2026年春招精算师面试题及答案

2026年春招精算师面试题及答案1.请阐述寿险传统型产品（如终身寿险）定价时需要考虑的核心假设，以及当前行业环境下这些假设可能面临的调整压力。答：寿险传统型产品定价的核心假设包括死亡率、费用率、投资收益率（预定利率）、退保率四大维度。其中，死亡率通常基于行业生命表（如《中国人身保险业经验生命表》），需结合公司自身业务特征调整；费用率涵盖新契约费用、维持费用、理赔费用，需按费用结构（固定/变动）拆分测算；预定利率直接影响产品定价和利差，需与投资端预期回报匹配；退保率反映保单持续率，受产品收益、市场同类产品竞争、客户经济状况等因素影响。当前行业环境下，各假设面临的调整压力主要体现在：①死亡率方面，人口老龄化加剧导致老年群体死亡率改善趋缓（部分公司观察数据显示70岁以上死亡率改善速度低于生命表假设），同时重疾检出率提升可能间接影响疾病相关死亡率；②费用率方面，代理人渠道转型期获客成本上升（部分公司新单费用率较3年前提升15%-20%），线上化运营虽降低部分维持费用但技术投入增加；③预定利率受宏观经济下行影响，长期无风险利率中枢下移（10年期国债收益率已连续3年低于3%），传统3.0%预定利率产品的利差损风险需更谨慎评估；④退保率方面，理财型产品竞争加剧（如增额终身寿与银行理财、储蓄险的收益对比），客户对流动性需求提升，部分公司高现价产品的退保率波动幅度扩大至±20%。2.某财产险公司需评估2025年车险未决赔款准备金，现有数据包括截至2025年末各事故年的已报案未决赔款、已发生未报案未决赔款（IBNR）、理赔进展流量三角形。请说明你会选择哪些评估方法，如何验证结果合理性，以及需特别关注的风险点。答：车险未决赔款准备金评估需结合案均赔款法、链梯法（CL）、Bühlmann-Straub模型等方法，具体步骤如下：（1）方法选择：①对于已报案未决赔款，优先使用案均赔款法，按事故年/同赔案类型（如人伤/车损）拆分，计算当前未决赔案数量×最新案均赔款；②对于IBNR，短期险（车险保障期1年）常用链梯法，通过流量三角形（事故年-进展年赔付额）计算进展因子，外推最终赔付额并扣除已付赔款；若历史数据波动大（如费改后定价因子调整导致赔付模式变化），可引入Bühlmann-Straub模型，结合先验估计（行业均值）与公司经验数据求加权平均。（2）合理性验证：①趋势分析：对比各事故年的赔付率（最终赔付/已赚保费）是否与公司承保政策、市场费率变化（如2023年车险综改后NCD系数优化）一致；②敏感性测试：调整关键进展因子（如10%±）观察准备金变动幅度，若变动超20%需重新检查数据异常点（如某季度大灾赔案集中）；③与精算假设对比：验证评估结果是否覆盖公司偿付能力报告中“最佳估计”要求，且风险边际（如采用分位数法时75%分位数与最佳估计的差异）符合监管（如偿二代三期对未决准备金风险因子的规定）。（3）特别风险点：①数据质量：车险费改后，部分公司为优化NCD系数可能存在赔案延迟立案（如小额车损案延迟报案至下一保单年度），导致流量三角形“已报案赔付额”低估；②新型风险：新能源车险占比提升（2025年预计超30%），其赔付模式（如电池维修成本高、涉网赔案比例大）未完全反映在历史数据中，需单独拆分评估；③外部因素：2025年部分地区暴雨洪涝灾害频发，需评估大灾赔案对未决准备金的长尾影响（如人伤赔案可能延迟3-5年报案）。3.假设你参与某保险公司“惠民保”产品的精算支持项目，需向非精算背景的业务负责人解释“大数定律在惠民保定价中的应用边界”。请给出具体的解释逻辑，需包含关键限制条件。答：向业务负责人解释时，需从惠民保的特点出发，结合大数定律的核心前提（独立同分布、样本量足够大）说明其应用边界，具体逻辑如下：（1）大数定律的基础作用：惠民保作为普惠型补充医疗险，覆盖人群广（通常超百万），理论上符合大数定律“样本量足够大时实际赔付率趋近于预期”的条件，因此定价时可基于大数定律用历史人群发病率、医疗费用数据估计整体赔付成本。