Mémoires d'Actuariat
Apport des méthodes de Machine learning sur la modélisation des taux de Résiliation en Assurance Emprunteur
Auteur(s) BOISADAM S.
Société Addactis
Année 2021
Résumé
Mots clés : assurance emprunteur, résiliation, modélisation, Kaplan-Meier, Whittaker-Henderson, arbre de décision, forêts aléatoires, XGBoost, forêts aléatoires de survie. L’assurance emprunteur intervient lors de la contraction d’un prêt. Suite aux récentes évolutions législatives, et notamment l’amendement Bourquin, une résiliation annuelle sans aucune modification du prêt sous-jacent est désormais possible. Cette forme de résiliation vient s’ajouter à celle qui entraîne le rachat du crédit. Avec l’essor des méthodes de Machine Learning, l’objectif de ce mémoire est de confronter ces méthodes à une méthode actuarielle classique, tant d’un point de vue technique que financier, en se fondant sur une base de données possédant une quantité d’informations limitée. Dans une première partie, nous détaillerons les évolutions législatives et caractéristiques des contrats emprunteur. Ces caractéristiques intègrent les spécificités du marché mais aussi les garanties ainsi que les différents modes de remboursement et de tarification. Dans une seconde partie, les taux de résiliation seront modélisés à l’aide de l’estimateur de Kaplan-Meier et du lissage de Whittaker-Henderson. Ces taux serviront de base de comparaison pour les taux modélisés à l’aide des méthodes d’arbre de décision, de Random Forest et XGBoost. Dans une dernière partie, une étude d’impacts sera réalisée au travers de l’analyse de la valeur actuelle probable des résultats futurs. Celle-ci permettra d’évaluer la pertinence des méthodes de Machine Learning. Enfin, un intérêt particulier sera apporté à l’influence des variables, à la notion de censure pour les méthodes de Machine Learning avec l’implémentation de la méthode Random Survival Forest ainsi qu’aux opportunités offertes en matière de segmentation des tarifs.
Abstract
Key words : credit insurance, termination, modeling, Kaplan-Meier, Whittaker-Henderson, decision tree, Random Forest, XGBoost. The credit insurance is involved when taking out a loan. Following the recent legislative changes, and in particular the Bourquin amendment, an annual termination without any modification of the underlying loan is now possible. This form of termination is in addition to the one that leads to credit buyout. With the development of Machine Learning methods, this works aims to confront these methods with a classical actuarial method, both from a technical and financial point of view, based on a database with a limited amount of information. Firstly, the legislative évolutions and characteristics of the loan contracts will be detailed. These characteristics integrate the market specificities but also guarantees, different modes of reimbursement and pricing. Secondly, the termination rates will be modeled unsing Kaplan-Meier estimator and Whittaker-Henderson smoothing. These rates will be used as basis for comparison with rates modeled using the decision tree, Random Forest and XGBoost methods. Lastly, an impact study will be carried out through the analysis of the expected present value of future results. This will allow to evaluate the revelance of Machine Learning methods. Finally, special interest will be paid to the influence of variables, to the notion of censorship for Machine Learning methods with the implementation of the Random Survival Forest method, and to the opportunities offered in terms of prices segmentation.
Mémoire complet
Auteur(s) BOISADAM S.
Société Addactis
Année 2021
Résumé
Mots clés : assurance emprunteur, résiliation, modélisation, Kaplan-Meier, Whittaker-Henderson, arbre de décision, forêts aléatoires, XGBoost, forêts aléatoires de survie. L’assurance emprunteur intervient lors de la contraction d’un prêt. Suite aux récentes évolutions législatives, et notamment l’amendement Bourquin, une résiliation annuelle sans aucune modification du prêt sous-jacent est désormais possible. Cette forme de résiliation vient s’ajouter à celle qui entraîne le rachat du crédit. Avec l’essor des méthodes de Machine Learning, l’objectif de ce mémoire est de confronter ces méthodes à une méthode actuarielle classique, tant d’un point de vue technique que financier, en se fondant sur une base de données possédant une quantité d’informations limitée. Dans une première partie, nous détaillerons les évolutions législatives et caractéristiques des contrats emprunteur. Ces caractéristiques intègrent les spécificités du marché mais aussi les garanties ainsi que les différents modes de remboursement et de tarification. Dans une seconde partie, les taux de résiliation seront modélisés à l’aide de l’estimateur de Kaplan-Meier et du lissage de Whittaker-Henderson. Ces taux serviront de base de comparaison pour les taux modélisés à l’aide des méthodes d’arbre de décision, de Random Forest et XGBoost. Dans une dernière partie, une étude d’impacts sera réalisée au travers de l’analyse de la valeur actuelle probable des résultats futurs. Celle-ci permettra d’évaluer la pertinence des méthodes de Machine Learning. Enfin, un intérêt particulier sera apporté à l’influence des variables, à la notion de censure pour les méthodes de Machine Learning avec l’implémentation de la méthode Random Survival Forest ainsi qu’aux opportunités offertes en matière de segmentation des tarifs.
Abstract
Key words : credit insurance, termination, modeling, Kaplan-Meier, Whittaker-Henderson, decision tree, Random Forest, XGBoost. The credit insurance is involved when taking out a loan. Following the recent legislative changes, and in particular the Bourquin amendment, an annual termination without any modification of the underlying loan is now possible. This form of termination is in addition to the one that leads to credit buyout. With the development of Machine Learning methods, this works aims to confront these methods with a classical actuarial method, both from a technical and financial point of view, based on a database with a limited amount of information. Firstly, the legislative évolutions and characteristics of the loan contracts will be detailed. These characteristics integrate the market specificities but also guarantees, different modes of reimbursement and pricing. Secondly, the termination rates will be modeled unsing Kaplan-Meier estimator and Whittaker-Henderson smoothing. These rates will be used as basis for comparison with rates modeled using the decision tree, Random Forest and XGBoost methods. Lastly, an impact study will be carried out through the analysis of the expected present value of future results. This will allow to evaluate the revelance of Machine Learning methods. Finally, special interest will be paid to the influence of variables, to the notion of censorship for Machine Learning methods with the implementation of the Random Survival Forest method, and to the opportunities offered in terms of prices segmentation.
Mémoire complet
