Mémoire d'actuariat

Une proposition d'accélérateurs pour la mise en place d'une couverture indicielle des risques météo-sensibles
Auteur(s) DISERBEAU Yann
Société Optimind
Année 2019

Résumé
Les produits d'assurance indicielle présentent de nombreux avantages. Le sinistre étant acté dès lors qu'un indice indépendant vient franchir un seuil contractuel, ils permettent des délais d'indemnisation très courts, de l'ordre d'une semaine. Ce type de produit d'assurance n'étant pas sujet à l'aléa moral ou au risque d'anti-sélection, il tend à se développer dans de nombreux secteurs de l'assurance IARD, notamment concernant la couverture des risques météo-sensibles. Toutefois, un des défauts majeurs de l'assurance indicielle reste la difficulté de la mise en place d'un nouveau produit. Dans le cadre de ce mémoire, plusieurs procédés permettant l'accélération d'une telle procédure seront proposés et intégrés au sein d'un package Python. Ces ainsi nommés "accélérateurs" porteront sur différents points essentiels à la mise en place d'une couverture indicielle. L'extraction automatisée de données météorologiques massives issues de la NASA ainsi que l'implémentation d'une méthode permettant d'augmenter la résolution spatiale d'une variable réponse appelée "support du risque" permet de grandement simplifier l'extraction ainsi que le retraitement des données nécessaires à la construction d'un indice. Afin de rendre plus accessible la création de ce dernier, la mise en place de réseaux de neurones de type perceptron multi-couches a été automatisée via plusieurs procédures parmi lesquelles se trouve l'algorithme AdaNet, publié par Google Research à l'occasion de l'ICLM 2017. Les procédés étudiés dans le cadre de ce mémoire sont vulgarisés et accompagnés d'outils adaptés aux problèmes soulevés par la mise en place d'une couverture indicielle. En guise d'illustration, les accélérateurs proposés seront appliqués à la couverture contre les aléas météorologiques des pertes d'exploitation des centrales solaires.

Abstract
Index-based insurance products have many advantages. As the claim is recorded as soon as an independent index crosses a contractual threshold, they allow for very short compensation delays, in the order of one week. Since this type of insurance product is not subject to moral hazard or anti-selection risk, it is expanding in many sectors of property and casualty insurance, particularly with regard to the coverage of weather-sensitive risks. However, one of the major shortcomings of index-based insurance is the difficulty of developing a new product. Within the framework of this thesis, several processes allowing the acceleration of such a procedure will be proposed and integrated within a Python package. These so-called "accelerators" will focus on various points essential to the implementation of an index-based insurance cover. The automated extraction of massive meteorological data from NASA and the implementation of a method to increase the spatial resolution of a response variable called "risk carrier" greatly simplifies the extraction and reprocessing of the data required to construct an index. In order to make the creation of the latter more accessible, the implementation of multi-layer perceptron neural networks has ben automated through several procedures including the algorithm "AdaNet", published by Google Research on the occasion of the ICLM 2017. The processes strudied in this thesis are presented in a simplified form and are accompanied by tools adapted to the problems raised by the implementation of an index-based insurance solution. As an example, all the proposed accelerators will be applied to cover the operating losses of solar power plants against meteorological hazards.

Mémoire complet