车险作为财产保险公司最重要的险种,其保费收入直接影响到产险公司的整体业绩,所以提供更加精准的车险定价是各大产险公司追求的目标.车险费率研究的重点是对费率因子、索赔强度、索赔频率等方面的讨论,其中对车险索赔强度的研究主要分为模型优化和构造新的模型因子两个方面.本文以模型优化的视角对车险索赔强度进行分析,探索出一个行之有效的预测模型解决方案.对车险索赔强度进行预测最传统的方法是建立广义线性模型,其中伽马分布、逆高斯分布都可以很好地拟合索赔强度,除此之外,对数正态分布的预测效果也很好,并且这三个模型都有各自更加合适的应用场景.我们通常选择一个针对当前数据预测效果最好的模型进行建模和参数估计,得到理想的预测结果.然而在复杂的现实场景当中,单一模型很难预测大量数据,并且我们也难以承受选择错误模型所带来的后果.本文基于模型平均的思想,应用贝叶斯网络分类器计算所选模型的权重,综合两个效果最好的模型预测结果来提升模型的预测精度.首先,本文对车险数据进行分析和降维处理.其次建立伽马回归模型、逆高斯回归模型和对数正态分布回归模型对车险索赔强度进行参数估计和模型检验,选择其中两个预测效果最好的模型.将两模型预测值与实际值的距离作为贝叶斯网络分类方法的依据进行结构学习,得到最优的有向无环图结构.当我们输入各节点信息时,便可以预测出保单适用两个模型的概率,以这两个概率作为模型平均的权重,综合所有的信息便可以得到最终的模型预测结果.本文将所提方法应用于一组实际数据,MAE、RMSE和分类准确率等模型评价指标比较结果表明:基于贝叶斯网络的综合模型比传统模型具有更好的预测效果.本文的创新点是运用贝叶斯网络计算模型平均权重,综合多种模型结果来对车险索赔强度进行研究分析,提升了预测效果,且相较于集成学习、提升法等机器学习方法,我们的方法解释性更强,因此在车险定价实践中具有一定的优势.