加载中...
AI 原生量化投研平台AI-native quantitative research platform
正在加载…Loading…
页面仍在加载，可以继续等待，或重新加载。The page is still loading. You can keep waiting or reload.
部分页面资源未能加载，请重新加载。Some page resources could not load. Please reload.
设备当前处于离线状态，恢复连接后可以继续等待或重新加载。Your device is offline. Once connected, you can keep waiting or reload.
本文提出保险定价中的分类、类内聚合与平衡转移框架，将风险充足性、组合覆盖、保护群体构成差异及群体保费效应纳入多目标优化。研究刻画了完美风险充足性的推断阈值、分类合并带来的风险不足成本、平衡转移可实现的群体效应及其最小代价，并证明保护群体分布结构而非单一公平指标决定补偿成本。汽车保险数值案例表明，降低推断差异可能牺牲风险充足性，且组合覆盖改善还可能需要额外的风险不足成本。
| 分类 | 费率类数量 | 最大类内价格跨度 | 风险不足 (L(C)) | 推断差异 (\Gamma(C)) | 聚合效应标准差 |
|---|---|---|---|---|---|
| C8 | 8 | 0 | 0 | 约0.116 | 原文表2未完整显示 |
| C4 | 4 | 4 | 3.971 | 原文表2未完整显示 | 0.175 |
| C3 | 3 | 8 | 8.431 | 原文表2未完整显示 | 0.392 |
| C2 | 2 | 12 | 19.046 | 原文表2未完整显示 | 0.892 |
| 分类 | 目标或优化方式 | 额外风险不足 | 总风险不足 | 结果 |
|---|---|---|---|---|
| C4 | 精确补偿 | 0.230 | 4.201 | 精确补偿可实现 |
| C3 | 精确补偿 | 1.465 | 9.896 | 精确补偿可实现 |
| C2 | 最小群体效应标准差 | 7.671 | 26.718 | 精确补偿不可实现，标准差降至0.149 |
报告标题：Risk Adequacy and Anti-Discrimination in Insurance Pricing: Classification, Aggregation, and Transfers，可译为《保险定价中的风险充足性与反歧视：分类、聚合与转移》。作者为 Wiebke Hansen、Stefan Weber 和 Mario V. Wüthrich，作者机构包括 Leibniz Universität Hannover 与 ETH Zürich，发布日期为 2026 年 10 月 26 日。
这是一篇偏理论与数量分析的保险精算研究论文，主题不是某一家上市公司的投资评级，也不是行业股票研究，因此没有“买入/持有/卖出”评级，也没有目标价或传统意义上的收入、利润和每股收益预测。 文章研究的是保险公司如何在以下目标之间进行制度化权衡：一是按照个体风险收取与风险相匹配的价格，二是通过风险池化维持整体保险组合的财务覆盖能力，三是减少受保护群体在费率分类中的统计差异及不利保费影响。 论文的核心观点是，保险费率设计不应被压缩成单一的“公平”或“准确”指标，而应拆分为分类、类内聚合和类间转移三个环节，并在风险充足性、组合覆盖、分类推断差异和群体保费影响之间考察可实现的权衡及 Pareto 前沿。
文章最重要的结论可以概括为：如果分类过于粗糙以降低受保护群体构成差异，就可能把不同基准风险价格的投保人放入同一费率类别，从而损害风险充足性；如果通过类别之间的附加费和返还来修正群体平均保费影响，又可能进一步扩大个体保费与其基准风险价格之间的偏离。 因此，所谓“反歧视调整”并不免费，其成本可能表现为更高的个体定价误差、更差的组合覆盖，甚至在某些分类结构下无法实现精确补偿。
