有限波动信度
/ the 'classical' theory /
最古老的信度思想诞生于约 1914 年的工伤补偿费率厘定，出发点很朴素：别让估计值跳来跳去太厉害。这种想法简单而人性化——“我会在安全范围内尽量信任自己的数据，而安全的检验标准是数据不会逐年剧烈波动。”因为它的设计目标就是限制估计值的随机波动，所以叫做有限波动信度，也称经典信度。
具体来说，它设定一个目标：我们希望观测到的经验有高概率（比如 90%）落在其真实均值的一个小百分比范围内（比如正负 5%）。若数据多到能满足这个目标，则数据“完全可信”，得到满权重（Z = 1）；若较少，则得到部分权重，而著名的平方根法则恰好规定了多少。整套机制的关键在于：算出在随机噪声小到足以信任之前，你需要多少笔理赔（或多少风险暴露）。对于服从泊松分布的理赔次数，频率的完全信度通常需要一千余次预期理赔的量级。
有限波动信度直观、易算，至今仍嵌在许多监管与费率公式里。但要诚实地看它的弱点：它从不追问一个风险与另一个风险究竟有多不同。它把基准当成完全正确，只担心你自身数据里的噪声。这正是为何更现代的 Buhlmann（最大精度）方法——它把风险之间真实的差异与风险内部的噪声相互权衡——在理论上更受青睐；不过经典信度依然存活，因为它简单，且在许多实务场景中“够用”。
某方案要求频率估计有 90% 的把握落在均值的 5% 以内，需 1,082 次预期理赔。理赔达到这么多的业务为完全可信（Z=1）；只有 270 次的业务得到部分信度 Z = sqrt(270/1082) 约 0.50。
完全信度是一个数据量门槛；低于它时，平方根法则将 Z 按比例缩小。
经典信度在确定 Z 时，从未估计风险之间真正差异有多大。它可能给一个确实异常的风险过少的权重，因为它只防范噪声，而不防范基准对你而言本就不对。