Mémoire d'actuariat

Apport des réseaux neuronaux au provisionnement IARD : Application d'architectures récurrentes à la prédiction d'évolution temporelle de montants
Auteur(s) GOMA-LEGERNARD Thierry-Séphine
Société Mazars actuariat
Année 2020

Résumé
L'activité d'assurance est caractérisée par la très forte incertitude quant aux coûts de revient des sinistres, et l'évaluation des provisions techniques constitue un enjeu stratégique pour la pérennité de l'assureur. Dans ce contexte la recherche de nouveaux modèles de provisionnement, en vue d'améliorer l'évaluation du montant des prestations futures versées par l'assureur, est un sujet d'intérêt. Parmi les nouvelles approches présentées, plusieurs s'inscrivent dans le déploiement de l'apprentissage profond pour la résolution de problématiques assurantielles, et proposent des méthodes de provisionnement s'appuyant sur les réseaux de neurones. Elles ont motivé le présent mémoire. Nous nous sommes intéressés à l'apport des réseaux de neurones au provisionnement IARD et avons proposé l'implémentation d'un modèle de provisionnement par réseaux neuronaux récurrents, qui mobilisent des structures adaptées aux données assurantielles et à même d'apprendre des dépendances de long terme. Le modèle implémenté se propose de prédire conjointement les montants de paiement et de charges. Afin d'en mesurer les performances, nous avons procédé à une étude comparative entre notre modèle et une méthode de référence : Mack-Chain-Ladder. Nous avons construit une mesure de performance et mené une étude approfondie des distributions des erreurs. Enfin, notre étude s'est intéressée à la compréhension des résultats. A cet effet nous avons mis en évidence les spécificités de notre modèle, procédé à des analyses de sensibilité du réseau, et finalement fait usage d'un outil d'aide à l'interprétation qui se propose d'apporter une compréhension locale de choix réalités au cours d'une prédiction.

Abstract
The insurance business is characterized by a very high uncertainty regarding the cost of claims, and the valuation of technical provisions is a strategic issue for the insurer's long-term survival. In this context, the research for new reserving models, with a view to improve the evaluation future costs, is a subject of interest. Among the new approaches presented, several fall under the deployment of deep learning in the resolution of insurance problems, and propose reserving methods based on neural networks. They have motivated this thesis. We studied the inputs and contribution of neural networks to P&C reserving and we have offered the implementation of a reserving model using recurrent neural networks, which are fitted to sequential data and have the ability to learn long-term dependencies. The model we have implemented offers to jointly predict the amounts of paid claims and case reserves. To measure its performance, we have carried out a comparison between our model and a reference method : Mack-Chain-Ladder. We have built a perfomance metric and conducted an in-depth study of the error distributions. Finally, our study focused on understanding the results. To that end, we highlighted the specificities of our model, performed sensitivity analysis of the network, and finally resorted to an interpretation framework aiming to provide a local understanding of the choices made during a prediction.

Mémoire complet