用途：在保险定价、理赔、准备金、偿付能力、风险分类，以及金融收益、波动率、组合损失等场景中，对不确定结果进行统计建模、模型选择、验证与结果沟通。该技能以方法论为先，教模型选择与证据，而非特定库或评级公式。
主要能力：覆盖频率与严重度、纯保费、医疗支出、损失、事件时间等结果；支持线性、广义线性、两部、计数、生存、面板、纵向与尾部模型；涉及校准、预测评估、回测、模型比较与假设诊断；并帮助向决策者解释不确定性、局限与使用控制。
使用方式：先框定决策（目标、受众、时间范围、观测单位、估计量、行动阈值、误判成本），再写数据契约（粒度、暴露或偏移、结果支撑、观测与开发窗口、删失截断、泄漏风险、缺失状态、来源）。建模前用 scripts/risk_preflight.py 做只读画像：python3 scripts/risk_preflight.py input.csv --output preflight.json。选择最简可辩护的模型族，拟合时避免污染评估，诊断并挑战假设，按部署边界做分组、分块或滚动切分验证；时间有序数据用 scripts/temporal_split_audit.py observations.csv --time-column observed_at --output splits.json 审计切分与泄漏边界。最后用模板记录假设、局限、审批与监控，并沟通决策。
适用场景：保险与精算定价、准备金、偿付能力、风险分类、经验费率；金融收益、波动率、组合损失、风险度量与情景输出；校准、回测、模型比较与假设诊断；向决策者解释模型结果与不确定性。
限制：脚本仅做首轮画像与切分审计，不进行模型拟合、选择、校准或验证指标计算，干净的预检不能验证模型；脚本不修改输入，输出需结合上述区分自行解读。输出不构成持牌精算、投资、法律、会计或监管建议，重大决策应交由合格从业者并遵循适用标准。通用统计、因果、实验与机器学习方法论应转 data-scientist；确定性运营、SaaS、融资与现金流模型应转 financial-modeling。需 Python 3 标准库，脚本无第三方依赖；运行自带测试需 pytest。