Mémoire d'actuariat

Une méthode de provisionnement individuel par apprentissage
Auteur(s) BARBASTE Mathias
Société Generali
Année 2017

Résumé
Les méthodes de provisionnement individuel intéressent de plus en plus les actuaires responsables de l'inventaire. Contrairement aux méthodes agrégées classiques qui donnent l'estimation de la charge totale (Chain-Ladder, Loss-Ratio, Bornhuetter-Ferguson, ...), ces méthodes ont l'avantage de fournir des estimations détaillées sinistre par sinistre. Le point de départ de ce mémoire est un article de recherche intitulé "Tree-based censored regression with applications to insurance" (Milhaud, Lopez et Therond) dans lequel est proposé une méthode d'apprentissage automatique particulièrement adaptée au provisionnement. Compte-tenu des capacités de calcul actuelles ainsi que de la quantité croissante de données disponibles, les compagnies d'assurance peuvent aujourd'hui envisager sérieusement de se tourner vers de telles méthodes. C'est cette démarche qui est détaillée dans ce mémoire, de la compréhension de l'article jusqu'à la mise en place des algorithmes sur des données réelles. Un prolongement de cette technique sur des méthodes d'ensemble permettra finalement d'améliorer sensiblement les résultats.

Abstract
Individual claim reserving methods increasingly interest actuaries from reserving departments. Indeed, while traditional methods evaluate a statistical amount of reserve, based on the calculation of the ultimate cast by accidental year (Chain-Ladder, Loss-Ratio, Bornhuetter-Ferguson, ...), these methods provide an accurate prediction of the ultimate cost case by case. The launched of this study was initiated from a research article entitled \"Tree-based censored regression with applications to insurance\" (Milhaud, Lopez and Therond), in which a machine learning method, particularly adapted for reserving, is proposed. Given the current computation time as well as the flourishing amount of data available, insurance companies can now sincerely consider to such techniques. The approach is detailed throughout this report, from explanation of the research article to the implementation of the algorithms on real data. This paper extends the approach and allows for improved predictions using ensemble methods.

Mémoire complet