广义线性模型在定价中的应用

寻找相对系数的旧办法是一次只看一个费率变量：按年龄把客户分组、比较损失率；再按地域分组、再比较。麻烦在于变量相互重叠——年轻司机也往往开某些车、住某些地方——所以单向分析会把同一个效应记到几个变量头上，价格就出现扭曲。广义线性模型（GLM）通过同时估计每个费率变量的效应、且每个都对其他所有变量加以调整来解决这个问题。

GLM 是普通回归的一个灵活表亲，专为诚实地拟合保险数据而设。两个特性使它成为现代定价的主力。第一是连接函数：定价使用乘法型（对数连接）结构，于是模型自然产出可相乘的相对系数，与费率算法的运作方式相符。第二是误差分布按数据选取：索赔次数（频率）用泊松分布、索赔金额（严重度）用伽玛分布、纯保费直接用 Tweedie 分布。模型会为每个变量的每个层级返回一个相对系数，即固定其他一切时的边际效应——例如“在已经计入车辆和地域之后，年轻司机是基准的1.6倍”。

GLM 把定价从粗糙的表格变成精细、内部一致的费率计划，并仍是受监管行业的标准，因为其系数可解释、可说明——你能向监管者精确展示每个因子为何如此。更新的机器学习方法（梯度提升、神经网络）往往能更准确地预测损失，但更难解释、也更难辩护为“不存在不公平歧视”，所以常被用来佐证或挑战一个 GLM，而非直接厘定报备费率。诚实的提醒：GLM 仍然只在数据中找到关联，而非原因，并且它会忠实地复现喂给它的历史数据中固化的任何偏见。