1、要廣義線性模型(GLMs)從根本上說(shuō)，屬于一種分類(lèi)費(fèi)率厘定模型。它是非壽險(xiǎn)定價(jià)的重要方法，目前更作為個(gè)人車(chē)險(xiǎn)、其他個(gè)險(xiǎn)險(xiǎn)種以及部分商業(yè)險(xiǎn)種定價(jià)的標(biāo)準(zhǔn)方法。 分類(lèi)費(fèi)率厘定模型建立在損失數(shù)據(jù)采集和風(fēng)險(xiǎn)分類(lèi)基礎(chǔ)之上，這就決定了保險(xiǎn)人經(jīng)營(yíng)過(guò)程中，保單信息的缺失、風(fēng)險(xiǎn)識(shí)別和分類(lèi)的有效性，都將直接影響模型的準(zhǔn)確性。另外，分類(lèi)費(fèi)率厘定模型很難直接評(píng)估各種風(fēng)險(xiǎn)因素對(duì)風(fēng)險(xiǎn)分類(lèi)有效性的影響程度，并預(yù)測(cè)它們對(duì)未來(lái)?yè)p失產(chǎn)生的影響。本文在實(shí)證分析基礎(chǔ)上，

2、說(shuō)明了分類(lèi)費(fèi)率厘定模型的這些缺陷不可避免的也存在于GLMs定價(jià)中。 數(shù)據(jù)挖掘(DM)是一個(gè)從已知數(shù)據(jù)集合中發(fā)現(xiàn)各種模型、概要和導(dǎo)出值的過(guò)程。通過(guò)這一技術(shù)，人們?cè)谟?jì)算機(jī)幫助下利用一系列工具對(duì)數(shù)據(jù)進(jìn)行分析，然后根據(jù)反饋的內(nèi)容從新的視角來(lái)考察原始數(shù)據(jù)的信息。數(shù)據(jù)挖掘過(guò)程一般包括數(shù)據(jù)取樣、數(shù)據(jù)研究、數(shù)據(jù)調(diào)整、模型構(gòu)建和模型評(píng)估五個(gè)步驟。本文在SASR環(huán)境下，探討了數(shù)據(jù)挖掘的各步驟，并闡釋了它們?cè)诰銓W(xué)及非壽險(xiǎn)定價(jià)中的意義。 最后

3、，文章運(yùn)用SASREnterpriseMinerTM，利用數(shù)據(jù)挖掘技術(shù)進(jìn)行了一系列實(shí)證分析。本文重新構(gòu)建了基于回歸算法、決策樹(shù)算法和神經(jīng)網(wǎng)絡(luò)算法的六個(gè)費(fèi)率厘定模型，就各模型的改進(jìn)方法給予了必要說(shuō)明。最后文章從識(shí)別度、區(qū)分度、準(zhǔn)確度、穩(wěn)定性和可解釋性五個(gè)方面分析比較了幾個(gè)模型，并闡釋了各模型存在優(yōu)劣的內(nèi)在原因。 數(shù)據(jù)挖掘技術(shù)可以極大的改進(jìn)傳統(tǒng)的非壽險(xiǎn)費(fèi)率厘定方法，幫助精算師自動(dòng)實(shí)現(xiàn)一些重要的費(fèi)率厘定過(guò)程，調(diào)整費(fèi)率結(jié)構(gòu)并建立一個(gè)較為