Mémoire d'actuariat

Application des méthodes de Data Mining à l'agrégation du passif en prévoyance et santé
Auteur(s) JABRI O.
Société Malakoff Humanis
Année 2020

Résumé
Ce mémoire présente une nouvelle méthode d’agrégation de passifs techniques d’assurance appliquée à un portefeuille de contrats prévoyance et santé. Sur le plan méthodologique, l’approche proposée se distingue des techniques d’agrégation usuellement mises en œuvre dans les entreprises pour deux raisons principales. D’une part pour construire l’outil d’agrégation, les critères de similarité entre risques ne s’appliquent pas aux caractéristiques intrinsèques des individus modélisés mais aux cashflows futurs qui leur sont associés. Cela permet d’agréger des passifs relatifs à des individus ayant des caractéristiques intrinsèques différentes (hommes et femmes d’âges différents par exemple). En particulier et contrairement aux techniques usuelles, la performance de l’approche proposée croît avec le nombre de paramètres associés aux individus et donc avec le caractère élaboré de la modélisation. D’autre part, en exploitant les possibilités offertes par les outils d’apprentissage automatisé, l’approche proposée permet de construire un outil insensible au vieillissement du portefeuille : il peut donc être utilisé à différentes dates d’arrêté, par exemple dans le cadre du processus de production des arrêtés trimestriels. Les résultats numériques présentés dans le mémoire font apparaître une performance satisfaisante : l'impact est très faible sur les indicateurs financiers au regard de la diminution substantielle de la taille du passif projeté.

Abstract
In this paper, we introduce a new method of aggregating technical insurance liabilities applied to income protection and health line of business. The proposed approach differs from the common aggregation techniques for two main reasons. On the one hand, the criteria of similarity between risks do not rely on the characteristics of the policyholders but on their future cashflows : this aspect empowers the method and allows to aggregate liabilities associated to policyholders with widely different characteristics (for instance, we can have inside the same cluster men and women with different ages). Consequently and unlike common techniques, the performance of the proposed approach increases with the number of modelling parameters taken into account. In other words, the efficiency of the method is more important when the modeling approach is more accurate. On the other hand, based on machine learning algorithms, it was possible to make the proposed methodology stable against the aging of the portfolio, which allows to apply it sustainably for quarterly financial reporting. The results obtained show a satisfying performance and a very low impact on the different financial indicators.

Mémoire complet