论文先建立一个 Bühlmann 类型的层级模型。每名投保人拥有一个最细层次的风险类型 (\Theta)，该类型决定其条件索赔分布；保险公司可观察到的信息记为 (X)，实际赔款为 (Y)，受保护属性为 (D)，例如性别或族裔；基于风险类型对应的条件赔款分布，通过某种保费原则 (\Pi) 得到个体的基准风险价格 (R=\pi(\Theta))。
这里的基准风险价格并不等同于最终收取的商业保费，它只是一个“如果可以对每个风险类型单独定价时应收取多少”的参照值。 例如在期望损失定价下，(\pi(\vartheta)) 等于该类型的期望赔款；如果加入风险附加费，也可以使用更复杂的保费原则。
实际费率由三个控制变量决定：
因此，最终保费可以写成“类内聚合价格加上类别转移”。正的转移表示附加费，负的转移表示返还。 这个拆分非常关键，因为它把两种性质不同的误差区分开来：类内聚合造成的是池化效应，类别转移造成的是转移效应，两者之和才是投保人的总保费效应。
论文还特别强调，理论中的分类是类型层面的函数，未必可以由现实中可获得的 (X) 直接实施；如果同一风险类型对应多个观察结果，分类甚至可能在给定类型后仍具有随机性。 因而本文的类型级分类更像是一个理论上限或基准模型，未来仍需研究信息不完整、观察噪声和监管禁止使用某些变量后，可实现的目标集合会收缩到何种程度。
本文的一个重要方法论贡献，是区分了不同评价指标所依据的人口法律：
三种分布可以不同，但共享相同的条件风险结构和基准风险价格函数。 这意味着，保险公司当前组合可能主要由某些群体组成，而监管机构关注的是更广泛的潜在投保人群体；若两者构成不同，同一套分类和转移安排在两个人口中的群体平均效果也会不同。 这种区分是现实中选择偏差和样本代表性问题的数学表达。
论文将费率评价拆分为以下目标：
论文明确区分“偏差度量”和“货币风险度量”。方差、标准差等偏差指标只衡量群体之间差异，不会因所有群体的保费效果同时增加相同金额而变化；而期望、AVaR 等货币风险指标会把共同的保费上升视为更不利。 这意味着，“群体之间是否相同”和“群体整体是否被加价”是两个不同的政策问题，不能用同一个公平指标替代。
引言认为保险天然同时包含个体风险差异与风险共同体两个维度，个体风险模型能够给出基准价格，但实际费率通常必须把个体放入类别、进行池化并可能在类别间重新分配保费。 受保护群体比例在类别之间存在差异时，监管者可能要求采用更粗的分类以减少这种差异，但粗分类又会把不同风险价格的人放在一起，从而降低风险充足性。
作者将研究问题归纳为三组：
作者的答案均是否定或具有条件性。推断差异存在一个与风险价格—群体联合分布有关的最低阈值；低于该阈值就必然要牺牲风险充足性。 同时，群体保费效果的可达性和成本取决于保护群体如何分布在各个费率类别中，而不是只取决于一个标量化的推断差异指标。
文献综述将本文置于三条研究脉络中：传统保费原则和可信度理论，保险风险分类与社会福利研究，以及机器学习中的公平性与预测准确率权衡。 相比仅讨论 demographic parity 或个体公平，本文更强调保险费率的实际构造机制，即先分类和聚合，再通过类别转移改变群体平均保费效果。
固定分类后，如果允许每一类自由选择类别保费，最小平方风险不足为：
[ L(C)=E_P[\operatorname{Var}_P(R\mid C(\Theta))]. ]
其经济含义是：同一类别中的基准风险价格越分散，必须用一个共同保费替代个体价格时产生的误差越大。 当且仅当基准风险价格 (R) 已经由分类完全确定时，(L(C)=0)，也就是实现完美风险充足性。
假设基准风险价格只有有限个水平 (r_1,\ldots,r_K)，定义 (C_\pi) 为“每个基准价格水平一个类别”的分类。作者证明，在所有完美风险充足的分类中，(C_\pi) 的推断差异最小，因此：
