💰 quantitative finance

A Note on the Generalized Cape Cod Reserving Method

本文通过推导广义开普敦（GCC）方法预测均方误差（MSEP）的解析公式，弥补了精算准备金文献中的空白，从而将该方法从确定性算法扩展为能够量化预测不确定性的随机模型。

原作者： Ronald Richman, Mario V. Wüthrich

发布于 2026-05-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Ronald Richman, Mario V. Wüthrich

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用通俗语言和日常类比对该论文的解读。

宏观图景：预测未来的账单

想象你经营一家汽车保险公司。每年，你都必须拨出一笔资金（准备金），用于支付过去发生但尚未完全结案的汽车事故。这就是“赔款准备金”问题。

如果你预估过低，可能会资金耗尽；如果你预估过高，就会持有不需要的现金，这让投资者感到不满。因此，你需要一种方法来预测最终账单，同时也需要知道你的预测可能偏离多少（即不确定性）。

三大核心工具

论文讨论了精算师用于做出这些预测的三种著名工具：

链梯法（CL）： 就像看汽车的速度表。如果一辆车在过去 10 英里一直开得很快，你就假设它会继续保持高速行驶。这种方法仅依据历史数据来预测未来。
Bornhuetter–Ferguson 法（BF）： 就像天气预报。你既查看历史数据，也参考“先验信念”（例如：“四月通常下雨”）。你将两者结合起来。当数据杂乱无章或是新数据时，这种方法非常有效。
开普敦法（CC）与广义开普敦法（GCC）： 这些是“金发姑娘”式的方法（不偏不倚，恰到好处）。它们介于两者之间。它们利用历史数据，同时使用“赔付率”（即赔款成本相对于保费的标准预期）对其进行平滑处理。广义开普敦法（GCC） 是一个更高级的版本，能够调整随时间变化的趋势（例如，如果每年修车的成本都在上涨）。

问题：缺失的安全网

对于链梯法和Bornhuetter–Ferguson 法，数学家们已经算出了如何计算“安全网”——一个精确的公式，能告诉你预测可能偏离多少（称为预测均方误差，即 MSEP）。

然而，对于广义开普敦法（GCC），这个安全网是缺失的。人们使用 GCC 方法进行预测，但没有合适的数学方法来计算该特定方法的不确定性。在风险方面，他们是在盲目飞行。

解决方案：新公式

本文作者（Richman 和 Wüthrich）构建了那个缺失的安全网。他们推导出了一个全新的解析公式，用于计算 GCC 方法的不确定性。

他们是如何做到的？
他们使用了一种称为**“误差传播”**的技术。

类比： 想象你在烤蛋糕。你有一个食谱（模型），需要面粉、糖和鸡蛋。但你的量杯并不完美，存在微小误差。
- 如果你量了 1 杯面粉，实际上可能是 1.01 杯。
- “误差传播”方法就像一个计算器，它能将这些微小的测量误差转化为最终蛋糕口味受影响的具体程度。
在论文中： 他们将“链梯法”的数值视为原料。他们展示了这些原料中的微小误差如何穿过 GCC 公式，最终导致预测产生误差。

“滑动标尺”的发现

该论文发现的一个最酷之处是，GCC 方法实际上是在其他两种方法之间的一把滑动标尺。

如果你将特定的旋钮（称为 $\lambda$ ）调至 0，GCC 方法就完全变成了链梯法。
如果你将旋钮调至 1，它就变成了开普敦法。
如果你将其设置在两者之间的任何位置，它就是一种平滑的混合体。

因为他们的公式是为整个滑动标尺构建的，所以他们的新公式自动适用于链梯法（证明他们做对了），并为开普敦法提供了一个全新的不确定性公式。

现实世界中的意义

论文强调了保险行业的一个主要问题：不一致性。

当前的混乱： 许多保险公司使用 GCC 方法（或 BF 方法）来决定在账目中预留多少资金。但在报告风险时，他们却使用链梯法的不确定性公式。
类比： 这就像你驾驶着一辆特斯拉（GCC），却使用福特 F-150 的油耗手册（链梯法）来计算你的续航里程。你开的车和你阅读的手册并不匹配。
修正： 本文提供了一本专门针对特斯拉的手册。现在，如果保险公司使用 GCC 方法预留准备金，他们就可以使用这个新公式来计算完全相同的方法的不确定性。

核心结论

这篇论文填补了精算科学中的一个空白。它为保险公司提供了一种数学上严谨的方式，可以说：“我们使用广义开普敦法来预测未来的账单，这是关于我们可能出错多少的确切数字。”这使得保险公司的财务报告更加诚实和一致。

以下是 Ronald Richman 和 Mario V. Wüthrich 所著论文《关于广义开普角准备金法的注记》的详细技术摘要。

1. 问题陈述

赔款准备金评估是非寿险业务中的关键任务，涉及最终赔款损失的估计及预测不确定性的量化。虽然针对链梯法（CL）（如 Mack 模型）和**Bornhuetter–Ferguson（BF）方法已存在随机框架及均方预测误差（MSEP）公式，但针对广义开普角（GCC）**方法，严谨的分析型 MSEP 公式一直缺失。

