Mémoire d'actuariat

Tarification automobile : GLM vs Réseaux de neurones
Auteur(s) KOUO Kasséa Kévin Axel
Société Generali France
Année 2017
Confidentiel jusqu'au 11/07/2019

Résumé
Le marché de l'assurance non-vie, en particulier celui de l'Auto est fortement concurrentiel. Celui-ci nécessite de la part de l'assureur d'être à la fois commercialement viable et de couvrir son risque au "juste prix". Les assureurs tendent à s'orienter vers une tarification ajustée aux besoins et aux caractéristiques propres du client. L'expansion du digital et du recueil de l'information peuvent fournir aux assureurs une quantité de données non structurées. Les méthodes classiques de tarification, telles que le GLM, comportant des hypothèses statistiques lourdes ne peuvent modéliser aisément ce type de données. Nous nous sommes donc orientés vers les méthodes de machine learning, en particulier les réseaux de neurones car ces méthodes sont non-paramétriques. Certains réseaux de neurones, comme le perceptron multicouche, possèdent la propriété d'approximation universelle, permettant d'approcher n'importe quelle fonction à peu près régulière. Nous comparons dans ce mémoire les prédictions issues du GLM et celles du perceptron multicouche sur notre portefeuille d'assurance Automobile. Nous déterminons, par ailleurs un estimateur agrégé issu des deux méthodes à l'aide de la méthode du bagging.

Abstract
Market of non-life insurance, especially auto insurance, is very competitive. Insurance companies have to be more attractive, and to do so, they must give the fair price for each customer. Pricing products, per their needs and taking count of the customer's characteristics is very important. The growth of digital and the possibility to have more information about customers give a huge quantity of non-structural data. Traditional pricing methods, such as GLM, cannot model easily those types of data because of statistics hypothesis. It's the reason why we have focused on machine learning methods; more specifically neural networks because they are non-parametric methods. Some types of neural network as Multilayer Perceptron, owns universal approximation property which permit to approach any regular function. We compare in this study the prediction based on GLM and those coming from multilayer perceptron on our portfolio. Finally, we determine and aggregated estimator provided on both methods, by using bagging.