[ \varepsilon_0=\Gamma(C_\pi) ]
是实现零风险不足所需的推断差异阈值。 这说明如果风险价格与受保护属性在监管人口中相关，即使分类完全不使用受保护属性，也可能因为合法风险变量与群体分布相关而产生类别构成差异。
一个特别清晰的推论是：当且仅当 (R) 与 (D) 在监管人口中独立时，完美风险充足分类的最低推断差异为零。 换言之，若不同受保护群体在合法风险价格上的分布不同，那么“既完全按风险定价，又让所有类别的群体构成完全相同”通常无法同时实现。
作者进一步证明，如果要求 (\Gamma(C)) 低于 (\varepsilon_0)，风险不足不仅是正数，而且存在统一的正下界。 在监管人口相对于组合人口的密度比有上界 (M) 时，得到一个定量下界，其核心结构是：
[ L(C)\geq \frac{\delta_R^2}{4M}(\varepsilon_0-\Gamma(C))_+, ]
其中 (\delta_R) 是不同基准价格水平之间的最小间隔，常数 (1/4) 在该假设下是尖锐的。 该结果的经济解释是：受保护群体构成差异被压低得越多，分类越可能混合不同风险价格；不同风险价格之间的最小间距越大，这种混合造成的定价误差就越严重。
对于合并两个类别，作者给出精确变化公式。若类别 (a,b) 被合并，则风险不足增加量为：
[ \frac{q_aq_b}{q_a+q_b}(\bar r_a-\bar r_b)^2, ]
而推断差异下降量与两个类别受保护群体构成向量之间的平方距离成正比。 这是一项很有操作性的结论：若两个类别的平均风险价格接近、但群体构成差异很大，则合并它们可能以较小风险代价明显降低推断差异；反之，若风险价格差异很大，合并成本就高。
在连续相邻风险价格分组的限制下，作者把问题转化为有限分段问题，最小化 (L(C)+\lambda\Gamma(C))，并使用动态规划求解。 需要注意的是，动态规划只对“相邻风险价格水平组成类别”的特定分类族有效，并不保证覆盖所有 Pareto 有效分类；而且改变标量化权重 (\lambda) 也未必能找出所有有效权衡点。
第四节固定分类和聚合，只改变类别转移。设类别保费向量为 (p)，参考人口下的类别权重为 (q^\star)，则平衡转移要求：
[ (q^\star)^\top p=E_{P^\star}[A_C(C(\Theta))]. ]
因此可行保费向量构成一个仿射超平面；转移只能在这个平面内重新分配，而不能改变参考人口下的平均转移为零这一约束。
令 (Q_{dc}=P^\star(C(\Theta)=c\mid D=d))，它表示保护群体 (d) 被分配到各费率类别的条件概率。群体平均总保费效果可写为：
[ M_{\Delta}=Qp-\mu^\star, ]
其中 (\mu^\star_d=E_{P^\star}[R\mid D=d])。 这说明，转移对群体的影响不是由群体标签本身直接决定，而是由群体在费率类别之间的分布矩阵 (Q) 决定。
给定目标群体效果向量 (y)，所有实现该目标的类别保费向量形成集合 (F_y)。其中，(Q) 的核空间 (\ker Q) 描述了“改变各类保费、但不改变任何群体平均效果”的剩余自由度。 这为后续组合覆盖优化提供了数学基础。
风险不足可以分解为：
[ f_{RA}(p)=L(C)+|p-\bar r|_q^2, ]
其中 (\bar r_c=E_P[R\mid C=c])，(q) 是组合中的类别概率。 第一项是分类本身造成的池化损失，第二项是类别保费偏离组合条件均值造成的额外转移成本。对于给定群体目标，最小风险不足的保费向量就是在 (q)-加权几何下，把 (\bar r) 投影到目标可行集合上。
由此得到几个重要判断：
在人口法律相同、使用平方欧氏距离和标准差时，作者证明了一个风险不足下界：若初始群体效果分散度为 (|w_C|_{\rho^\star})，目标是将其压到 (s) 以下，则所需风险不足至少包含一个与