差距： GCC 方法（及其前身 Bühlmann 开普角法）在实践中被广泛使用，因为它提供了完全基于观测的 CL 方法与基于先验的 BF 方法之间的折中方案。然而，现有的随机处理（如 Saluz, 2017）要么与行业标准的参数估计（使用 CL 隐含的发展模式）不一致，要么缺乏能够反映实际记账过程的闭式 MSEP 估计量。
挑战： 从业者通常使用 GCC 或 BF 方法进行准备金记账，但使用 Mack 的 CL 公式或自助法（bootstrapping）来报告不确定性。这造成了不匹配：不确定性量化适用于与实际记账不同的预测器。此外，BF 的 MSEP 估计量通常需要对先验损失率进行明确的概率规定，而这些规定在行业规划流程中很少被形式化。

2. 方法论

作者利用误差传播技术（最初由 Röhr, 2018 应用于 CL 方法）为 GCC 方法开发了一个统一的随机框架。

A. 广义开普角（GCC）框架

论文将 GCC 预测器定义为链梯发展因子（ $f_j$ ）和趋势参数 $\lambda \in [0, 1]$ 的函数。

开普角法（CC）： 使用所有事故年观测损失率的加权平均值来估计单一损失率（ $\kappa$ ），并假设平稳性。
GCC 扩展： 引入指数加权因子 $\lambda^{|i-l|}$ 以允许趋势存在。这使得事故年 $i$ 的损失率估计更多地依赖于相邻年份，从而修正了暴露量误设或频率/严重性趋势。
边界情况：
- $\lambda = 0$ ：GCC 方法退化为链梯法。
- $\lambda = 1$ ：GCC 方法退化为 Bühlmann 的开普角法。

B. 预测不确定性（MSEP）的推导

核心的技术贡献是在对数尺度上利用**一阶泰勒展开（误差传播）**推导 MSEP。

分解： 总 MSEP 被分解为过程不确定性（ $\Psi^2$ ）和参数估计误差（ $\Delta^2$ ）。
敏感性分析： 作者将 GCC 预测器视为链梯发展因子（ $f_j$ ）的函数。他们计算了 GCC 预测器对这些因子扰动的敏感性。
闭式解： 通过应用误差传播方法，他们推导出了参数估计误差（ $\hat{\Delta}^2_{GCC}$ ）的闭式分析公式，该公式与使用 CL 因子估计发展模式的行业标准实践相一致。

3. 主要贡献

首个 GCC 分析型 MSEP： 论文提供了广义开普角方法预测不确定性的首个闭式分析公式。
方法论一致性： 推导出的 MSEP 估计量与行业中使用的链梯隐含参数估计完全一致。与以往使用偏离标准实践的基于似然的估计的尝试（如 Saluz）不同，该方法确保不确定性度量与从业者实际记账的准备金完全对应。
CL 与 CC 的统一： 该框架表明 GCC 方法在 CL 和 CC 方法之间连续插值。因此，推导出的 MSEP 公式自然地收敛于：
- 当 $\lambda \to 0$ 时，收敛为 Mack 的 CL MSEP。
- 当 $\lambda \to 1$ 时，收敛为新的、一致的开普角 MSEP。
可信度解释： 论文提供了 GCC 预测器的可信度重述，将其展示为跨事故年的 CL 预测器的加权平均，并根据保费水平和时间邻近性进行调整。

4. 结果与数值示例

作者基于标准赔款数据（Wüthrich–Merz）的数值示例验证了其理论。

准备金敏感性： 随着 $\lambda$ 从 0（CL）增加到 1（CC），估计的准备金增加。这是因为数据表现出时间趋势，即个别损失率随时间下降，标准 CL 方法捕捉到了这一点，而假设平稳性的 CC 方法通过对趋势取平均而高估了损失率。
不确定性分量：
- 参数估计误差（ $\Delta^2$ ）： 随着 $\lambda$ 增加而减小。这是因为较高的 $\lambda$ 更多地依赖于“先验”（基于保费的）结构，降低了模型对个别事故年观测值噪声的敏感性。
- 过程不确定性（ $\Psi^2$ ）： 随 $\lambda$ 略微增加，因为总准备金金额（方差计算中的分母）增大。
最优 $\lambda$ ： 在示例中，最小总 MSEP 出现在 $\lambda = 0.55$ 左右。然而，作者警告称，最小化 MSEP 并不能保证是“真正”的最优模型，因为 MSEP 对模型假设敏感。
与 Saluz (2017) 的比较： 论文强调，Saluz 的 CC 准备金较高且其 MSEP 不同，因为她使用了不同的发展模式估计方法。作者的方法与行业标准（CL 隐含模式）一致，从而针对该特定数据集得出了更低、更现实的准备金估计。

5. 意义与实际影响

弥合差距： 这项工作通过提供一个与实践中使用的确定性算法相匹配的 GCC 随机模型，填补了重要的文献空白。
Bornhuetter–Ferguson 的代理： 由于 GCC 方法通常被用作 BF 方法的稳健算法代理（用 CL 隐含比率的加权平均替代主观先验），该 MSEP 估计量有效地为 BF 风格的准备金评估提供了严格的不确定性度量，而无需难以定义的先验损失率的概率规定。
监管与管理效用： 推导出的 MSEP 允许保险公司报告与其记账准备金在数学上一致的预测不确定性。这对于偿付能力报告（如 IFRS 17、Solvency II）和管理决策至关重要，取代了目前使用 Mack 的 CL 不确定性（适用于不同预测器）或临时缩放因子的做法。

总之，Richman 和 Wüthrich 成功地将随机准备金框架扩展到了广义开普角方法，提供了一种稳健的闭式工具，用于量化可直接应用于现实世界保险准备金实践中的预测不确定性。