Mémoires d'Actuariat
Lissage des résidus par Krigeage dans la création d'un zonier : Application sur un portefeuille MRH
Auteur(s) DENNIEL C.
Société Addactis France
Année 2021
Résumé
L'objectif du mémoire est de revisiter la méthodologie classique de construction d’un zonier, notamment en y intégrant une nouvelle approche pour le lissage des résidus : le Krigeage. On propose de passer d’un lissage classique à un lissage « prédictif » où il sera possible à la fois de choisir une structure de lissage adéquate aux données, mais également d’ajouter des informations complémentaires à la géolocalisation du portefeuille lors du lissage. La démarche de ce mémoire est de comparer le lissage par Krigeage avec le lissage par crédibilité et la prédiction des résidus par XGBoost (et des données externes), deux méthodes classiques pour le zonier. Cette comparaison se basera sur un portefeuille Multi-Risques Habitation et permettra de mettre en lumière les atouts du Krigeage, mais aussi les liens avec les autres méthodes de lissage et ses limites. Ce mémoire propose une méthodologie d'optimisation des paramètres pour avoir un meilleur lissage des résidus et un moyen de réduire les temps de calcul du modèle.
Abstract
The aim of the thesis is to refine the classic way to make a zoning, including a new appoach for the residuals smoothing : Kriging models. It suggests to move from a classical smoothing to a "predictive" smoothing, where it will be possible to choose both an appropriate smoothing structure for the data and additional information about the geopositioning of the portfolio during the smoothing. The methodology of this paper is to compare the smoothing by Kriging with the smoothing using a credibility approach and the residuals prediction by a XGBoost algorithm (and external data), two classical ways to make a zoning. This comparison is based on a home insurance portfolio and highlights the Kriging assets, the links with the other smoothing approaches and its limits. This thesis puts forward an optimization methodology of parameters to get a better residuals smoothing and a way to reduce the computing time of the model.
Mémoire complet
Auteur(s) DENNIEL C.
Société Addactis France
Année 2021
Résumé
L'objectif du mémoire est de revisiter la méthodologie classique de construction d’un zonier, notamment en y intégrant une nouvelle approche pour le lissage des résidus : le Krigeage. On propose de passer d’un lissage classique à un lissage « prédictif » où il sera possible à la fois de choisir une structure de lissage adéquate aux données, mais également d’ajouter des informations complémentaires à la géolocalisation du portefeuille lors du lissage. La démarche de ce mémoire est de comparer le lissage par Krigeage avec le lissage par crédibilité et la prédiction des résidus par XGBoost (et des données externes), deux méthodes classiques pour le zonier. Cette comparaison se basera sur un portefeuille Multi-Risques Habitation et permettra de mettre en lumière les atouts du Krigeage, mais aussi les liens avec les autres méthodes de lissage et ses limites. Ce mémoire propose une méthodologie d'optimisation des paramètres pour avoir un meilleur lissage des résidus et un moyen de réduire les temps de calcul du modèle.
Abstract
The aim of the thesis is to refine the classic way to make a zoning, including a new appoach for the residuals smoothing : Kriging models. It suggests to move from a classical smoothing to a "predictive" smoothing, where it will be possible to choose both an appropriate smoothing structure for the data and additional information about the geopositioning of the portfolio during the smoothing. The methodology of this paper is to compare the smoothing by Kriging with the smoothing using a credibility approach and the residuals prediction by a XGBoost algorithm (and external data), two classical ways to make a zoning. This comparison is based on a home insurance portfolio and highlights the Kriging assets, the links with the other smoothing approaches and its limits. This thesis puts forward an optimization methodology of parameters to get a better residuals smoothing and a way to reduce the computing time of the model.
Mémoire complet
