EURIA SIA Partners /

Application de l'apprentissage non-supervisé au provisionnement ligne à ligne en assurance non-vie

Domaine(s)	Mémoire
formation(s)	EURIA () / resp.: / intervenant:

Informations sur les documents

Type de document	Mémoires
société	SIA Partners
Auteur(s)	BILLORE C.
Numéro
Date de référence	09/22/2016

Résumé

L’émergence actuelle de nouvelles méthodes d’apprentissage statistique ainsi que l’explosion du volume de données disponibles offrent aux assureurs de nouvelles possibilités dans la gestion de leurs risques. Les assureurs non-vie, désireux de vouloir réduire les variations annuelles de leurs provisions et utilisant aujourd’hui des méthodes agrégées simples, sont particulièrement à l’écoute de ces nouvelles techniques. Dans ce contexte, ce mémoire propose une méthodologie de provisionnement ligne à ligne par l’application d’algorithmes de forêts aléatoires, en tant qu’alternatives aux modèles de places. Sur la base des données d’un assureur français, ce mémoire s’attache dans un premier temps à développer les méthodes de provisionnement largement utilisées sur la place aujourd’hui, telles que le modèle de Mack. Après en avoir rappelé les caractéristiques, ce modèle permet de fixer une mesure de base des provisions dans le cadre de ces travaux. Dans un second temps, le mémoire présente une méthodologie alternative : une méthode empirique projetant les sinistres individuellement, permettant ainsi de mieux prendre en compte le risque porté par l’assureur. Cette méthode vise à affiner les modèles agrégés afin de mieux prendre en compte les différents risques associés aux sinistres. Enfin, l’algorithme d’apprentissage automatique des forêts d’arbres décisionnels est mis en place dans le cadre du provisionnement ligne à ligne, dans le but d’intégrer toutes les informations explicatives d’un sinistre dans le modèle de prédiction de sa provision. L’idée principale du mémoire est de présenter ce modèle dans le cadre des problématiques de provisionnement et d’analyser son impact ainsi que la qualité des résultats qu’il peut induire.

Abstract

With the growing development of statistical methods and the improvement in data availability, insurers face new challenges in term of their risk monitoring. Interest in these technics is amplified by the insurer’s willingness to reduce the volatility of their provisions where standard aggregate methods may have reached their limits. In that framework, we explore an alternative reserving claims by claim’s method based on the application of a random decision forest. Firstly we assess the existing literature and the usual technics widely used on the market as the Chain Ladder or Mack models which will be used as a benchmark applied on data from a French insurer. Secondly, we suggest an alternative method based on empirical data and derived from aggregate approach. By taking into account more risk component, it aims to better apprehend the sources of the risk. Finally, we put in place an algorithm of random decision forest in the framework of the reserving claims by claims method in order to integrate all the explicit claim information inside the predictive model. The main idea is then to extent the concept to the reserving approach and to analyze its effect on the stability of the provision estimation.

Mémoire complet

>

BILLORE.pdf

Lien permament : https://www.ressources-actuarielles.net/C12574E200674F5B/0/5F600A2DFC8CEBD3C12580F2001892DD