[ \frac{2\rho^\star_{\min}}{\Gamma(C)} (|w_C|{\rho^\star}-s)+^2 ]
有关的额外成本。 直观上，(\Gamma(C)) 越小，类别中的群体构成越接近，类别转移就越难以对不同群体产生不同的平均影响；因此要改变群体之间的保费差异，就需要更大的类别保费调整。
二群体例子说明，该下界可以达到，而且当推断差异趋近于零时，精确补偿成本可以发散到无穷大。 更进一步，三群体构造表明，即使 (\Gamma(C)) 固定在一个严格正值，精确补偿成本仍可能无界，因为总体群体构成差异可能集中在一个对保费转移响应极弱的方向上。 这直接支持作者的核心警告：单独报告一个“公平性”或“推断差异”数字，无法充分判断实现群体保费目标的实际成本。
在群体总保费效果固定后，仍可能存在 (\ker Q) 方向的类别保费调整。这些调整不改变群体平均效果和转移平衡，但会改变保险组合的保费收入与剩余损失。 对于风险不足允许额外增加 (\delta) 的情形，剩余调整被限制在 (\ker Q) 中的 (q)-范数球内。
作者证明，如果覆盖指标在最小风险不足点可微且凸，则其负梯度在 (\ker Q) 上的投影决定了是否存在改善覆盖的方向。 如果该投影不为零，就可以在增加少量风险不足的情况下改善组合覆盖；如果投影为零，则当前保费已经是固定群体目标下的覆盖最优解。 对 AVaR 而言，改善方向取决于高额剩余损失情景中的类别人数，因此它不是简单地由平均赔款决定，而是由尾部损失组合中的类别构成决定。
原文提供了 Table 1 至 Table 4，但当前文本抽取结果只保留了表题和正文计算，未提供可直接访问的图片文件或完整表格图像，因此无法按照要求生成真实的  图片链接，也不应虚构图片路径。以下根据表格说明及附录中的计算，对各表进行重构和解读。
Table 1 展示三个受保护群体在八个基准风险价格水平 (88,92,96,100,104,108,112,116) 上的条件概率分布。 三个群体总体概率均为 (1/3)，但群体 1 更集中于较低风险价格，群体 2 更集中于中间区间，群体 3 更集中于较高风险价格。 这意味着基准风险价格本身不直接使用 (D) 作为定价变量，但合法风险价格与受保护群体之间存在统计关联。
附录计算得到三个群体的条件均值分别为约 98、100.76 和 105.72，整体基准风险价格均值为 (7612/75=101.4933)。 因此，任何按照风险价格进行细分的分类，都可能在类别层面产生不同的群体构成；这正是本文把“合法风险分类”和“受保护群体推断差异”联系起来的数值基础。
Table 2 比较四种分类：
(C_8) 是完全风险充足的分类，因此 (L(C_8)=0)，其推断差异约为 (\varepsilon_0=0.116)，即理论阈值在数值案例中的具体体现。 随着分类从 (C_8) 变粗，推断差异下降，但池化损失上升；附录给出的池化损失为 (L(C_4)=3.97092)、(L(C_3)=8.43102)、(L(C_2)=19.04624)，而 (C_8) 为零。
与此同时，群体池化效果标准差由 (C_4) 的约 0.175 上升至 (C_3) 的约 0.392，再到 (C_2) 的约 0.892。 这说明更粗的分类虽然降低了类别间群体构成差异，却把不同风险价格混在一起，使不同群体因其风险价格分布不同而承受不同的平均池化损益。 这一趋势不是一般数学定理，因为 (C_4,C_3,C_2) 并非完全嵌套序列；作者明确提醒，粗化定理只保证推断差异不增加，不能保证群体池化效果分散度单调变化。
Table 3 研究平衡转移能否消除或降低池化造成的群体效果。 在 (C_4) 下，精确补偿可以实现，额外风险不足成本只有 0.230，总风险不足约为 (3.971+0.230=4.201)。 在 (C_3) 下，精确补偿同样可实现，但额外成本上升至 1.465，总风险不足约为 9.896。
