朴素 Bühlmann 里隐藏的假设
上一篇你结识了 Bühlmann 信度 及其整洁的判决：以权重 Z = n / (n + k) 信任你自己的数据，其中 n 是你拥有的观测数，k 是组内噪声与组间信号之比。然而那个小小的 n 里悄悄藏着一个假设。它把每个观测都当作同样大小来计数——一位司机、一年、一个完全相同的风险单位。对一支由相同司机组成的教科书车队这没问题，但对真实业务而言几乎从不成立。
设想一家保险公司的团体健康计划组合。一个雇主承保 5,000 条生命；隔壁街角的面包店只承保 8 条。某一年你承保了九个月，次年承保整整十二个月。建立在 5,000 条生命、整整一年之上的理赔平均是稳健可信的；同样的统计量若来自 8 条生命、九个月，则形同抛硬币。朴素 Bühlmann 无从分辨——在它看来两者都不过是“一个观测”，都会以同样方式推动 Z。我们需要一个懂得“更大的观测更安静、理应算得更重”的模型。
暴露：衡量大小的正确单位
解药是诚实地度量大小，而精算师对“大小”的用词是 暴露：某期间内实际处于风险中的风险单位数量——生命年、车年、薪资金额、保单数。一个承保 5,000 条生命整整一年的计划携带 5,000 生命年的暴露；那家承保九个月的 8 人面包店则携带 8 × 0.75 = 6 生命年。暴露之所以是天然的尺子，是因为平均值的随机散布随暴露增长而缩小：生命越多，运气越少。
Bühlmann-Straub 模型 不过是把 Bühlmann 重建在“暴露”之上、而非天真的计数之上。它做两件事。第一，当它把一个风险的自身历史汇总成单一数字时，用的是暴露加权的平均——5,000 生命年的一年比 6 生命年的一年远更有力地拉动那个平均。第二，它用总暴露 m 替换信度权重中的 n，得到 Z = m / (m + k)，并保留你已熟知的那同一个 k = EPV / VHM。你关于 k 所学的一切原封不动地沿用过来；长大的只是分子上那个数字的含义。
算一笔信度保费
让我们像精算师真正做的那样，为一个商业团体厘定明年的费率。假设经验贝叶斯那一步已经给了我们 k = 800（以生命年计），以及集合体均值人均 1,000——这是一个毫无自身记录的全新账户的费率。我们这个团体已累积 3,200 生命年的暴露，而在这段历史里，它自身暴露加权的平均理赔为人均 1,150。问题一如既往：这 1,150 我们该信几分？
Z = m / (m + k) = 3200 / (3200 + 800) = 0.80
credibility premium = Z * own + (1 - Z) * collective
= 0.80 * 1150 + 0.20 * 1000 = 1120 per life那个 1,120 就是 信度保费——团体自身 1,150 与集合体 1,000 的暴露加权混合。现在为那家只有 200 生命年的小面包店做同样的算术：它的 Z 为 200 / (200 + 800) = 0.20，于是它费率的 80% 来自集合体，仅五分之一来自它稀薄而充满噪声的自身记录。暴露恰恰做到了我们想要的——信息丰富的大账户主要为自己代言，而那个小账户被温和却坚定地拉向群体。
它真正发挥作用之处：经验费率
Bühlmann-Straub 是商业账户 经验费率 背后的主力。当一个团体的保单到期续保时，核保人并不凭空编造数字；一台信度引擎把该账户自身的损失历史与其类别的手册费率混合，而权重由账户带来的暴露多少来决定。一个有三年干净记录的 5,000 人雇主，会看到那份好记录反映为它真正赢得的折扣。一家因一次离谱理赔而上榜的小店不会因单个倒霉年份而受罚，因为它低低的 Z 让它仍系在 类别费率 上。
同一台机器出现在暴露在风险之间、年份之间差异巨大的任何地方：工伤补偿的经验修正系数、团体寿险与健康险的续保，以及再保险——在那里一份合约的暴露可在账户之间剧烈摆动。每一种情形里，参数 k 与集合体均值都在整个组合上估计一次——即你早先结识的 经验贝叶斯 那一步——随后每个个体风险都依其自身暴露来厘定费率。一个结构模型，许多量身定制的保费。
- 在整个组合上一次性估计结构参数（EPV、VHM，从而 k）与集合体均值。
- 对每个账户，汇总其暴露 m，并构造其暴露加权的平均理赔。
- 令 Z = m / (m + k)；账户越大，自动获得越高的 Z。
- 混合：信度保费 = Z × 自身平均 + (1 − Z) × 集合体均值。
诚实的局限
Bühlmann-Straub 倚靠一个值得直说的结构假设：它假定每个风险的过程方差与其暴露成反比——即干净的泊松式缩放，生命数翻倍则平均值的方差减半。对独立、同质的风险单位，这成立得很漂亮。但当单位并不独立时，它便松动——一场工厂火灾可一次击中数百条“生命”，所以一个 5,000 人的账户并非真有 5,000 次独立抛硬币，其真实波动性的缩小比模型假定的要慢。一旦如此，模型就会给一个大账户超过它真正应得的信度。
还有两点诚实的告诫。第一，暴露的度量必须选对——薪资、人头、销售额——并被正确度量；若一个账户只是纸面上“大”，它高高的 Z 就会信誓旦旦地误导你。第二，算出来的仍是一笔 信度保费：对预期损失的最佳估计，而非成品价格。在它成为任何人可出售的毛保费之前，仍须加载费用、利润与风险边际。信度混合回答的是“这要花多少？”，而非“我们该收多少？”——这是两个不同的问题。