非寿险随机准备金评估在保险公司的风险管理中起着至关重要的作用,过高的准备金会导致资金得不到充分利用,若准备金不足则会使得保险公司因无法结清索赔的债务而面临巨大的风险.因此,提高准备金的预测精度是精算师的重要任务.目前,随机准备金评估模型分为聚合数据模型（Aggregate Data Models,ADM）和个体数据模型（Individual Data Models,IDM）.ADM基于流量三角形而具有数据量小、计算简单等特点.IDM基于微观的索赔数据,主要包括索赔事件发生时间、报案延迟、结案延迟以及赔付进展.有学者已经从理论或者数值上说明因IDM对信息利用更充分而优于ADM.显然,模型对信息利用越充分,那么它对准备金的预测越精确.得益于现代计算机的存储和计算能力,在准备金评估中应加入更多有用信息.然而,IDM忽略了保单相关的特征信息,本文称之为个体信息.这种信息刻画被保人之间的异质性,即索赔的进展模式受到一些因素的影响,这些因素反映了不同保险合约下的个体差异性.例如,对于汽车保险,这些因素包括保单持有人的年龄,驾龄,性别以及被保车辆的价格,燃油,品牌类型和地理位置,保险的合同类型等.因此,本文研究了一些基于个体信息数据的随机准备金评估方法,主要内容如下:（1）研究了在离散时间框架和结案延迟条件独立于报案延迟下个体信息对随机准备金评估的影响.我们首先研究了在分布模型下参数估计及其渐近性质.接着,推导了个体信息理论准备金解析表达式,并根据该解析表达式展示了一种直观计算理论准备金的算法.然后,比较了基于个体信息数据和个体数据的两种准备金评估值的渐近性质,论证了个体信息在准备金评估方面的积极作用.最后,我们进行了模拟验证并对健康险数据进行分析.（2）在离散时间框架和过度分散泊松模型下,研究了在大样本意义下基于个体信息数据相比于基于个体数据的准备金评估值的精度提高.首先,利用条件的预测均方误差（Mean Square Error of Prediction,MSEP）度量准备金评估值的精度.然后,研究了两种准备金估计值条件的MSEP的比值以及该比值的渐近性质.最后,我们进行了一些数值模拟以及对于健康险数据的分析.（3）研究了在索赔具有多次赔付情形下基于连续时间的个体信息数据的准备金评估.首先,我们建立了一种微粒的个体信息模型,接着,我们研究了连续时间下未偿还债务的条件矩的解析表达式.然后,研究了准备金评估值的渐近性质.最后,我们进行了蒙特卡洛模拟分析,一方面验证了上述矩的解析表达式的正确性,另外一方面说明了在连续时间下个体信息对随机准备金评估精度的提高.（4）研究了在结案延迟与报案延迟相关的情形下对个体信息模型参数估计采用EM算法和牛顿法的比较.首先分析了观测数据不完整的原因,并根据模型假设推导出完整观测的似然以及不完整观测的似然.然后,模型参数分别用EM算法和牛顿迭代进行估计.最后在数值模拟中,我们比较EM算法和牛顿法的在有限样本下对参数估计的精度和算法收敛速度.本文的创新之处主要在如下几点:一.首次将个体信息引入到随机准备金评估中,提出了一种新的随机准备金评估方法,本文称之为个体信息模型（Individual Information Models,IIM）并在分布假设下说明了IIM与IDM相比所带来的优势.二.在相对比较弱的矩假设下研究了在渐近意义下IIM相对于IDM在准备金预测精度上的提高,且精度是由条件的MSEP度量并在有限样本下用半解析法来近似.三.在连续时间框架下研究用来进行随机准备金评估的更一般的IIM,考虑单次索赔具有多次赔付的情形.四.随机准备金评估模型所分析的数据结构因截断和删失而不完整,我们研究了EM算法和牛顿法在参数估计上的差异,主要比较估计精度和算法收敛速度.