《車險費率釐定模型及應用》將改進傳統的廣義線性模型定價方法，基於非壽險損失數據的零膨脹、過離散、厚尾和相依性等分布特征，把GAMLSS模型與Copula函分布回歸模型有機地結合起來，構建符合非壽險損失分布特點的相依風險精算模型，並引入基於機器學習的車險索賠概率預測模型，實證分析國內的車險損失數據。

• 
• 
• 
• 

第一章 緒論
第一節 選題背景
第二節 研究意義
第三節 文獻綜述
第四節 研究內容和創新點

第二章 非壽險損失數據特征及分布
第一節 非壽險損失數據結構及分布特征
第二節 損失次數分布
第三節 損失金額分布
第四節 累計損失分布
第五節 損失分布的尾部特征比較

第三章 廣義線性模型
第一節 廣義線性模型理論
第二節 模型檢驗
第三節 實證分析

第四章 GAMLSS模型
第一節 GAMLSS模型結構
第二節 GAMLSS模型的估計與檢驗
第三節 應用案例

第五章 混合分布回歸模型
第一節 混合分布
第二節 分層混合分布回歸模型
第三節 應用案例

第六章 相依風險精算模型
第一節 Copula函數概述
第二節 常用Copula函數
第三節 Copula函數參數估計
第四節 相依風險度量

第七章 分布的相依風險精算模型
第一節 相依兩階段損失模型結構
第二分布回歸模型
第三節 相依兩階段模型損失預測與風險度量
第四節 應用案例

第八章 基於Copula函數的相依風險精算模型
第一節 三階段模型基礎和數據結構
第二節 三階段模型構建
第三節 三階段模型損失估計與風險度量
第四節 應用案例

第九章 基於機器學習的車險索賠概率預測模型
第一節 機器學習分類方法原理
第二節 機器學習分類方法的預測能力比較
第三節 車險索賠概率預測模型的構建

第十章 研究結論與展望
第一節 研究結論
第二節 研究不足與展望

參考文獻

機動車輛保險是財產保險的重要組成部分。自2006年起，車險保費收入占財險原保費收入的比重每年都超過70%，2016年占78. 34%。車險市場的發展取決於供給和需求兩端的變化。在過去的十幾年裡，我國車險市場明顯地呈現出以需求端驅動的特征。與此同時，我國商業車險費率改革（以下簡稱商車費改）隨著車險市場的發展而逐步調整。目前正處於深化改革的關鍵時期，在前期改革取得成效的基礎上，於全國範圍內擴大自主渠道繫數的下浮空間，部分地區進一步擴大自主核保繫數下浮空間，進一步擴大保險公司自主定價權，實行差異化浮動繫數，鼓勵保險公司產品創新，推動車險市場轉變為供給端驅動。從近兩年的實際經營數據來看，我國車險市場處於嚴峻形勢中，車險承保數量下降，車險新增保費增長困難，保費增速下降，保費充足度降低，綜合成本率走高，承保利潤集中，中小保險公司虧損。說明在實際的市場表現中，供給端即保險公司需進一步提升車險的定價能力及識別優質客戶的能力。
非壽險精算的核心內容之一是建立損失估計模型，進而釐定費率和度量風險。目前，廣泛應用的廣義線性等模型通常都基於各種獨立性風險假設，這樣，可以簡化模型，方便計算。但在實際應用中相依風險更為普遍，比如一次地震可能造成很多房屋倒塌受損，一場干旱可能影響到大片區域的農作物產量，汽車保險中的一次賠付可能有車輛損失、第三者責任損失和其他附加損失等多種損失同時發生等。此時，獨立性假設下的損失估計往往存在較大偏差，造成費率釐定和風險度量不準確，影響保險公司的正常運營和保險行業的可持續發展。目前，相依風險下的非壽險精算模型受到了越來越多的重視，得到廣泛關注，但國內的相關研究較少，亟須彌補。
相依風險模型相對於基於獨立性假設下的傳統模型而言較為復雜，一個直觀的方法是假設風險損失分布，進而建立多因變量的回歸模分布可以通過添加公共變量等方式來度量相依風險關繫，對應損失模型的參數解釋較為直觀分布的邊緣假設分布選擇較少，而且不易推以上的情況。Copula函隨機變量的相依結構和邊緣分布分離開來研究統計分析不再依賴於已知分布假設，可以靈活地選擇更為合適的邊緣損失分布，它是目前研究相依風險模型的重要方法之一。另外，非壽險損失數據通常具有零膨脹、過離散、右偏厚尾等分布特征，而廣義線性模型中的指數分布族假設很難同時滿足這些要求。對位置、尺度和形狀廣義可加模型（GAMLSS模型）推廣了傳統的廣義線性模型，它隻要求因變量的密度函數對分布參數一階和二階可導，可以度量解釋變量對損失因變量各分布參數的影響，而且允許加入非參數可加形式和隨機效應部分，應用更加靈活方便。
由於險種數據量的問題，廣義線性模型在建模結果之後需要做一些前瞻性或差異化的調整，最後導致因子繫數與建模初期的差異較大。同時，現行體繫下，精算定價做出的模型因子及繫數使用率還受到監管的約束及核保規則的制約，即沒有反映出數據對實際情況的風險相關性，對於數據的建模結果未能很好地應用於對未來情形的預測中。與廣義線性模型相比，機器學習方法側重於訓練計算機如何使用數據來解決問題，能夠更精確、更快速地處理數據，得出合理的結果。
本書將改進傳統的廣義線性模型定價方法，基於非壽險損失數據的零膨脹、過離散、厚尾和相依性等分布特征，把GAMLSS模型與Copula函分布回歸模型有機地結合起來，構建符合非壽險損失分布特點的相依風險精算模型，並引入基於機器學習的車險索賠概率預測模型，實證分析國內的車險損失數據。