（2）关键限制条件：①“同分布”不成立：惠民保允许带病投保（部分产品约定既往症可保但赔付比例低），实际参保人群存在“逆选择”——健康人群可能因保费低而参保（但赔付少），带病/高风险人群更可能主动参保（赔付多），导致参保人群的风险分布与“全体自然人群”不同，大数定律依赖的“同分布”假设被打破；②“独立性”受挑战：医疗费用存在地域集中性（如某地区突发传染病、区域性医疗资源集中导致住院率上升），赔案间可能存在正相关（如同一险种在同一区域的赔案因医疗政策调整同时增加），独立性假设弱化；③数据时效性：惠民保多为1年期产品，但医疗费用通胀（2025年预计5%-8%）、新药/新疗法纳入医保（如抗癌药降价但使用量上升）会导致历史数据（基于前3年）与未来赔付的“同分布”偏离，需额外调整；④样本量的“有效”边界：部分地区惠民保参保率不足（如低于30%），表面上参保人数超百万，但实际高风险人群占比可能集中（如某城市60岁以上参保率达50%，而整体参保率仅35%），有效样本量（可视为独立同分布的子群体）可能不足，大数定律的收敛速度变慢。总结：惠民保定价中，大数定律能提供基础的风险分散逻辑，但需通过逆选择模型（如用参保人群年龄、既往症标记等变量分层）、医疗费用趋势调整（如引入通胀因子、药占比变化系数）、地域风险因子（如分地区测算赔付率）等方法修正其应用边界，而非直接套用纯大数定律结果。4.请描述使用R语言进行生存分析（如寿险保单失效率建模）的完整流程，需包括数据预处理、变量选择、模型构建、验证及结果解读的关键步骤。答：使用R进行寿险保单失效率生存分析的流程如下：（1）数据预处理：①数据导入：读取保单级数据（格式通常为CSV或数据库表），包含保单号、生效日期、终止日期（或观测截止日期）、是否失效（事件指标）、covariates（如年龄、保费、渠道、产品类型）；②时间变量处理：计算保单持续时间（如用lubridate包的interval函数计算生效日至终止日/截止日的月数），提供生存时间（time）和事件状态（status，1=失效，0=censored）；③缺失值处理：对关键变量（如年龄）缺失采用均值/中位数填补（若缺失率<5%），或删除缺失行（缺失率>15%且无合理填补逻辑）；对分类变量（如渠道）进行因子化处理（factor()函数）。（2）变量选择：①单变量分析：用Kaplan-Meier估计不同分类变量（如渠道）的生存曲线，通过log-rank检验（survdiff()函数）筛选对失效率有显著影响的变量（p<0.05）；②多变量筛选：采用逐步回归（step()函数结合coxph模型）或LASSO正则化（glmnet包，需将数据转换为矩阵形式），剔除共线性变量（VIF>5时需处理，如合并或删除），保留对失效时间有显著影响的变量（如年龄、保费规模、是否为续期保单）。（3）模型构建：①选择模型：寿险失效率通常符合比例风险假设，优先使用Cox比例风险模型（coxph()函数，包survival）；若存在时间依赖协变量（如某年度保费调整），需用时间分层Cox模型（strata()函数）；②模型拟合：公式为coxph(Surv(time,status)~age+channel+premium+product_type,data=policy_data)，输出HR（风险比）及置信区间。（4）模型验证：①比例风险假设检验：用cox.zph()函数检验各协变量的Schoenfeld残差是否与时间无关（p>0.05表示假设成立），若不成立需分层或引入时间交互项；②区分度评估：计算C-index（用pec包的cindex()函数），一般≥0.7表示模型区分能力良好；③校准度检验：将预测风险分位数与实际失效率对比（如分5组，每组实际失效率与预测值的绝对误差<5%）。（5）结果解读：①关键变量的HR值：如渠道为“代理人”的HR=1.3（p<0.01），表示代理人渠道保单的失效风险比其他渠道高30%；②生存曲线预测：用survfit()函数提供不同特征组合（如30岁、银保渠道、年缴保费1万）的生存函数，输出“第12个月保单持续率95%”等业务可理解的指标；③风险因素排序：按HR绝对值从大到小排列变量（如“是否曾复效”HR=2.1为最显著因子），为业务端提供优化方向（如加强复效保单的回访）。