Mémoire d'actuariat

Méthodes de provisionnement par apprentissage supervisé - Sinistralité de masse en Automobile
Auteur(s) SAIDALI Naïra
Société BPCE Assurances
Année 2020

Résumé
Les provisions sont au coeur même du bon fonctionnement de l'assurance : permettre à tout moment le respect des engagements d'une compagnie vis-à-vis de ses assurés sinistrés. Plusieurs méthodes, déterministes ou stochastiques, existent aujourd'hui pour évaluer leur montant. Le but de ce mémoire est de challenger l'existant afin de gagner non seulement en rapidité mais également en précision dans l'estimation des provisions. La piste pour le mener à bien a été d'explorer le monde de l'apprentissage statistique et en particulier l'application des méthodes dites supervisées. En effet, ces méthodes peuvent être efficaces en terme de temps de calcul et de précision, notamment dans des cas simples. C'est pourquoi la garantie dont la sinistralité à l'ultime a été modélisée est la Responsabilité Civile Matérielle en Automobile qui est une branche à développement relativement court. Trois modèles de provisionnement ont été mis en oeuvre et sont présentés dans ce mémoire : - un modèle individuel pour prédire le coût moyen ultime d'un sinistre déclaré en cours, complété d'une estimation des tardifs par méthode classique ; - un modèle agrégé, basé sur la méthode Chain Ladder, pour prédire les coefficients de passage d'une vue à une autre pour un groupement homogène de sinistres ; - un modèle agrégé pour prédire l'évolution de la charge d'une vue à une autre pour un groupement homogène de sinistres. Les deux premiers modèles reposent sur les arbres de régression tandis que le dernier utilise les concepts sous-jacents aux réseaux de neurones.

Abstract
Reserves are at the very heart of insurance: ensuring that company's commitments towards its policyholders are respected at all times. Several methods, deterministic or stochastic, exist today to estimate their amount. The purpose of this thesis is to challenge existing methods in order to gain not only in speed but also in accuracy in the estimation of reserves. The way to carry it out was to explore the world of machine learning and in particular the application of so-called supervised methods. Indeed, these methods can be effective in terms of time calculation and accuracy, especially in simple cases. This is why we choose to model the Material Civil Liability for Motor Vehicles, which is a short-lived branch. Three reserving models have been implemented and are presented in this thesis: - an individual model to predict the ultimate average cost of a reported claim in progress, completed with a conventional late payment estimate; - an aggregated model, based on Chain Ladder method, to predict the development factors from one view to another for a homogeneous group of claims; - an aggregated model to predict the evolution of the claim expense from one view to another for a homogeneous group of claims. The first two rely on regression trees whereas the last one uses concepts underlying neural networks.

Mémoire complet