3. 定价模型类型：广义线性模型(GLM)、机器学习模型(GBDT/XGBoost)、传统规则引擎

在保费定价实践中，模型的选择直接决定了定价的精准度、可解释性与运维成本。当前主流定价体系主要包含三大技术路线：广义线性模型（GLM）、机器学习模型（GBDT/XGBoost）以及传统规则引擎。三者并非互斥，而是在不同业务场景下形成互补的混合架构。

3.1 三大模型类型核心对比

3.2 广义线性模型 (GLM) 精讲

GLM 是保险定价领域最经典的统计模型，由三个核心组件构成：随机分布、线性预测器、链接函数。在车险定价中，通常使用 Tweedie 分布（零膨胀连续分布）或 Gamma 分布拟合纯保费。

# GLM 核心公式示意（R 语言 glm 函数）
# 假设纯保费服从 Tweedie 分布，使用 log 链接
model_glm <- glm(PurePremium ~ Age + Gender + VehicleType + Region,
                 family = tweedie(var.power = 1.5, link.power = 0),
                 data = train_data)

# 输出系数解释
summary(model_glm)
# 系数 exp(0.15) = 1.162 表示该因子水平使保费上升 16.2%

3.3 机器学习模型 (GBDT/XGBoost) 精讲

GBDT（梯度提升决策树）与 XGBoost（极端梯度提升）是当前保险定价中应用最广泛的机器学习模型。XGBoost 在 GBDT 基础上引入了正则化项、列采样与加权分位数，显著提升了泛化能力与训练效率。

# XGBoost 定价模型核心参数配置（Python）
import xgboost as xgb

params = {
    'objective': 'reg:tweedie',      # Tweedie 回归，适合零膨胀纯保费
    'tweedie_variance_power': 1.5,   # 方差幂参数
    'eval_metric': 'tweedie_nloglik',# 评估指标
    'max_depth': 5,                  # 树深度，控制非线性复杂度
    'learning_rate': 0.05,           # 学习率
    'subsample': 0.8,                # 行采样
    'colsample_bytree': 0.7,         # 列采样
    'lambda': 1.0,                   # L2 正则化
    'alpha': 0.5                     # L1 正则化
}

dtrain = xgb.DMatrix(X_train, label=y_train)
model_xgb = xgb.train(params, dtrain, num_boost_round=500)

3.4 传统规则引擎精讲

规则引擎是保险定价中最古老但最可靠的技术。它基于业务专家经验，将定价决策转化为可执行的规则集。在微服务架构中，通常使用 Drools、EasyRules 或自研规则引擎实现。

// 规则引擎示例（Drools DRL 语法）
rule "高风险车型拒保规则"
    when
        $quote: Quote(vehicleType == "跑车" && driverAge < 25)
    then
        $quote.setUnderwritingDecision("REJECT");
        $quote.setRejectReason("高风险车型+低龄驾驶");
        update($quote);
end

rule "费率折扣规则"
    when
        $quote: Quote(claimFreeYears >= 5 && annualMileage < 10000)
    then
        $quote.setDiscountRate(0.85); // 85折
        update($quote);
end

3.5 三种模型融合架构

在实际生产环境中，三种模型通常以分层融合架构协同工作。下图展示了典型的保费定价模型流水线：

3.6 模型选择决策矩阵

在项目初期，建议根据以下决策矩阵快速确定模型选型方向：