保费利润优化中留存率约束未满足，求修正方案

核心问题分析 #

你设置的80%整体留存率目标在当前保费边界下完全不可行，导致优化器无法找到满足约束的解，最终返回结果未符合预期。具体原因：

• 留存率模型 exp(-0.01*(premium-100)) 中，保费高于100时留存率随保费上升指数下降。
• 你的保费边界里，第二到第四类保单的最低保费分别为180、280、380，对应的留存率仅约0.449、0.165、0.061，远低于0.8。
• 即使所有保单取最低保费，平均留存率也仅约0.419，根本达不到80%的目标。

合理设置留存率目标的方法 #

1. 先计算可行留存率区间 #

设置目标前，先基于保费上下限推导整体平均留存率的可行范围：

# 计算每个保单的留存率范围，再求平均区间
def calc_retention_range(bounds):
    min_ret = []
    max_ret = []
    for lower, upper in bounds:
        # 留存率不能超过1，取min(1, 计算值)
        max_r = min(1.0, np.exp(-0.01 * (lower - 100)))
        min_r = np.exp(-0.01 * (upper - 100))
        max_ret.append(max_r)
        min_ret.append(min_r)
    return np.mean(min_ret), np.mean(max_ret)

# 你的场景下的可行区间
avg_min_ret, avg_max_ret = calc_retention_range(bounds)
print(f"可行平均留存率区间：{avg_min_ret:.4f} ~ {avg_max_ret:.4f}")

你的场景可行区间约为 0.1628 ~ 0.4189，目标必须落在这个区间内。

2. 基于业务优先级调整目标 #

• 若留存率优先级更高：放宽保费下限（比如允许第二类保单保费低于180），或优化成本结构降低成本，让低保费仍能保证利润。
• 若利润优先级更高：在可行区间内设置合理目标，比如接近可行上限的0.4，平衡利润与留存。

3. 分层设置留存目标 #

针对不同成本的客户群体设置差异化留存目标，而非强制整体平均。例如：

• 低成本保单（100）：要求留存率≥0.9
• 高成本保单（400）：要求留存率≥0.05
  这类约束更符合业务实际，也更容易满足。

4. 用软约束替代硬约束 #

如果硬约束（必须达到某一值）不可行，可将留存率目标融入目标函数，做利润与留存的权衡：

def objective_with_retention(premiums, cost_prices, target_ret, lambda_weight):
    propensities = propensity_to_renew(premiums)
    profit = np.sum((premiums - cost_prices) * propensities)
    # 留存率低于目标时，扣减利润作为惩罚
    retention_penalty = max(0, target_ret - np.mean(propensities)) * lambda_weight
    return -(profit - retention_penalty)

lambda_weight 控制留存率的重要程度，值越大越偏向满足留存目标。

确保优化正确性的建议 #

1. 修正留存率模型的合理性 #

当前模型在保费低于100时会输出大于1的留存率，不符合实际，需修正：

def propensity_to_renew(premium):
    # 限制留存率在0到1之间
    return np.clip(np.exp(-0.01 * (premium - 100)), 0.0, 1.0)

2. 选择合适的约束类型 #

将等式约束改为不等式约束（要求留存率≥目标值），避免因目标不可行导致优化失败：

def retention_constraint(premiums):
    propensities = propensity_to_renew(premiums)
    target_retention = 0.35  # 设置在可行区间内的目标
    # 不等式约束：返回值≥0表示满足约束
    return np.mean(propensities) - target_retention

constraints = [{'type': 'ineq', 'fun': retention_constraint}]

3. 检查优化器求解状态 #

每次优化后，务必确认是否找到可行解：

print("优化是否成功：", result.success)
print("优化信息：", result.message)

若返回False，说明约束或边界设置存在问题，需调整。

4. 调整初始猜测值 #

初始保费的留存率应尽量接近目标，帮助优化器更快找到可行解：

# 基于目标留存率反推初始保费，再结合边界调整
target_ret = 0.35
initial_premiums = 100 - np.log(target_ret)/0.01
initial_premiums = np.clip(initial_premiums, [b[0] for b in bounds], [b[1] for b in bounds])

修正后的完整代码 #

import numpy as np
import scipy.optimize as opt

# 样本数据
cost_prices = np.array([100, 200, 300, 400])
bounds = [(80, 200), (180, 300), (280, 400), (380, 500)]

# 修正后的留存率模型
def propensity_to_renew(premium):
    return np.clip(np.exp(-0.01 * (premium - 100)), 0.0, 1.0)

# 目标函数：最大化总利润
def objective(premiums, cost_prices):
    propensities = propensity_to_renew(premiums)
    profit = np.sum((premiums - cost_prices) * propensities)
    return -profit 

# 留存率约束：平均留存率≥0.35（可行区间内的目标）
def retention_constraint(premiums):
    propensities = propensity_to_renew(premiums)
    target_retention = 0.35
    return np.mean(propensities) - target_retention

# 约束与初始值设置
constraints = [{'type': 'ineq', 'fun': retention_constraint}]
target_ret = 0.35
initial_premiums = 100 - np.log(target_ret)/0.01
initial_premiums = np.clip(initial_premiums, [b[0] for b in bounds], [b[1] for b in bounds])

# 执行优化
result = opt.minimize(objective, initial_premiums, args=(cost_prices,), 
                      bounds=bounds, constraints=constraints)

# 输出结果与验证
optimal_premiums = result.x
optimal_profit = -result.fun
final_retention = np.mean(propensity_to_renew(optimal_premiums))

print("优化是否成功：", result.success)
print("最优保费：", np.round(optimal_premiums, 2))
print("最优利润：", np.round(optimal_profit, 2))
print("最终平均留存率：", np.round(final_retention, 4))

内容的提问来源于stack exchange，提问作者JDSH