Méthodes d'apprentissage automatique appliquées au provisionnement ligne à ligne en assurance non-vie

Page précédente
Faire suivre ce document

Domaine(s)Mémoire
formation(s)Dauphine () / resp.: / intervenant:
Show details for Informations sur les documentsInformations sur les documents
Hide details for Informations sur les documentsInformations sur les documents

Type de document Mémoires
sociétéPwC
Auteur(s) OTTOU P.
Numéro
Date de référence 01/24/2018


Résumé

L’objectif de ce mémoire est de réfléchir à des approches utilisant le plus d'information possible sur les sinistres afin d'obtenir des estimations de provision moins volatiles et plus précises que les estimations faites avec des méthodes de provisionnement traditionnelles comme Chain-Ladder. Mais outre la fiabilité du calcul, l'intérêt des nouvelles méthodes est de pouvoir individualiser le provisionnement. Ce serait un pas en avant comparé aux méthodes traditionnelles qui fonctionnent en agrégeant les sinistres. Ainsi, ce projet se base sur des données issues de l’activité Garantie contre les accidents de la vie (appelée GAV ci-après). Dans un premier temps, les provisions sont développées à partir de méthodes agrégées classiques. Deux méthodes sont ensuite présentées et utilisées dans le cadre du provisionnement ligne à ligne. La première méthode est l'algorithme de gradient boosting XGBoost. La seconde approche est également issue du machine learning, il s'agit du Long Short Term Memory (abrégé LSTM). Dans une dernière partie, la conformité de ces nouvelles méthodes à la norme réglementaire IFRS est évaluée. Il s’agit de discuter de l'apport possible de ces algorithmes au cadre défini par IFRS 17.

Abstract

The purpose of this thesis is to consider approaches using as much information on claims as possible in order to obtain less volatile and more accurate reserves estimates than estimates made using traditional funding methods such as Chain Ladder. But besides the reliability of the calculation, the interest of the new methods is to be able to individualize the reserving. This would be a step forward compared to traditional methods that work by aggregating claims. Thus, this project is based on data from the Life Accident Insurance business (hereinafter called GAV). As a first step, reserves are developed from classical aggregated methods. Two methods are then presented and used as part of line-by-line reserving. The first method is the XGBoost boosting gradient algorithm. The second approach also comes from machine learning, this is the Long Short Term Memory (abbreviated LSTM). In the last part, the compliance of these new methods with the IFRS regulatory standard is evaluated. It is a question of discussing the possible contribution of these algorithms to the framework defined by IFRS 17.

Mémoire complet

>OTTOU.pdfOTTOU.pdf

Lien permament : https://www.ressources-actuarielles.net/C12574E200674F5B/0/9CCA507955AB23CBC12582A900244653