5.偿二代三期（2024年实施）对保险公司精算负债评估提出了新要求，其中“保险合同负债计量需反映市场参与者视角的现金流”。请结合寿险公司的终身年金产品，说明这一要求对精算评估的具体影响，需涉及折现率选择、现金流预测的调整逻辑。答：偿二代三期要求保险合同负债按“市场参与者视角”计量，对终身年金产品的精算评估影响主要体现在折现率和现金流预测两方面：（1）折现率选择：①从“传统预定利率”转向“市场一致折现率”：终身年金的负债久期长（通常20-30年），原评估可能使用基于公司投资回报的预定利率（如3.5%），但偿二代三期要求折现率反映市场无风险利率（如国债收益率曲线）加上流动性溢价（补偿保险负债不可交易的流动性风险）。例如，2025年10年期国债收益率为2.8%，流动性溢价经校准为0.5%，则5-10年久期负债的折现率为3.3%（需按国债收益率曲线逐期匹配，如1年2.5%、5年3.0%、10年3.3%）；②引入利率风险对冲调整：若公司对年金负债进行了利率互换等对冲操作，需评估对冲工具的市场价值对折现率的影响（如互换合约锁定了部分利率风险，可降低折现率的波动性）。（2）现金流预测调整：①从“公司自身经验”转向“市场参与者普遍假设”：原评估可能基于公司历史年金领取率（如60岁女性领取率90%），但市场参与者视角需考虑行业平均经验（如行业60岁女性领取率88%），若公司经验显著优于行业（如90%），需验证是否为可持续的竞争优势（如客户群体更健康），否则需采用行业均值；②新增“非金融风险调整”：终身年金的长寿风险（实际寿命超过预期）需按市场参与者对长寿风险的定价调整现金流。例如，原预测60岁女性余寿22年，市场参与者普遍认为长寿风险溢价对应余寿增加1年（即23年），则需将年金领取期延长1年，增加未来各期的给付现金流；③考虑合同边界的市场共识：若年金产品包含“保证领取20年”条款，市场参与者通常认为该条款的行权概率为95%（即5%的保单可能在20年内终止），评估时需按此概率拆分现金流（95%概率支付20年+，5%概率支付至保单终止），而非仅用公司历史的90%行权率。综合影响：终身年金负债评估值可能因折现率降低（若市场无风险利率低于原预定利率）和现金流增加（长寿风险调整）而上升，倒逼公司加强资产负债久期匹配（如增加长期国债、永续债配置），并在产品设计中加入长寿风险对冲机制（如与再保公司签订长寿风险互换合约）。6.某保险公司计划开发一款“AI健康管理+重疾险”创新产品，需你作为精算师参与前期定价。请说明你会关注哪些核心数据，如何设计定价模型，以及需考虑的新型风险点。答：该创新产品的定价需结合健康管理服务的成本与重疾发生率的改善，核心步骤如下：（1）核心数据收集：①健康管理服务数据：AI平台的用户激活率（注册用户中实际使用健康监测功能的比例，预计30%-50%）、服务成本（如每次AI咨询0.5元，年度健康评估20元）、服务对健康行为的影响数据（如使用AI监测的用户年度体检异常率下降15%）；②重疾险基础数据：目标人群（如25-45岁白领）的原发病种发生率（如甲状腺癌、乳腺癌）、医疗费用（如重疾治疗平均花费30万元）、赔付比例（如保额100%赔付）；③用户行为数据：不同性别/年龄的服务使用频率（如30岁用户月均使用5次，40岁用户月均3次）、服务持续时间（如60%用户使用超1年）。（2）定价模型设计：采用“基础保费-健康管理减费+服务成本”的动态模型：①基础保费：基于原人群的重疾发生率（q_x）、费用率（e）、预定利率（r）计算，公式为P_base=(E[赔付]+E[费用])/(1退保率)，其中E[赔付]=Σ(保额×q_x×v^t)（v为折现因子）；②健康管理减费：根据服务使用程度分级（如未使用、轻度使用、重度使用），通过Logistic回归模型估计各层级的重疾发生率调整系数（如重度使用人群q_x'=q_x×0.8），减费幅度为(P_base×(1q_x'/q_x))×使用概率（如重度使用概率20%）；③服务成本分摊：AI平台的固定成本（开发费用500万/年）按预计参保人数（10万）分摊（50元/人/年），变动成本（每次服务0.5元×月均5次×12月=30元/人/年），总成本80元/人/年，需加入保费或通过减费比例调整（如减费部分覆盖70%成本，剩余30%由保费承担）。