Mémoire d'actuariat

Développement d'un algorithme individualisé pour le provisionnement en assurance non-vie: la méthode ASICR
Auteur(s) GAUTIER B.
Société Addactis France
Année 2020

Résumé
De récentes enquêtes menées auprès de différents acteurs du marché ont pu mettre en évidence que les méthodologies de provisionnement agrégées restent privilégiées dans les calculs de provisions en assurance non-vie. Cependant le développement récent des méthodes de Machine Learning apporte des visions nouvelles de la sinistralité, axées sur une évaluation plus individualisée de la provision. Ces méthodes permettent notamment de mieux valoriser les données à disposition de l'assureur afin de l'aider à définir une politique de gestion des risques adaptée au regard des profils de risque pouvant dégrader sa profitabilité. Des méthodologies de provisionnement individuel exploitant ces données et des méthodes de Data Science ont déjà fait l'objet de publications ou de mémoire, comme par exemple [De Felice et Moriconi, 2019]. Néanmoins ces approches ne parviennent pas à proposer une estimation de la volatilité des provisions. Avec une vision différente, les méthodologies stochastiques évaluent quant à elle des distributions individuelles des ultimes des sinistres, comme par exemple la méthodologie ICR (Individual Claims Reserving) inspirée de l'article d’[Antonio et Plat, 2012]. Seulement ces approchent stochastiques n'exploitent pas autant les données à disposition. En partant de ce constat, ce mémoire propose une nouvelle méthodologie de provisionnement individuelle nommée ASICR (Automatic Segmentation for Individual Claims Reserving). Des résultats sont obtenus sur deux branches différentes : un risque long (RC auto, dommage corporel) et un risque court (Habitation, incendie). La méthode ASICR est comparée aux méthodes ICR et Chain Ladder pour conclure sur leurs avantages et leurs limites respectives. Mots clefs : Assurance non-vie, Provisionnement, Provisionnement individuelle, Data Science, CART, Link Ratio

Abstract
Recent surveys of market players show that aggregated methodologies remain majoritary in the calculations of non-life insurance reserves. However, the recent development of Machine Learning in actuarial sciences allows the emergence of new visions of claims and show a growing interest in new ways to estimate reserve based on individual assessment. In particular, these methods make possible to better use the data available in order to better identify the risk profiles that could degrade the profitability of theirs portfolios, and to deduce adapted and cross-functional risk management policy within the company. Individual reserving methodologies using this data and Machine Learning methods have already been the subject of articles and thesis, for example [De Felice and Moriconi, 2019]. However, these approaches fail to provide an estimate of the volatility of reserves. With a different approach, stochastic methodologies assess individual distributions of claims ultimate, such as the ICR (Individual Claims Reserving) methodology inspired by the article of [Antonio and Plat, 2012]. However, these stochastic methods do not exploit the available data as much as Data Science approaches. Based on this observation, this thesis proposes a new individual claims reserving methodology called ASICR (Automatic Segmentation for Individual Claims Reserving). Results are obtained on two branches with different characteristics: a long-term branch (bodily liability) and a short-term branch (residential fire). The ASICR method is compared with the ICR method and with the deterministic aggregated method Chain Ladder to conclude on their respective advantages and limits. Keywords: Non-life insurance, Reserving, Individual Reserving, Data Science, CART, Link Ratio

Mémoire complet