随着现代保险行业业务范围的拓宽,保险在当今社会已经发展成为一股重要的力量,与经济的联系越来越紧密。然而,保险行业是一个风险高的行业,存在着信用风险、流动性风险、利率风险、承保风险等诸多风险。在美国A.M.Best评级数据库中,从1978年到2009年,这三十二年的时间里,有703家保险公司的状态变为了破产,约占期间保险公司数量的14.17%。除了保险行业本身存在的风险之外,客观环境也存在着一些风险,比如巨型自然灾害和人祸。因而,对保险行业的监管不容松懈。美国作为全球最大的保险市场,其全美保险监督官协会有着一个全美范围内所有保险公司财务信息的数据库,这些数据库为美国保险监督管理机构提供了监督管理的依据和信息。我国对金融风险的防范也日益重视,保险监督管理体系也在不断的进行着创新,出台了很多相应的监管条例法规。一方面,国家对保险行业的监管加以重视,另一方面,学界也投入了很大的精力对保险公司的偿付能力预测进行研究。自上个世纪七十年代起,学术界相关研究采用了多种方法,从最简单的线性模型发展到复杂的各种非参数模型。近年来支持向量机方法由于其出色的预测性能在众多方法中异军突起,受到了学界和业界的广泛关注。支持向量机是一种新型的机器学习方法,借助于最优化方法解决数据挖掘中的问题,在二元分类领域有着优秀的表现。支持向量机在国外的研究中被引入寿险公司财务危机预测的领域,但是在国内相关的研究较少。故而我将以支持向量机为基础形成的组合方法应用于寿险公司财务危机预测中,以判成效。在本论文中,我使用了判别分析、logit模型和支持向量机这三种方法对保险公司财务危机的预测进行研究,通过经典模型logit模型和判别分析与支持向量机做出比较。为了提高预测准确度,我还引入了信息变量这一变量筛选方法以得到更好的特征子集,并将信息变量与支持向量机进行了结合,再与单纯支持向量机进行比较。论文中使用的数据信息来源于ORBIS Insurance Focus分析库的保险公司数据库。经过初步的数据整理,选取了1997年-2015年期间记录的450家美国寿险公司的三年的财务数据,其中正常的公司有347家,存在财务危机的公司有103家。结合文献中常用选取的指标变量和数据质量的双重考虑,选取了12个财务指标。考虑核函数时,本文使用了高斯核函数、多项式核函数和sigmoid核函数分别进行训练。在训练模型时,使用了网格搜索得到参数。实验结果发现,使用了以支持向量机为基础的组合模型的预测结果最好,其次是logit模型、普通的支持向量机和判别分析方法。最后,本文对不同年分的数据信息进行了对比,发现作为经典二元分类模型的logit模型最稳定,支持向量机效果整体最好。