Mémoire d'actuariat

Une approche individuelle du provisionnement des sinistres corporels automobiles
Auteur(s) SERVEL M.
Société AXA France
Année 2020
Confidentiel jusqu'au 08/09/2022

Résumé
Mots-clefs : Provisionnement individuel, apprentissage automatique, arbres de régression, Gradient Boosting Machine, XGBoost, Responsabilité Civile corporelle automobile L’objet de ce mémoire est de montrer comment l’utilisation de méthodes de provisionnement individuelles non paramétriques peut fournir une seconde opinion de qualité sur les montants de provisions mathématiques de la branche Responsabilité Civile (RC) corporelle automobile. Le développement des sinistres est ici effectué ligne par ligne à l’aide d’un arbre de régression de type CART augmenté par une méthode de boosting connue sous le nom d’eXtreme Gradient BOOSTing (XGBOOST). Cette méthode est ensuite comparée aux méthodes actuellement utilisées par les équipes en charge du provisionnement IARD chez AXA France.

Abstract
Key words: Individual claim reserving, machine learning, regression trees, Gradient Boosting Machine, XGBoost, bodily injury liability in motor insurance The aim of this study is to challenge the standard reserving methods by proposing a machine learning based micro level reserving approach to estimate the mathematical adjustments of the bodily injury liability in motor insurance. Claims development is here carried out line by line using a regression tree from the CART category improved by a boosting method of known as eXtreme Gradient BOOSTing (XGBOOST). Then, this method is compared to the methods currently used by the P&C reserving teams at AXA France.