论文技术总结：非寿险定价中的多校准（Multicalibration）以实现平衡与公平

1. 研究背景与问题定义

1.1 核心问题

在非寿险定价中，保险公司面临两个主要挑战：

1. 财务平衡（Financial Equilibrium）：保费收入必须与对应的索赔支出在平均意义上保持平衡。这不仅需要在整个保单组合层面成立，还需要在支付相同保费的特定群体内部成立。传统的机器学习模型（如提升回归树、神经网络）生成的保费往往偏离实际索赔总额，导致财务失衡。
2. 公平性（Fairness）：随着反歧视法规（如欧盟禁止基于性别的歧视）的加强，保险公司需要确保定价对敏感特征（如健康状况、残疾状态、种族或作为代理变量的其他特征）是公平的。如果定价策略导致不同敏感特征群体在支付相同保费时获得不同的预期赔付，则可能引发法律风险或声誉损害。

1.2 现有方法的局限性

• 自校准（Autocalibration）：Denuit 等人提出的概念，确保支付相同保费的群体其平均索赔等于该保费。但这并未解决敏感特征群体间的公平性问题。
• 个体公平（Individual Fairness）：要求仅敏感特征不同的个体支付相同保费。这在某些受保护特征（如性别在欧盟）被法律禁止使用时适用，但在允许使用敏感特征（如健康状态）或存在代理歧视的情况下，个体公平过于严格或不可行。
• 群体公平（Group Fairness）：通常涉及独立性、分离性或充分性（Sufficiency）。本文关注充分性的弱版本，即给定保费后，索赔响应 $Y$ 与敏感特征 $S$ 条件均值独立。

2. 核心概念：多校准（Multicalibration）

本文提出将自校准与公平性结合，引入多校准概念。

2.1 定义

商业保费 $\pi(X)$ 被称为关于敏感特征 $S$ 是多校准的，如果对于任意保费金额 $p$ 和任意敏感特征值 $s, s'$，满足：
$$E[Y \mid \pi(X)=p, S=s] = E[Y \mid \pi(X)=p, S=s'] = p$$
这意味着：

1. 公平性：在支付相同保费 $p$ 的前提下，不同敏感特征群体（$S=s$ 和 $S=s'$）的预期索赔是相等的（条件均值独立）。
2. 自校准：这些相等的预期索赔值必须等于保费 $p$ 本身。

2.2 理论性质

• 强化自校准：任何关于 $S$ 多校准的保费必然是自校准的。
• 凸序（Convex Order）性质：多校准保费 $\pi(X)$ 在凸序上小于真实纯保费 $\mu(X)$ 和索赔 $Y$（即 $\pi(X) \preceq_{cx} \mu(X) \preceq_{cx} Y$）。这意味着多校准能防止过拟合，且其波动性小于真实风险。
• Bregman 损失优化：多校准保费在 Bregman 损失函数下表现优于未校准或仅自校准的保费。

3. 方法论：多平衡修正（Multibalance Correction）

为了在实际中实现多校准，论文提出了多平衡修正方法，即计算条件期望：
$$\pi_{mbc}(X) = E[Y \mid \pi(X), S]$$
该修正后的保费 $\pi_{mbc}$ 保证是多校准的。针对敏感特征 $S$ 的不同类型（离散或连续），论文提出了具体的实施算法：

3.1 离散敏感特征（Categorical Sensitive Feature）

当 $S$ 为离散变量（如将车辆年龄分为几组）时：

1. 直接经验多平衡修正（组内回归）：
   • 在每个敏感特征组 $S=\ell$ 内，分别对候选保费 $\pi(X)$ 进行保序回归（Isotonic Regression）或局部线性回归，估计条件均值函数 $m_\ell(p) = E[Y \mid \pi(X)=p, S=\ell]$。
   • 将原始保费替换为修正值：$\hat{\pi}_{mbc}(X_i) = \hat{m}_{S_i}(\pi(X_i))$。
2. 正则化迭代偏差修正（Iterative Bias Correction）：
   • 将保费空间分箱（Binning），计算每个（保费箱，敏感特征组）单元内的加权残差均值。
   • 引入基于暴露度的收缩（Exposure-driven Shrinkage）：利用类似信度理论（Credibility Theory）的权重 $z_{k\ell} = \frac{w_{k\ell}}{w_{k\ell}+c}$，将稀疏组内的估计值向整体组均值收缩，以稳定估计。
   • 迭代更新保费，直到残差偏差在容忍度范围内消失。

