机动车辆保险,即汽车保险,是以机动车辆本身及其造成的第三者责任为保险标的的一种运输工具保险。自1980年保险业务恢复以来经过近8年的发展,汽车保险从众多保险中脱颖而出,正式成为我国非寿险市场上的第一大险种。从机动车辆保险原保费收入的相对比重来看,自2007年至今,其原保费收入占非寿险原保费收入的比重稳定在70%左右。与此同时,我国自2015年开展了商业车险费率的改革,一方面逐步扩大了保险公司的定价自主权,另一方面也对保险公司对风险的识别能力及车险费率的合理科学制定提出了新的更高层次的要求,如何建立精确的车险索赔次数概率模型成了保险公司亟待解决的重要课题。目前在车险定价模型上,国内外学者推崇的主流模型依然是广义线性模型。针对其在假设分布不符合实际车险索赔数据等问题上,一方面学者们提出了许多具有针对性的广义线性模型推广。通过实证研究表明,广义线性模型的推广表现较广义线性模型本身来说表现稳定良好;另一方面,学者们也将目光投向了近年来的研究热点——机器学习方法上,并尝试将车险索赔数据应用于以神经网络模型为代表的机器学习方法上来,为车险定价模型提供新的思路。结合这样的背景,本文主要做了下面的工作:应用一组实际的车险索赔数据分别使用传统的广义线性模型和机器学习方法中的研究热点神经网络模型来构建车险累积索赔额预测模型。其中,广义线性模型中使用的是Tweedie分布假设,神经网络模型分别使用较为常见的BP神经网络和泛化能力及建模难度较小的广义回归神经网络构建模型。经过数据拟合验证得到了两方面的结论:一方面,以神经网络为代表的机器学习方法能够较好的拟合车险索赔数据,其表现较传统的广义线性模型来说更加优秀;另一方面,广义回归神经网络的建模效果较BP神经网络来说更好,这主要是由于广义回归神经网络具有以下优势:首先,广义回归神经网络具有对噪声敏感性不强的优势,因此拥有了很强的非线性映射能力和学习速度,在拟合能力及泛化能力上往往表现优于BP神经网络;其次,广义回归神经网络突破了以BP神经网络为代表的传统机器学习方法局部收敛的特性,具有全局收敛的特性;其三,广义回归神经网络的参数仅有一个平滑因子,在实际建模和应用过程中较其他的机器学习方法来说难度大大降低。实证研究表明,广义回归神经网络在车险累积索赔额预测模型的的应用中性能较BP神经网络来说表现良好。另外,在建立模型时,本文将原始数据以7.2:1.8:1的比例划分为了训练集、验证集和测试集。划分数据集的主要目的为了防止模型的过度拟合而导致模型的泛化能力,即适应新数据的能力较差。由于本文建模所使用数量的数据量不大,所以原始数据的划分会在很大程度上会严重影响建模的效果,如何使数据集的划分均匀且相互独立较为关键。因此在检测三种数据集的独立性时,利用了Python软件分别绘制出训练集、验证集和测试集的车险累积索赔额的核密度分布曲线,图示表明三条曲线的趋势大致重合,可知三组数据集分布情况类似,即这种数据集划分的结果是有效的。本文的创新点主要体现在以下两个方面:（1）本文摒弃了传统机器学习方法的框架,利用了目前研究应用较少的广义回归神经网络（GRNN）来建立损失预测模型。在实证研究中,广义回归神经网络较以BP神经网络为代表的机器学习方法所具有的优势使其在车险累积索赔额预测模型的应用中表现良好;（2）本文考虑到在实际应用中数据大多是多变且动态的现状,因此将泛化能力作为评价模型精度的标准,使构建的模型能够通过历史数据的学习更好地适应新数据,在实践中起到一定的风险防范作用。