Mémoire d'actuariat

Méthode de projection ligne à ligne de la sinistralité de la garantie RCDO en construction permettant de prendre en compte la déformation du portefeuille
Auteur(s) MARTIN Mehdi
Société COVEA
Année 2019
Confidentiel jusqu'au 08/07/2021

Résumé
Les difficultés récentes de plusieurs acteurs de l'assurance construction ainsi que le désengagement volontaire de certains autres, prouvent une fois encore que cette branche reste compliquée à maîtriser. En particulier, la couverture atypique de la garantie décennale rend difficilement applicable les techniques habituelles d'assurance non-vie telles que les MLG ou encore le Chain Ladder. Ceci est d'autant plus vrai lorsque les assureurs sont confrontés à des portefeuilles qui se déforment. De plus, en raison d'un environnement de taux bas, ces derniers ne peuvent plus combler leurs éventuelles méconnaissances du risque à l'aide des produits financiers et doivent par conséquent se recentrer sur leur coeur de métier. Cette étude a pour ambition de fournir une nouvelle méthode de projection de la sinistralité en RC décennale obligatoire permettant de prendre en compte l'évolution du portefeuille et in fine d'estimer la rentabilité de ce dernier. Utilisant aussi bien du Machine Learning et en particulier des arbres CART que des méthodes plus classiques d'estimation notamment paramétriques, l'approche de la garantie et dans la mesure du possible sans poser d'hypothèses fortes au préalable. En outre, la prise en compte de la déformation du portefeuille s'appuie sur une projection de la sinistralité au niveau contrat. Autrement dit, la méthodologie proposée s'apparente à une projection ligne à ligne de la sinistralité décennale que l'on considère les sinistres connus mais non clos ou bien encore les sinistres non encore manifestés qui sont par définition inconnus. Il est important de préciser que cette même méthodologie repose sur la simulation de scénarios et donc a fortiori n'est pas déterministe. Cette approche permet par ailleurs de prendre en compte l'antériorité sinistre d'un contrat donné à l'instar de l'assurance automobile et de son coefficient bonus-malus, ainsi que l'inflation qui est une composante essentielle dans un contexte où la garantie étudiée peut encore engager l'assureur des dizaines d'années après sa souscription.

Abstract
The recent difficulties of several construction insurers as well as the voluntary disengagement of some others, prove once again that this line of business keeps being complicated. Furthermore, it's quite difficult to apply in a confident way the usual non-life insurance methods such as GLM or Chain Ladder on the decennial civil liability guarantee because of its atypical coverage. This is especially true when insurers are facing an evolution of their portfolios. In addition, the latter can no longer compensate their lack of awareness regarding the risk because of the reduction of financial profits and have to refocus on their core business. This study's purpose is to create and set up a new method which forecasts the claims for the decennial civil liability in construction insurance, taking into account the distortion of the current portfolio. This approach is specifically cusomized for the problem and the particularities of the guarantee in a framework where strong assumptions are avoided as much as possible. This method uses Machine Learning and especially CART trees as welle as classical parametric estimation techniques. In order to take into account, the distortion of the portfolio, the expected claims are forecasted at the contract level. In other words, the new approach can liken as a line-by-line method that predicts ultimate losses of the known claims as weel as the loss unknown claims yet. It's important to point out that this is a stochastic methodology which uses scenarios simulations, so it isn't deterministic. Last but not least, the approach considers the past claims of a given contract and the inflation too. The latter is a key component in a context which the insurer's liability can still be involved several after the subscription.