3.2 连续敏感特征（Continuous Sensitive Feature）

当 $S$ 为连续变量（如具体的车辆年龄数值）时：

1. 直接经验多平衡修正（双变量局部 GLM）：
   • 在 $(\pi, S)$ 联合空间上，使用局部广义线性模型（Local GLM）估计条件均值曲面 $m(p, s) = E[Y \mid \pi(X)=p, S=s]$。
   • 引入中心化步骤（Centering Step）：为了确保修正后的保费在边际上仍保持自校准（即 $E[Y \mid \pi_{mbc}(X)] = \pi_{mbc}(X)$），需对估计曲面进行中心化处理，消除因局部平滑带来的边际偏差。
2. 正则化迭代偏差修正：
   • 在联合空间 $(\pi, S)$ 上迭代估计边际偏差和联合偏差曲面。
   • 利用 k-近邻估计局部有效暴露度，计算固定的信度权重 $z(p, s)$ 进行收缩。
   • 通过迭代更新，逐步消除联合空间内的系统性偏差。

4. 实证研究结果

4.1 数据集

使用 Noll 等人 (2018) 提供的法国机动车第三者责任险（MTPL）数据集，包含约 67.8 万条保单记录。

• 响应变量：索赔频率。
• 敏感特征：车辆年龄（VehAge），分别处理为离散分组（3 组）和连续变量。
• 基准模型：基于泊松分布的广义加性模型（Poisson GAM）。

4.2 性能对比

论文比较了五种模型：基准模型、自校准模型、平衡修正模型、多校准模型（迭代法）、多平衡修正模型（组内回归/局部 GLM）。

• 偏差结构（Residual Bias）：
  • 基准模型在保费分箱间存在明显的单调扭曲（高保费区定价不足）。
  • 自校准消除了整体偏差，但在不同敏感特征组（如不同车龄）之间仍存在显著差异（条件偏差）。
  • 多校准和多平衡修正成功消除了组间差异，使得各敏感特征组在同一保费水平下的残差均接近于零。
• 预测精度（Deviance）：
  • 多校准模型在测试集上的泊松偏差（Deviance）最低，优于自校准和基准模型。
  • 这表明引入公平性约束（多校准）不仅没有降低精度，反而通过纠正系统性偏差提高了模型的准确性。
• 区分能力（Gini Coefficient）：
  • 所有校准模型均显著优于基准模型。
  • 多校准模型的 Gini 系数略低于自校准模型，但差异不大，说明在保持公平性的同时，模型仍保留了良好的风险区分能力。

5. 主要贡献与意义

1. 理论创新：首次将机器学习领域的“多校准”概念系统性地引入非寿险精算定价，建立了自校准（财务平衡）与条件均值独立性（公平性）之间的数学桥梁。
2. 方法提出：提出了实用的多平衡修正算法，包括针对离散和连续敏感特征的直接估计法和正则化迭代法。特别是引入了基于暴露度的收缩机制，解决了小样本组估计不稳定的问题。
3. 反直觉发现：通常认为引入公平性约束会牺牲预测精度，但本文证明，通过多校准消除系统性偏差，反而能提高保费的预测准确性（降低 Deviance）。
4. 监管与实务价值：
   • 为保险公司提供了一种可量化的工具，证明其定价策略在允许使用敏感特征（如健康、残疾）时是“公平”的。
   • 即使敏感特征被法律禁止直接用于定价（如欧盟的性别），多校准思想也可用于检测和修正由代理变量引起的间接歧视。
   • 该方法有助于防止逆向选择，确保不同风险群体在相同保费下的财务自给自足。

6. 结论

本文论证了多校准是解决非寿险定价中财务平衡与公平性冲突的理想框架。通过实施多平衡修正，保险公司可以生成既满足财务自平衡要求，又符合公平性原则（即相同保费对应相同预期赔付，无论敏感特征如何）的保费。实证结果表明，这种方法不仅符合伦理和监管要求，还能在统计上提升定价模型的准确性。