1. 课程导论：Challenger 模型在保险定价中的价值、课程目标与学习路径、所需预备知识

1.1 为什么精算师需要 Challenger 模型？

传统保险定价通常依赖广义线性模型（GLM），其可解释性强、监管接受度高，但在处理高维交互、非线性模式和复杂风险因子时存在明显瓶颈。Challenger 模型（如梯度提升树 XGBoost/LightGBM、神经网络、集成学习等）在预测精度上往往显著优于 GLM，同时通过 SHAP、Partial Dependence Plot 等工具弥补了可解释性短板。

在车险、健康险、财产险等高频定价场景中，Challenger 模型已从“备选方案”逐步成为“核心引擎”。本课程将系统对比 GLM 与多种 Challenger 模型在保费定价全流程中的效果差异，帮助精算师在监管合规与模型性能之间找到最佳平衡。

1.2 课程目标与学习路径

本课程共 30 章，从基础概念到实战部署，形成完整闭环。下表展示了课程的核心目标与对应章节分布：

建议学习路径：按章节顺序推进，每章完成配套代码练习。前 8 章侧重理论，第 9 章起进入实战，第 19 章后进入对比分析与部署阶段。

1.3 所需预备知识

为顺利学习本课程，建议学员具备以下基础：

• 统计学基础： 熟悉回归分析、假设检验、损失分布（如泊松、伽马、Tweedie 分布）、偏差与过拟合概念。
• Python 编程基础： 掌握 pandas、numpy、matplotlib/seaborn 基本操作，了解 scikit-learn 建模流程。
• 保险定价常识： 了解纯保费、附加保费、风险因子、费率因子等基本术语（非必需，课程会简要回顾）。

import pandas as pd
import numpy as np
from sklearn.linear_model import PoissonRegressor

# 模拟数据
df = pd.DataFrame({'exposure': np.random.uniform(0.5, 2, 1000),
                   'age': np.random.randint(18, 70, 1000),
                   'claim_count': np.random.poisson(0.2, 1000)})
model = PoissonRegressor()
model.fit(df[['age']], df['claim_count'], sample_weight=df['exposure'])

1.4 课程知识体系总览

下图展示了本课程的核心知识模块及其逻辑关系，帮助你建立全局视角：

1.5 学习建议与避坑提示