(C_2) 的结论明显不同。只有两个类别，却要同时满足三个群体的补偿方程，方程组不相容，因此精确补偿不可达。 其最小剩余群体标准差约为 0.149，但达到这一分散度需要总风险不足约 26.718，且理论下界约为 24.528，因此该案例中下界并未达到。 这张表最重要的启示是：“目标可达性”和“目标成本”是两个独立问题；(C_4) 与 (C_3) 都能精确补偿，但成本差异很大，而 (C_2) 连精确补偿都做不到。
Table 4 专门比较两种不同的群体目标：最小化群体总保费效果的标准差，或最小化 (AVaR_{2/3})。由于三个群体等概率，(AVaR_{2/3}) 等于三个群体效果中的最大值，因此是一个“最坏群体”指标。
在 (C_2) 下，标准差最优的群体效果向量约为：
[ (0.141,-0.205,0.065), ]
其标准差约为 0.149；而 AVaR 最优向量约为：
[ (0.107,-0.215,0.107), ]
最大不利效果从 0.141 降至 0.107，但标准差略升至 0.152，风险不足也从约 26.718 增加到 27.279。 这表明均衡“所有群体差异”和压低“最差群体的最高保费增加”并不是同一个目标，监管者必须先明确要保护的是整体均等性，还是最不利群体。
正文没有单独编号的图形，但第五节给出了一个重要的覆盖数值实验。对于 (C_4)，在保持精确补偿不变的情况下，允许风险不足额外增加 1，可以使单一投保人组合的 (AVaR_{0.95}) 从 116.322 降至 115.955，改善约 0.367。 这是因为 (Q_4) 有四列、三行，核空间为一维，存在不改变群体效果的类别保费调整方向。
相比之下，(C_3) 的 (Q_3) 是非奇异的 (3\times3) 矩阵，精确补偿已经唯一确定类别保费，因此没有可以在保持群体目标不变的前提下改善覆盖的自由度。 该对比将抽象的 (\ker Q) 理论转化为清晰的运营结论：同样实现群体补偿，不同分类的剩余定价自由度可能完全不同。
最后一个数值实验改变参考人口，将受保护群体概率从均等的 ((1/3,1/3,1/3)) 改为 ((0.5,0.3,0.2))，但保持组合人口、分类 (C_4)、群体内部风险价格分布和 (Q) 矩阵不变。 结果是参考人口下的平均池化效果变为 (b\approx0.062)，而不再为零。
由于平衡转移只能重新分配平均为零的转移金额，无法消除这个非零整体平均效果，因此精确补偿不再可实现。 但因为 (Q_4) 满行秩，仍然可以让三个群体获得相同的总保费效果，即实现群体中性，只是共同效果约为 0.062。 这很好地揭示了“精确补偿”和“群体中性”的差异：前者要求每个群体效果为零，后者只要求群体之间相等；参考人口变化可能使前者失效，但后者仍可实现。
这篇论文没有传统金融研究报告中的估值章节，也没有 DCF、P/E、EV/EBITDA、目标价、盈利预测或现金流预测。 因此不能按照上市公司报告的方式解释估值倍数或目标价格。论文中的“成本”不是企业价值意义上的估值，而是某种定价政策相对于基准风险价格所增加的平方偏差、资本需求或组合覆盖损失。
其中，风险不足 (L(C)) 可被理解为分类造成的最低定价误差；转移成本 (c_C(y)) 则是为实现指定群体目标而使类别保费偏离组合条件均值的最小二次成本。 这是一种约束优化意义上的“政策成本”，不能直接解释为保险公司的利润损失或市场价值下降。
理论分类以不可直接观察的类型 (\Theta) 为基础，而现实保险公司只能使用 (X) 等可观测信息，且观测信息可能不完整或带有噪声。 因此，论文理论上证明的可行分类可能无法直接实施，实际风险充足性可能更差。
当前保险组合 (P) 与监管参考人口 (P^{reg}) 或转移参考人口 (P^\star) 不一致时，风险不足、群体效果与转移平衡分别由不同分布评价。 若参考人口估计错误，可能导致监管指标和实际组合财务后果之间出现偏差。
