Mémoire d'actuariat

Modélisation de sinistres graves en assurance multirisque habitation
Auteur(s) SCHRYVE Lise
Société Allianz France
Année 2018
Confidentiel jusqu'au 21/09/2020

Résumé
La prédiction des sinistres graves en assurances dommages est toujours un sujet d'actualité pour les compagnies, il reste encore complexe à traiter. Le but de ce mémoire est d'améliorer l'appréhension des sinistres graves en Multirisque habitation (MRH) en construisant un modèle spécifique à ce type de risques. L'objectif est également de mieux gérer le risque de souscription des biens qui engendreraient ces sinistres rares mais coûteux et ainsi de limiter leur impact négatif sur la rentabilité. Ce mémoire expose dans une première partie, l'étude de chaque garantie et le choix de réaliser un modèle sur les sinistres graves uniquement pour la garantie incendie. Effectivement, les sinistres les plus conséquents en terme de coût concernent cette garantie. La partie suivante est consacrée à la théorie des valeurs extrêmes qui a permis de déterminer le seuil séparant les sinistres attritionnels des sinistres graves. Un fois ce seuil déterminé, la modélisation des sinistres graves. Une fois ce seuil déterminé, la modélisation des sinistres graves a été réalisée à l'aide d'un modèle linéaire généralisé. Dans la suite de l'étude, nous avons cherché à améliorer la prédiction de notre modèle. Pour cela, nous nous sommes intéressés à l'incorporation de nouvelles données externes, pertinentes par rapport aux caractéristiques des sinistres graves rencontrés, afin d'évaluer si leur ajout au modèle réalisé peut le rendre meilleur. Leur apport est intéressant et nous avons choisi de retenir ces nouvelles données. Enfin, après un premier essai positif réalisé grâce au Random Forest, il apparaît que l'utilisation de modèles de machine learning pourrait se révéler performant. Cela sera donc intéressant par la suite de tester l'apport d'un modèle de machine learning par rapport au GLM.

Abstract
Severe claims forecasting has always been one of the main concerns of insurance companies and still remains hard to deal with. This master thesis aims to improve the understanding of home insurance products by building a specific model. Another purpose is to better manage underwriting risks for goods liable to lead to those rare but expensive claims, thus limiting their impact over profitability. This master thesis first studies each guarantee covered in the home insurance product and justifiies the choice to only modelise the risk for cover over fire accidents. As a matter of fact, this coverage is the one leading to the higher costs. The second part deals with extreme value theory, which enabled us to determine the threshold between attritional and atypical claims. Once we defined this threshold, we provided a severe claims modelling through a general linear model. As a next step, we aimed to improve our model's forecasting ability. To achieve this, we introduced new external data, most relevant to the modelised claims and we compared the results. This input actually led to better results so we decided to keep this data. Lastly, after a first try of a Random Forest modelling, we concluded that a machine learning approach could also be effective. Challenging the GLM build with different machine learning methodologies could therefore be an interesting follow-up to the current study.