Mémoire d'actuariat

Résiliation en ADE : Construction d'une loi par apprentissage automatique
Auteur(s) YILDIZ Noël
Société Natixis assurances
Année 2019
Confidentiel jusqu'au 03/12/2021

Résumé
Historiquement dominé par les contrats groupe des bancassureurs, le marché de l'assurance emprunteur a connu plusieurs réformes règlementaires : la loi Lagarde en 2010, la loi Hamon en 2014, qui permit la résiliation la première année et enfin l'amendement Bourquin en 2018 qui autorise la résiliation à chaque date anniversaire du contrat. Ces mesures entraînent le départ des meilleurs profils de risque vers des contrats individuels plus avantageux pour eux. L'objectif de ce mémoire est de déterminer les facteurs explicatifs de la résiliation de l'assurance emprunteur, puis de modéliser celle-ci à l'aide des méthodes d'apprentissage automatique. La première partie définira le cadre de ce mémoire, présentera les évolutions règlementaire ainsi qu'une exploration des données afin de déterminer les facteurs explicatifs du phénomène de résiliation. La deuxième partie sera consacrée à la présentation des algorithmes d'apprentissage automatique ainsi qu'à la modélisation des probabilités de résiliation en deux parties : les résiliations durant la première année de contrat (loi Hamon) et les résiliations à échéance annuelle (amendement Bourquin). Pour chaque partie, le modèle le plus performant, selon les métriques choisies, sera retenu pour la construction des lois de résiliation. Cette modélisation aboutira sur la construction de taux de résiliation dans la troisième partie, qui seront ajustés et validés. Les taux obtenus seront finalement comparés à des taux construits par une approche plus classique, à l'aide de l'estimateur de Kaplan-Meier.

Abstract
historically dominated by contracts of the bankinsurer, the loan insurance market faced many regulatory reforms: Lagarde's law in 2010, Hamon's law in 2014, which allowed the cancellation during the first year, and finally the Bourquin's amendment in 2018 which authorized the cancellation at each anniversary date of the contract. This measures cause the leavingof the best profiles into individual contracts more advantageous for them. The objective of this memory is to identity the explanatory factors of the loan insurance cancellation, then model this thanks to machine learning's methodology. The first part will define the framework of this memory, show the regulatory evolutions thus an exploration of the data to determine the explanatory factors of the cancellation's phenomena. The second part will be devoted to the presentation of the machine learning algorithms thus the model of cancellation's probabilities in two parts: the cancellations during the first year of the contract (Hamon's law) and the cancellations at annual deadline (Bourquin's amendment). For each part, the most relevant model, according to the chosen metrics, will be selected for the creation of the cancellation laws. This model ends in the creation of cancellation rates in the third part, which will be adjsuted and validated. The rates will finally be compared to rates build with a more classical approach, thanks to Kaplan-Meier estimator.