低推断差异并不自动意味着低风险成本。论文证明，当类别对受保护群体的区分很弱时，类别转移对群体平均保费的调节能力也可能变弱，最终需要大幅调整类别保费。 在三群体构造中，即使推断差异固定，精确补偿成本也可能无界。
理论中的转移允许类别保费为任意实数，包括负值；作者在数值案例中报告的保费均为正，但并未把非负性作为一般可行性条件。 一旦现实监管或商业规则要求所有保费非负、转移幅度有限或类别之间不能出现极端差异，原本理论上可达的群体目标可能变得不可达。
论文假定基准风险价格、人口分布和条件风险结构已知，而现实中这些量需要从数据中估计。 数据估计误差、模型漂移、组合选择偏差和群体比例变化都会改变推断差异、最小风险成本及 Pareto 前沿。
费率会影响投保人的选择和保险公司的未来组合构成，当前的分类和保费策略可能改变未来风险池。 本文主要是静态框架，尚未把需求反应、退出、逆向选择和动态组合演化纳入模型。
第一，论文的理论结论高度依赖距离函数和损失函数。例如主要定量结果使用平方欧氏距离和平方保费偏差；换成总变差距离、绝对偏差或其他公平指标后，阈值和下界未必保持相同形式。 因此，数学结论并不是对所有公平定义普遍成立，而是对指定指标具有严格有效性。
第二，(L(C)) 允许类别保费自由选择，暂时不施加聚合规则和转移平衡约束，因此它衡量的是分类本身的最低成本，而不是现实费率的最终成本。 这使理论分解非常清晰，但也意味着 (L(C)) 不能直接作为实际保险公司必须承担的全部成本。
第三，作者把“分类中的受保护群体构成差异”和“群体平均保费效果”分开是合理的，但二者之间没有一一对应关系。 一个分类可能具有较低推断差异，却因 (Q) 矩阵结构不利而难以修正群体保费效果；反过来，较高推断差异也不必然意味着补偿成本最高。
第四，论文明确承认动态规划只适用于连续相邻风险价格类别，而且标量化方法可能遗漏部分 Pareto 有效点。 因此，数值求解结果应理解为特定分类族和特定权重下的最优，而不是所有可能费率架构的全局最优。
第五，报告文本的公式和表格在当前抽取版本中存在若干字符错位、缺失下标和乱码，例如部分概率核、条件期望和矩阵表达式无法完整显示；Table 1 至 Table 4 的原始视觉表格也没有随文本提供。因此，数值结论应主要依据正文和附录中明确给出的计算值，而不应对缺失的表格单元格进行臆测。
这篇论文的总体立场不是主张某一种单一“公平费率”，而是主张把保险定价拆解成可分析的多目标系统。分类决定谁被放入同一费率类别，聚合决定类别基准价格，转移决定是否在类别之间重新分配保费；风险充足性、组合覆盖、类别构成差异和群体保费效果分别衡量这些安排的不同后果。
理论上，完全按照有限个基准风险价格分类可以实现零风险不足，但其推断差异存在最低阈值；如果监管要求低于该阈值，就必然产生正的风险不足成本。 合并类别可以降低推断差异，但成本取决于被合并类别的平均风险价格差异和群体构成差异。 在转移层面，群体目标是否可达取决于 (Q) 矩阵的秩和结构，目标即使可达，成本也可能因类别—群体分布而大幅不同，甚至无界。
数值案例进一步说明，(C_8) 实现完美风险充足但推断差异约为 0.116；(C_4) 和 (C_3) 可以通过转移实现精确补偿，但成本分别明显不同；(C_2) 则无法实现精确补偿，只能在很高风险不足下将群体分散度降至约 0.149。 当选择最坏群体的 AVaR 而不是标准差时，虽然可以压低最高不利群体效果，却会牺牲整体分散度并增加风险不足。
因此，作者最终传达的主要信息是：保险反歧视定价不是单纯删除受保护变量或简单强制群体均等，而是一个受分类架构、人口分布、聚合方式和类别转移共同决定的多目标优化问题。真正可执行的监管或商业方案，应同时报告可达性、风险充足性成本、组合覆盖变化以及不同群体效果指标，而不能仅依据一个推断差异或公平性数字作出结论。
2610.32614.pdf