保险作为重要的经济基础设施,为人民生活提供了重要保障,更为社会的安定贡献了重要力量。与此同时,保险欺诈的存在每年都给保险行业带来重大损失,影响了正常的市场秩序,而机动车保险欺诈的情况尤为突出,随着我国逐年增长的汽车保有量,车险欺诈成为了不容忽视的问题。本文针对目前车险反欺诈任务中涌现出的车险数据量大、欺诈手法变化快,使车险公司难以应对的问题,基于智能风控的思想,设计了机动车保险欺诈识别框架与流程,基于优化的Stacking模型,建立了机动车保险欺诈识别模型。首先,本文研究了机动车保险欺诈的问题背景,对国内外车险反欺诈问题的解决方法进行了系统的阐述。接着对机动车保险反欺诈问题的发展现状、现有举措和尚存问题进行分析,提出本文拟解决的问题。通过分析现有车险反欺诈问题的不足,构建了基于智能风控的车险欺诈识别框架。将该识别框架分为三个模块,分别是车险大数据平台、车险欺诈识别模型和车险反欺诈决策引擎。分别支持海量数据的存储、清洗、聚合、特征监控和衍生,智能模型的训练,和实时决策、模型监控与迭代。最后分析了基于智能风控的机动车保险欺诈识别框架的优势。接着,本文建立了优化的Stacking模型,并通过两个数据集进行实证研究。首先对数据进行了一系列的探索性分析,通过模型的预筛选,确定了第一层五个子模型,运用这些模型自身对模型重要性排序,产生每个模型不同的入模特征列表。运用贝叶斯优化方法确定各个子模型的最优参数。并通过改进子模型的输出、结合孤立森林,对Stacking模型进行了优化。最后,本文对模型进行了评估。通过AUC和KS指标对比发现Stacking模型的AUC分别达到了0.89和0.99,KS均超过0.7,且均优于子模型的表现。接着对比了优化前后的模型效果,优化后的模型AUC值提升了0.045,在准确率和召回率上也有提高。优化后的模型PSI为0.07,显示出强稳定性。以上结果表明本文提出的模型能够有效提升车险欺诈识别问题的准确性和稳定性,有很强的应用价值。同时,本文结合实际业务情况分析了模型结果,提出了车险欺诈识别模型的阈值确定方法,和划分索赔风险等级的策略。同时分析了重要特征对车险欺诈的影响,为车险欺诈识别的决策提供参考和解释依据。本文提出的基于智能风控的机动车保险欺诈识别框架,结合车险欺诈实际业务工作中存在的问题提出优化策略,对车险欺诈识别问题有广泛的适用性。在实证建模中建立的优化的Stacking模型,结合了有监督模型和无监督模型的优势,在欺诈识别问题的研究上也有一定的理论意义。