在我国已实行的三次商业车险费率改革的进程中,保险公司在车险定价上的话语权逐步增大,对车险保费的合理测算是增强竞争力以及市场稳健发展的核心。车险保费厘定的关键是计算纯保费,对车险累积索赔额的准确预测是准确测算纯保费的核心环节。目前主要使用广义线性模型对累积索赔额进行预测,但其局限性在于需要对数据分布提前做出假设,而未来的车险理赔数据在数量和复杂程度上使得假设数据分布极其困难,因此广义线性模型在未来对累积索赔额预测的准确性和泛用性将不尽如人意。机器学习相较于广义线性模型而言,不需要提前假设数据的分布,并且对于大数据集的拟合效果优良,因此本文在基于提升算法对车险累积索赔额进行预测建模并与广义线性模型相比较。主要研究内容如下:本文首先对国内外学者在广义线性模型和提升算法对累积索赔额预测的相关应用研究进行了归纳总结,指出广义线性模型的局限性以及引入提升算法的必然性。然后对广义线性模型和提升算法的累积索赔额预测的模型构建做了说明和推导,选择了提升算法的XGBoost算法和GBDT算法对累积索赔额进行建模预测。将基于不同分布的广义线性模型和XGBoost算法和GBDT算法运用于选定的实验数据,分别对累积索赔额进行预测分析,并依据选定的评价指标对各个模型进行比较和评价。结果表明XGBoost算法和GBDT算法的累积索赔金额预测模型在预测精度和其他维度都优于广义线性模型,对累积索赔额的预测效果提升明显,并且提升算法比广义线性模型更适用于对复杂和大量数据的预测处理。虽然其可解释性不如广义线性模型,且建模前期对数据的再处理和建模过程中需要调整参数增大了使用难度,但通过牺牲部分可解释性以提高模型的泛用性和预测速率对保险公司是具有经济价值的。最后对基于提升算法的车险累积索赔额的推广应用做出了展望和建议。