Mémoire d'actuariat

Travel pricing sophistication with GLM and Machine Learning approaches
Auteur(s) QIU Jinhong
Société Europ Assistance Holding
Année 2017
Confidentiel jusqu'au 21/09/2022

Résumé
Une analyse statistique holistiques est souvent utilisée et donne de bons résultats dans la tarification des produits d'assurance voyage. Cependant, au cours des dernières années, le marché de l'assurance voyage est devenu plus vaste et complexe à cause du développement de l'industrie du voyage et surtout, de la mondialisation. Par conséquent, la simple analyse statistique holistique existante n'est plus suffisante aujourd'hui. L'assurance voyage doit adapter son système de tarification à l'environnement actuel et chercher d'autres outils en raison du dynamisme du marché. Dans ce contexte, le concept de la sophistication des prix a été introduit dans l'assurance voyage pour lequel la base est la segmentation du risque. Tout d'abord, le Modèle Linéaire Généralisé (GLM) a été utilisé pour modéliser les primes pures. Par la suite, comme le Machine Learning est connu pour son efficacité et son exactitude dans beaucoup de domaines, nous modélisons la prime pure par différentes méthodes de Machine Learning, en particulier basées sur le modèle de l'arbre en régression. En appliquant ces modèles sur trois portefeuilles différents, nous allons comparer les résultats obtenus par GLM avec ceux obtenus via différentes approches de Machine Learning.

Abstract
A statistical holistic analysis is usually used and has a good performance in travel insurance pricing. However, in recent years, travel insurance market has changed to a bigger and more complicated one due to the development of travel industry, more importantly because of the globalization. Hence, the existing programmatic simple statistical holistic analysis is no longer satisfied for the current situation. Travel insurance industry needs to adjust the current pricing system to the current environment and to look for other pricing models due to its dynamic feature. Under this context, the concept of pricing sophistication has been introduced into travel insurance in which the base is the risk segementation. As the first step, the Generalized Linear Model (GLM) has been employed to price the pure premium. Then, as Machine Learning is known for its efficiency and accuracy in many domains, we estimate the pure premium in use of some Machine Learning methods, especially the tree - based regression models. By applying these models on three different portfolios, we will benchmark the results obtained by GLM with the ones obtained via different Machine Learning approaches.