（3）新型风险点：①数据偏差风险：AI健康管理的效果数据可能来自试点人群（如主动健康意识强的用户），实际大规模推广后，“服务使用-健康改善”的因果关系可能弱化（如被动参保用户使用频率低，无实质改善），需用工具变量法（如将“是否收到AI服务推送”作为工具变量）验证因果效应；②技术风险：AI算法的准确性（如疾病预测模型的AUC值需≥0.8），若算法误判导致用户忽视真实健康风险（如漏诊早期癌症），可能引发赔付率上升；③监管风险：银保监对“健康管理服务与保险责任关联”的规定（如减费幅度不得超过保费的30%），需确保模型设计符合《健康保险管理办法》要求；④道德风险：用户可能因AI服务的存在降低自身健康管理投入（如减少主动体检），导致“替代效应”抵消服务的改善效果，需在模型中加入“行为反馈系数”（如使用服务但年度体检次数<2次的用户，减费比例打7折）。7.请举例说明在精算工作中如何处理“数据异常值”，需包含识别方法、原因分析、处理策略及验证效果的具体步骤。答：以车险定价模型中的“单均赔款异常值”处理为例：（1）识别方法：①描述性统计：计算单均赔款的均值（μ=5000元）、标准差（σ=2000元），定义μ±3σ（5000±6000元）外的为异常值（如某保单赔款15000元）；②箱线图分析：用ggplot2绘制箱线图，识别四分位数范围（IQR=Q3-Q1=3000元），定义Q3+1.5IQR=8000元以上为上界异常值；③模型诊断：在GLM定价模型中，计算Pearson残差，残差绝对值>3的样本标记为异常。（2）原因分析：抽取100个异常值样本核查原始数据：①30%为录入错误（如将“5000”误录为“50000”）；②25%为大灾赔案（如台风导致多车受损，单均赔款12000元）；③20%为特殊车型（如进口豪车，配件成本高，单均赔款10000元）；④15%为数据接口问题（如理赔系统与精算系统时间字段不匹配，导致同一赔案被重复计算）；⑤10%无明确原因（需进一步排查）。（3）处理策略：①录入错误：联系业务部门修正数据（如将50000改为5000），修正后重新校验；②大灾赔案：单独建立“巨灾赔案”标签，在定价模型中加入二元变量（1=巨灾，0=非巨灾），或在模型训练时剔除（若目标是预测常规赔案）；③特殊车型：将车型细化为“进口车”“国产车”等子类别，在定价因子中增加“车型类别”变量，避免异常值影响整体模型；④接口问题：协调IT部门修复数据同步逻辑（如增加时间戳校验），重新拉取正确数据；⑤无明确原因：保留但标记，在模型中使用稳健回归方法（如M-估计）降低其影响。（4）验证效果：①模型性能对比：处理前后的GLM模型AIC值从12000降至11500，R²从0.65提升至0.72，说明异常值处理提高了模型拟合度；②预测准确性：用测试集验证，处理后模型的均方误差（MSE）从8000²降至6000²，单均赔款预测值与实际值的偏差率从±25%缩窄至±15%；③业务合理性：特殊车型的定价因子系数显著（p<0.01），巨灾赔案标签的系数为正（符合预期），说明处理策略保留了合理的风险差异。8.作为精算师，你需要向首席风险官（CRO）汇报“2025年公司寿险业务利源分析”。请列出汇报的核心模块，每个模块需包含关键指标及分析逻辑，需体现对“死差、费差、利差”三差的深入拆解。答：汇报核心模块及内容如下：（1）总体盈利概览：①关键指标：净利润（实际盈利）、综合赔付率（赔付支出/已赚保费）、综合费用率（费用支出/已赚保费）、投资收益率（投资收益/平均资产）；②分析逻辑：对比预算（净利润目标5亿）与实际（实现4.8亿），说明主要偏差来自利差（投资收益低于预期0.5亿），死差（赔付低于预期0.3亿）部分对冲。