Mémoire d'actuariat

Méthodes de machine learning en provisionnement non-vie : constitution de provisions dossier/dossier pour des sinistres de protection juridique
Auteur(s) KIEMA Fabrice
Société ADDACTIS Software
Année 2018
Confidentiel jusqu'au 22/11/2020

Résumé
Pour faire face à leurs engagements futurs, les organismes d'assurance sont tenus de constituer des provisions dès la déclaration d'un sinistre. Ces provisions dites provisions dossier/dossier d'ouverture sont évaluées différemment d'un assureur à un autre, conduisant à considérer plusieurs approches. Les assureurs envisages de plus en plus l'approche visant à l'utilisation ligne à ligne de leur base de sinistres. Plusieurs travaux ont notamment été menés sur le provisionnement ligne à ligne tout en se déclinant comme une alternative aux méthodes classiques. La principale motivation de ce mémoire porte sur le calcul de provisions dossier/dossier d'ouverture. Ainsi, pour un nouveau sinistre, nous cherchons à évaluer la provision dossier/dossier d'ouverture à constituer selon différentes caractéristiques initiales ; quant aux sinistres préalablement existants dans la base, nous souhaitons challenger les provisions d'ouverture des gestionnaires et celles estimées par les modèles. Il est ainsi question, à terme, de proposer à des gestionnaires de sinistres une grille d'évaluation des provisions dossier/dossier. Cette grille est intrinsèquement liée à la branche d'assurance considérée, qui dans le cadre de ce mémoire, est la protection juridique et aussi aux données de l'assureur. Pour mener à bien ces travaux, nous nous appuyons sur des méthodes de machine learning et notamment celles basées sur les arbres de régression et sur les réseaux de neurones. Une comparaison des trois méthodes est présentée pour un choix ultime d'un modèle d'implémentation.

Abstract
To fulfill their future liabilities, insurance companies are required to book reserves as soon as a claim occures. These reserves known as the case estimates are assessed differently from one insurer to another, leading to consider several approaches. However, insurers are increasingly considering the approach linked to the direct use of the individual claims. Several studies have been carried out on individual claims reserving and, from the most, on the calculation of technical reserves. The main motivation of this thesis is to compute opening case estimates reserves at the date of reporting. Thus, regarding a new claim, we seek to evaluate the case estimates conditionally established to the knowkedge of initial characteristics ; as for the pre-existing cliams in the database, we want to challenge the opening reserves of the managers and those estimated by the models. A second motivation has an oprational goal: provide to the claims managers an evaluation grid of the case estimates. This grid is intrinsecally linked to the line of business considered, which is legal espenses. To carry out this work, we rely on machine learning methods and especially those based on regression trees and neural networks.