非人寿保险的理赔经验取决于理赔频率和理赔严重性的随机事件。 通过设计，一个单一的保单可能会产生多个索赔，使得任何给定投资组合的索赔总数以及索赔总规模无法预测。 为了使保险公司能够解决在某些将来的时间段内可能存在于现有保单组合中的索赔，他们必须对索赔经验的历史数据和当前数据进行充分建模； 这可用于预测预期的未来索赔经验并设置足够的准备金。 非人寿保险公司在对索赔数据进行建模时经常面临两个挑战。 为索赔数据选择适当的统计分布，并确定所选统计分布与索赔数据的拟合程度。 对索赔频率和索赔严重性的准确评估在确定以下方面起着关键作用：适当的保费装载率，所需的准备金水平，产品盈利能力以及保单修改的影响。 尽管就保险公司的偿付能力状况对精算风险进行评估是一个复杂的过程，但迈向解决方案的第一步是对个人理赔频率和严重性进行建模。 本文提供了一个用于选择合适的概率模型的方法框架，该模型可以最好地描述汽车索赔频率和损失严重性及其在风险管理中的应用。 选定的统计分布适合使用最大似然法估算的历史汽车索赔数据和参数。 卡方检验用于检查索赔频率分布的拟合优度，而Kolmogorov-Smirnov和Anderson-

欺诈性的汽车保险索赔不仅给保险公司造成损失，而且给保单持有人造成损失。 这项研究的目的是首先开发一种决策算法，以对索赔是否被分类为欺诈行为进行分类； 其次，应该关注哪些类型的变量以检测欺诈性索赔。 为了实现此目标，通过使用变量选择算法发现重要的特征集来构建高度准确的预测模型，从而可以帮助防止将来的损失。 在这项研究中，考虑使用参数和非参数统计学习算法来减少不确定性并增加检测适当主张的机会。 该模型的重要特征集是通过以下方法确定的：通过交叉验证基于观察到的索赔特征来测量变量的重要性，并通过测试使用Akaike信息准则对汽车欺诈性索赔进行准确分类的性能的改进来确定。 使用通过交叉验证选择的一组功能，我们可以达到95％以上的精度。 这项研究将为保险业的欺诈检测研究提供一些好处，以防止保险滥用进一步加剧。