（2）死差分析：①关键指标：死差益（损）=（预定死亡率-实际死亡率）×风险保额×有效保单数；②拆解维度：按产品类型（终身寿险、定期寿险）、年龄区间（30-50岁、50岁以上）、渠道（个险、银保）拆分。例如，终身寿险死差益1亿（预定死亡率1.2%，实际1.0%），主要因50岁以上客户实际死亡率改善（得益于公司健康管理服务）；定期寿险死差损0.2亿（预定死亡率0.8%，实际0.9%），因30-40岁客户意外事故率上升（需排查是否与职业类别分布变化有关）。（3）费差分析：①关键指标：费差益（损）=（预定费用率-实际费用率）×已赚保费；②拆解维度：按费用类型（新单费用、续期费用、管理费用）、渠道（个险新单费用率35%vs预算30%）、规模效应（保费规模增长20%导致单位费用率下降2%）。例如，个险新单费用率超支主因增员成本上升（人均招募费用从8000元增至10000元），续期费用率优化因线上服务替代部分人工（续期回访成本下降30%）。（4）利差分析：①关键指标：利差益（损）=（实际投资收益率-预定利率）×责任准备金；②拆解维度：按资产类别（固收类占60%、权益类占20%、另类投资20%）、久期匹配（5年期以上固收占比55%vs负债久期8年）、市场环境（10年期国债收益率均值2.8%vs预定利率3.0%）。例如，固收类利差损0.8亿（实际收益率3.2%vs预定3.0%，但因利率下行导致再投资收益下降），权益类利差益0.5亿（实际收益率8%vs预定3.0%），整体利差损0.3亿（固收规模大，抵消权益收益）。（5）风险与改进建议：①死差风险：定期寿险的意外死亡率上升需加强核保（如增加职业类别细分）；②费差风险：个险渠道费用率需优化（如降低低效增员，提升人均产能）；③利差风险：加强资产负债久期匹配（增加10年期以上国债配置至65%），并考虑利率互换对冲再投资风险。9.请说明在非寿险精算中，“信度理论”的核心思想，以及在车险定价模型（如NCD系数设计）中的具体应用，需包含公式与实际参数示例。答：信度理论的核心思想是通过“先验信息（行业/历史平均）”与“经验信息（公司/个体数据）”的加权平均，解决小样本或不稳定数据的估计问题，公式为：Z×X+(1-Z)×μ，其中Z为信度因子（0≤Z≤1），X为经验数据均值，μ为先验均值。在车险NCD（无赔案折扣）系数设计中的应用：（1）目标：根据保单的历史赔案记录（经验信息）调整下一年度保费，同时避免因偶然赔案（如1年1次小赔案）导致保费过度波动（需结合行业平均赔案频率）。（2）信度因子计算：Z=min(n/(n+k),1)，其中n为经验期赔案次数（或保单年数），k为信度参数（反映经验数据的稳定性，k越大，需更多数据才能获得高信度）。例如，某公司设定k=3（参考行业标准），则：新保单（n=0）：Z=0，保费系数=μ（行业平均系数1.0）；1年无赔案（n=1）：Z=1/(1+3)=0.25，系数=0.25×X1+0.75×1.0（X1为1年无赔案的经验系数，假设0.8），即0.25×0.8+0.75×1.0=0.95；2年无赔案（n=2）：Z=2/(2+3)=0.4，系数=0.4×X2+0.6×1.0（X2为2年无赔案的经验系数0.7），即0.4×0.7+0.6×1.0=0.88；3年及以上无赔案（n≥3）：Z=1，系数=Xn（如3年无赔案经验系数0.7，直接使用0.7）。（3）实际参数校准：公司通过历史数据估计k值（如用最小二乘法使信度估计的均方误差最小），假设经验数据显示，当n=3时，赔案频率的方差与先验方差相等，则k=3；同时验证不同Z值下的保费充足性（如3年无赔案保单的实际赔付率为60%，对应系数0.7时，保费充足性=0.7×1.0（基准保费）/赔付率=116.7%，符合100%-120%的充足性要求）。（4）优化点：引入动态k值（如根据车型风险调整，高风险车型k=2，低风险k=4），或结合广义信度模型（如Bühlmann-Straub模型），考虑不同保单的风险异质性（如家用车与营运车分开计算信度），提升NCD系数的准确性。10.假设你