Mémoire d'actuariat

Homogénéité des risques : application à la sinistralité en assurance non-vie
Auteur(s) WEI Junqi
Société PwC
Année 2018

Résumé
En assurance non-vie, la modélisation de la prime pure repose sur des hypothèses fortes sur la distribution des risques. L'hétérogénéité des risques peut potentiellement remettre en question ces hypothèses et ainsi la robustesse du modèle sous-jacent. C'est dans ce cadre que s'inscrit ce mémoire, dont l'objectif consiste à détecter les groupes de risques homogènes dans un but de mieux prédire les sinistres d'une manière automatique. A cet effet, deux principales approches sont présentées : l'approche à posteriori et l'approche a priori. En s'appuyant sur les algorithmes d'apprentissage automatique, différentes méthodes dans les deux approches sont proposées. Elles sont mises en place sur un portefeuille d'assurance automobile. Les résultats ainsi obtenus sont discutés. Nous en déduisons que la détection des groupes de risques homogènes permet effectivement d'augmenter les capacités prédictives des modèles.

Abstract
In non-life insurance, the rating models of the pure premium are based on the hypotheses of the distribution of the risks. The heterogeneity of the risks may challenge these hypotheses and therefore the robusteness of the rating models considered. This paper is written to examine this issue. Its objective consists of detecting homogeneous risk groups with the aim of a better prediction of the losses in an automatic way. Two approaches - the a priori approach and the a posteriori approach. Several machine learning based methods are proposed. They are implemented on a motor insurance portfolio. The results thus obtained are discussed. It is concluded that the detection of homogeneous risk groups contribute to improving the robustness of the rating models and thus to achieving better predictive capacities.

Mémoire complet