Mémoires d'Actuariat
Méthodes de prédiction de la sinistralité et analyse des dépendances du risque cyber
Auteur(s) VALDIKUS I.
Société Forsides
Année 2023
Confidentiel jusqu'au 14/06/2024
Résumé
Le risque cyber est un risque émergent qui se place à la première place des risques les plus redoutés par les entreprises. Le nombre d'incidents cyber a augmenté de façon exceptionnelle depuis des années, mais les coûts pour l'économie restent difficiles à estimer. Le potentiel dévastateur du risque cyber peut être similaire à celui des catastrophes naturelles, mais la réponse apportée par les assureurs reste encore timide. Dans le contexte actuel d’absence de données des sinistres, le risque cyber reste l’un des risques le plus difficile à chiffrer et à modéliser. Cependant les conséquences d’un incident cyber peuvent être dramatiques. L’objectif de ce mémoire est d’essayer d’approfondir les connaissances de ce risque en s’appuyant sur les données de la table PRC et d’étudier des modèles de prédiction de la sinistralité cyber ainsi que la dépendance entre des attaques, et ce afin d’apporter une meilleure compréhension du risque dans le cadre assurantiel. La première partie de ce mémoire a pour objet de présenter le contexte de l’étude, le risque cyber et les problématiques posées par ce risque émergent. La deuxième partie est consacrée à la présentation de la base des données utilisée dans le cadre de ce mémoire, suivie par l’analyse comparative des méthodes de prédiction de la gravité des sinistres issues des Séries Temporelles et des méthodes du Machine Learning. La troisième partie est consacrée à l’étude des dépendances observées entre les sinistres et leur modélisation par les méthodes de copules. Enfin une application dans le cadre assurantiel est présentée dans la dernière partie.
Abstract
Cyber risk is an emerging risk that ranks first among the most feared by companies. The number of cyber incidents has been rising sharply for years, but the costs to the economy remain difficult to estimate. The devastating potential of cyber risk can be similar to that of natural disasters, but the response from insurers is still timid. In the current context of lack of claims data, cyber risk remains one of the most difficult risks to quantify and model. However, the consequences of a cyber incident can be dramatic. The objective of this paper is to try to deepen the knowledge of this risk based on the data of the PRC table and to study predictive models of the cyber loss experience as well as the dependency structure of attacks, in order to bring a better understanding of the risk in the insurance framework. The first part of this paper presents the context of the study, the cyber risk and the issues raised by this emerging risk. The second part is devoted to the presentation of the database used in this work, followed by the comparative analysis of the methods of prediction of the severity of the losses resulting from the Time Series and the Machine Learning methods. The third part is devoted to the study of the observed dependencies between claims and their modeling by copula methods. Finally, an application in the insurance context is presented in the last part.
Auteur(s) VALDIKUS I.
Société Forsides
Année 2023
Confidentiel jusqu'au 14/06/2024
Résumé
Le risque cyber est un risque émergent qui se place à la première place des risques les plus redoutés par les entreprises. Le nombre d'incidents cyber a augmenté de façon exceptionnelle depuis des années, mais les coûts pour l'économie restent difficiles à estimer. Le potentiel dévastateur du risque cyber peut être similaire à celui des catastrophes naturelles, mais la réponse apportée par les assureurs reste encore timide. Dans le contexte actuel d’absence de données des sinistres, le risque cyber reste l’un des risques le plus difficile à chiffrer et à modéliser. Cependant les conséquences d’un incident cyber peuvent être dramatiques. L’objectif de ce mémoire est d’essayer d’approfondir les connaissances de ce risque en s’appuyant sur les données de la table PRC et d’étudier des modèles de prédiction de la sinistralité cyber ainsi que la dépendance entre des attaques, et ce afin d’apporter une meilleure compréhension du risque dans le cadre assurantiel. La première partie de ce mémoire a pour objet de présenter le contexte de l’étude, le risque cyber et les problématiques posées par ce risque émergent. La deuxième partie est consacrée à la présentation de la base des données utilisée dans le cadre de ce mémoire, suivie par l’analyse comparative des méthodes de prédiction de la gravité des sinistres issues des Séries Temporelles et des méthodes du Machine Learning. La troisième partie est consacrée à l’étude des dépendances observées entre les sinistres et leur modélisation par les méthodes de copules. Enfin une application dans le cadre assurantiel est présentée dans la dernière partie.
Abstract
Cyber risk is an emerging risk that ranks first among the most feared by companies. The number of cyber incidents has been rising sharply for years, but the costs to the economy remain difficult to estimate. The devastating potential of cyber risk can be similar to that of natural disasters, but the response from insurers is still timid. In the current context of lack of claims data, cyber risk remains one of the most difficult risks to quantify and model. However, the consequences of a cyber incident can be dramatic. The objective of this paper is to try to deepen the knowledge of this risk based on the data of the PRC table and to study predictive models of the cyber loss experience as well as the dependency structure of attacks, in order to bring a better understanding of the risk in the insurance framework. The first part of this paper presents the context of the study, the cyber risk and the issues raised by this emerging risk. The second part is devoted to the presentation of the database used in this work, followed by the comparative analysis of the methods of prediction of the severity of the losses resulting from the Time Series and the Machine Learning methods. The third part is devoted to the study of the observed dependencies between claims and their modeling by copula methods. Finally, an application in the insurance context is presented in the last part.
