费率厘定（GLM）
用泊松、伽马或 Tweedie 广义线性模型按风险因子算费率相对数和置信区间，用提升图检验。
官方技能第 2 版 · 2026/11/14 发布这是旧版本
- 官方技能，由智元数据编写和维护
- 只调用智元数据的 REST 接口
- 1 个取数脚本，只用 Python 3 自带的库
- API Key 从环境变量 WI_API_KEY 读取
- 依赖的数据集
- 2
- 一次对话
- —
- 安装次数
- 8
- 近 7 天调用
- 0
01怎么用
三步，让你的 Agent 用上这些数据
安装和设置只做一次。以后直接向你的 Agent 提问就行。
01
发安装语句
复制页头的安装语句，发给 你的 Agent。它会下载技能，装进自己的技能目录。可以在页头切换你用的 Agent。
02
设置 API Key
在终端里运行下面的命令，再启动 你的 Agent。
export WI_API_KEY=你的 API Key
创建 API Key03
直接提问
03技能内容
装进 Agent 的，全在这里
SKILL.md 可以看预览，也可以看原文。参考文件由平台按当前数据生成，需要时才读。
- 常驻约 133 token
- name 和 description，Agent 一直带着
- 触发后约 645 token
- 用到这个技能时读入 SKILL.md 正文
- 按需约 10,452 token
- 需要时才读参考文件、运行脚本
SKILL.md
48 行 · 约 778 token · 触发后读入--- name: actuarial-rating description: 用广义线性模型（GLM）按风险因子算出险频率、损失强度或纯保费的相对数、置信区间，用十分位提升图检验模型。用户说"GLM""费率相对数""风险因子""费率厘定"时使用。用平台的精算工具包 wi_actuarial（底层是开源库 statsmodels 和 tweedie）写 Python 代码计算。只给参考费率区间，最终价格由核保人员决定。 ---
费率厘定（GLM）
第 1 步：整理参数
| 参数 | 可选值 | 默认 |
|---|---|---|
target | frequency（出险频率，泊松）、severity（损失强度，伽马）、pure_premium（纯保费，Tweedie） | pure_premium |
factors | gender（性别）、age_band（年龄段）、product_type（险种）、channel（销售渠道）、region_name（投保地区） | 前 4 个 |
var_power | Tweedie 的方差幂，1.1 到 1.9 | 1.5 |
数据：没有传 data 时用平台的健康险演示数据（数据集 health-policy 和 health-claim，每张保单一行）。演示数据没有设计好的风险信号，所以相对数都接近 1。回答里要说明这一点。
第 2 步：算
import json
from wi_actuarial import rating
r = rating.glm_relativities(target="pure_premium", factors=["gender", "age_band", "product_type", "channel"])
print(json.dumps(r["summary"], ensure_ascii=False))
print(json.dumps(r["data"], ensure_ascii=False))
for row in r["tables"]["relativities"]["rows"]:
print(row)
print(json.dumps(r["tables"]["lift"]["rows"], ensure_ascii=False))
for n in r["notes"]:
print("说明：", n)怎么回答
- 相对数表：每个因子的每个水平：相对数和 95% 置信区间，标出基准水平。
- 模型检验：提升图的结论。
- 数据和方法：数据的性质，模型的分布和连接函数，库和函数，
notes里的说明。 - 代码：原样附上。
- 最后一句照写："这是参考费率区间的依据，最终价格由核保人员决定。"不要写"报价""最终费率"。
规则
- 数字都要来自代码的输出。不要自己再乘除，不要编造数据。
- 回答里写出数据的性质：真实数据写出处，公开样例写"公开样例"，演示数据写"演示数据，不是真实数据"。
- 回答里写出用了哪个库、哪个函数，以及结果里的说明（
notes）。 - 把运行的代码原样放在回答里，方便用户复算。
- 一次回答最多 6 次运行代码。互不依赖的计算放在同一段代码里。