得這些概念有點抽象，請別擔心。讀完這些筆記後，你就會明白「信譽」（Credibility）其實就是一種在「我們所見的數據」與「我們預期的結果」之間進行「對沖（hedging our bets）」的巧妙方法。

1. 什麼是信譽保費？

想像一下，你正在為一名駕駛投保。你有兩項資訊：
1. 先驗平均值（Prior Mean，\( \mu \)）：該地區所有駕駛的平均索賠成本。
2. 樣本平均值（Sample Mean，\( \bar{X} \)）：該名駕駛在過去 3 年內的實際平均索賠成本。

如果該駕駛過去紀錄良好，你應該只根據他 3 年的歷史來釐定保費嗎？大概不應該——3 年的時間太短了，他可能只是運氣好而已。但你也不應該忽略他良好的記錄！信譽保費（Credibility Premium，\( P \)）就是這兩者之間的折衷方案。

基本公式

信譽保費表達為一個加權平均數（weighted average）：

\( P = Z\bar{X} + (1 - Z)\mu \)

其中：
- \( \bar{X} \) 是觀測數據的平均值（個人的經驗）。
- \( \mu \) 是先驗分佈的平均值（群體的經驗）。
- \( Z \) 是信譽因子（Credibility Factor）。

小貼士： 把 \( Z \) 想成是一個「信任計量器」。它告訴我們該對個人的數據（\( \bar{X} \)）投入多少信任程度。

2. 理解信譽因子（\( Z \)）

\( Z \) 的值始終保持在 0 到 1 之間（\( 0 \le Z \le 1 \)）。

情況 A：\( Z \) 接近 1

如果 \( Z = 0.9 \)，我們給個人數據 90% 的權重，而給先驗平均值僅 10% 的權重。這發生在我們擁有大量數據或個人的數據非常可靠時。
例子：擁有 1,000 輛貨車的車隊比單一車輛具有更高的「信譽」。

情況 B：\( Z \) 接近 0

如果 \( Z = 0.1 \)，我們僅給個人數據 10% 的權重，我們主要依賴「市場平均值」。這發生在我們數據非常稀少時（例如：全新的投保人）。
例子：一位投保僅一個月的駕駛，提供的數據不足以讓我們信任其個人平均水平。

關鍵點：
隨著樣本量 \( n \) 的增加，我們對數據的信任度會增加，因此 \( Z \) 應該會向 1 增加。

3. 貝葉斯關聯：為什麼這個公式有效？

你可能會問：「這只是精算師憑空捏造的公式嗎？」完全不是！在貝葉斯統計中，對於許多常見的分佈，後驗分佈的平均值（mean of the posterior distribution）實際上就是信譽公式的形式。

當後驗平均值可以寫成 \( Z\bar{X} + (1-Z)\mu \) 這種形式時，我們稱該模型具有貝葉斯信譽（Bayesian Credibility）。

例子 1：泊松-伽瑪模型（Poisson-Gamma Model）

如果我們的數據遵循參數為 \( \lambda \) 的泊松分佈，並且 \( \lambda \) 的先驗分佈是伽瑪分佈 \( Gamma(\alpha, \beta) \)：
- 先驗平均值 \( \mu = \frac{\alpha}{\beta} \)
- 後驗平均值 = \( \frac{\alpha + \sum X_i}{\beta + n} \)

經過簡單的代數運算，這個後驗平均值可以改寫為：
\( \text{Posterior Mean} = \left( \frac{n}{n + \beta} \right) \bar{X} + \left( \frac{\beta}{n + \beta} \right) \frac{\alpha}{\beta} \)

在這種情況下，信譽因子為：
\( Z = \frac{n}{n + \beta} \)

例子 2：正態-正態模型（Normal-Normal Model）

如果數據遵循正態分佈 \( N(\theta, \sigma^2) \)，而 \( \theta \) 的先驗是 \( N(\mu, \sigma_{\mu}^2) \)，後驗平均值同樣遵循信譽公式形式，其中：
\( Z = \frac{n}{n + \frac{\sigma^2}{\sigma_{\mu}^2}} \)

你知道嗎？
項 \( \frac{\sigma^2}{\sigma_{\mu}^2} \) 通常被稱為「統計信噪比（noise-to-signal ratio）」。如果個人數據非常嘈雜（高 \( \sigma^2 \)），\( Z \) 就會變小，因為我們對數據的信任度降低了！

4. 影響 \( Z \) 的因素

為了在 CS1 考試中取得好成績，你需要了解變數的變動如何影響信譽因子。讓我們看看公式 \( Z = \frac{n}{n + K} \) （其中 \( K \) 為常數）：

  • 樣本量（\( n \)）： 當 \( n \)（年數或保單數量）增加時，\( Z \) 會增加。（數據越多 = 信任度越高）。
  • 先驗不確定性： 如果我們對先驗非常不確定（先驗方差很大），我們被迫更信任數據，因此 \( Z \) 會增加。
  • 數據波動性： 如果數據本身非常「跳躍」或不穩定（數據方差很大），我們的信任度會降低，因此 \( Z \) 會減小。

記憶口訣：「越多越強」
更多數據 (\( n \)) = 更多信譽 (\( Z \))。

5. 常見的避坑指南

1. 混淆 \( \bar{X} \) 和 \( \mu \)： 永遠記住，\( Z \) 是乘上數據（個人經驗） \( \bar{X} \)，而 \( (1-Z) \) 是乘上先驗（群體經驗） \( \mu \)。

2. 公式中的 "n"： 在泊松-伽瑪模型中，請確保使用正確的 \( \beta \)。有時題目會以不同的格式給出先驗參數——務必查看公式表！

3. 範圍檢查： 如果你計算出的 \( Z \) 值為負數或大於 1，請停下來檢查！你一定在代數運算上出錯了。\( Z \) 必須介於 0 到 1 之間。

快速複習箱

信譽保費公式： \( P = Z\bar{X} + (1-Z)\mu \)
\( Z \) 的作用： 平衡新證據與舊信念之間的權重。
貝葉斯背景下： 對於共軛先驗（conjugate priors），後驗平均值就是信譽保費。
標準形式： \( Z = \frac{n}{n + K} \)，其中 \( K \) 代表數據相對於先驗的穩定性。

繼續練習這些計算！信譽理論是精算的核心技能，架起了純理論與實際定價之間的橋樑。你一定可以做到的！