本书基于大数据时代背景，对健康保险精算统计模型与风险监管进行系统研究。研究发现：，分布式算法、*子抽样、基于密度比模型的经验似然算法和模*均算法等可解决健康大数据融合问题；第二，随机森林分类模型、BP组合神经网络模型、朴素贝叶斯模型及马尔可夫模型等可有效推进健康保险定价模型向“事前定价 动态调整”的创新模式转变；第三，聚类方法、LightGBM方法和决策树算法等可对健康保险欺诈进行科学识别。  希望本书的出版可以为健康保险精算技术变革及风险监管对策改进提供理论支撑，助力国家多层次医疗保障体系改革。