准备金是保险公司负债的重要组成部分,是保险公司履行赔付责任的资金保障。准备金评估在保险公司经营、市场监管等方面均处于十分核心的地位。赔款准备金具有模型不确定性强、已知信息少、评估难度大以及实务价值高等特点,更是理论研究和实务应用中的重中之重。在此背景下,如何准确地评估准备金成为保险公司和学术界重点关注的问题。本文的理论部分主要是基于准备金评估方法的现有框架,通过引入实体嵌入、聚类分析等内容进行变量特征的相关性研究,在实现特征同质化分组的同时得到数据的分组结果,以此构成数据分组视角下准备金评估模型的理论基础。结合目前未决赔款准备金的相关研究,笔者综合分析了准备金评估的理论和模型,并进行相应的理论探索。依托实体嵌入技术,本文深入探索个体索赔数据中重要变量进行特征分组的实现方式,并据此构建不同变量作为分组依据时的同质数据集合,不仅实现了将业务类型以外的更多的个体索赔信息特征引入到聚合流量三角形,也为多特征变量作为分组依据提供了解决思路、有效地缓解了分组过细时因组内数据量过少所引起的评估不准确问题。具体实现方法是利用相邻进展年的个体索赔数据对进展因子进行神经网络建模、借助其中的嵌入层来学习变量特征的嵌入向量表达,之后结合聚类分析的研究思路对嵌入维度进行处理,在得到各变量的特征分组结果的同时实现数据的同质化分组。最后,将同质数据集整理为聚合流量三角形的形式,即可在独立性假设下得到总准备金的估计值。实证部分则是建立在典型的确定性模型——链梯法,以及随机性模型——Mack模型、广义线性模型（Generalized linear model,GLM）上的数值研究。首先,在链梯法下进行分析。通过与异质数据集（不做数据分组处理）的准备金估计值比较,发现用变量,特别是受损部位、业务线、事故发生季度等的特征对数据进行同质化分组处理后得到的准备金估计值与真实值更为接近,证明了基于数据分组的准备金评估模型的有效性。之后,利用模拟的方法对数据随机分组并计算对应分组下的总准备金估计值,重复多次后将得到的估计值的分位数、均值等统计值与变量特征分组下的结果进行比较,发现特征分组能消除数据集内的大部分异质性,这也为数据分组视角下的准备金评估方法具有较高准确性这一现象提供了合理的解释。最后,在随机性模型下进一步分析,同样可以证实特征分组比随机分组的准备金估计值偏差更小,这说明本文提出的基于数据分组的准备金评估模型具有较好的一般性。在本文的结论部分,笔者依据实证结果,提出监管建议并对后续的研究内容进行展望。