Mémoires d'Actuariat
Utilisation de réseaux bayésiens pour le provisionnement de sinistres en assurance non vie
Auteur(s) FAVRE F.
Société Allianz Partners
Année 2021
Résumé
Le groupe Allianz Partners impose un processus de provisionnement impliquant une méthode dite « roll forward » pour laquelle il faut estimer les provisions de sinistres de façon trimestrielle, sur la base des données du trimestre précédent. Des réseaux bayésiens peuvent être utilisés pour prédire dans les triangles de développement des paiements, non seulement le premier terme du développement, mais aussi le premier facteur de développement, qui sont tous deux très structurants pour fiabiliser la charge à l’ultime, et aussi par conséquence la valeur du ratio de sinistres sur primes pour l’année comptable. Un enjeu technique particulier dans le cadre de l’acquisition des deux paramètres est le traitement de la saisonnalité à partir de données catégorielles. Les résultats sont concluants puisqu’il y a une amélioration de la méthode DFM (Chain Ladder), sur le périmètre étudié (assistance automobile et assistance voyage), avec un gain moyen de 1,3% observé sur le ratio sinistre sur prime. Mots clés : Réseaux Bayésiens, Apprentissage automatique (« machine learning »), provisionnement non-vie, saisonnalité
Abstract
Allianz Partners Group is applying a « roll forward » methodology in which quarterly reserves are to be calculated based on information that are collected in the former quarter. Bayesian networks can be used to predict more accurate components of some development triangles (not only initial payment for an incident period, but also a first development factor). Those two factors are key to build a reliable ultimate value, which consequently, ensure a better accuracy of the loss ratios. A particular issue was to derivate accurate parameters from categorical inferenced data, considering seasonality. Results are conclusive as experience indicated that for the defined scope (Car Assistance and Travel Assistance), DFM method (Chain ladder) performance was improved with an average gain of +1,3 % on forecasted loss ratios. Key words: Bayesian networks, machine learning, non-life reserving, seasonality
Mémoire complet
Auteur(s) FAVRE F.
Société Allianz Partners
Année 2021
Résumé
Le groupe Allianz Partners impose un processus de provisionnement impliquant une méthode dite « roll forward » pour laquelle il faut estimer les provisions de sinistres de façon trimestrielle, sur la base des données du trimestre précédent. Des réseaux bayésiens peuvent être utilisés pour prédire dans les triangles de développement des paiements, non seulement le premier terme du développement, mais aussi le premier facteur de développement, qui sont tous deux très structurants pour fiabiliser la charge à l’ultime, et aussi par conséquence la valeur du ratio de sinistres sur primes pour l’année comptable. Un enjeu technique particulier dans le cadre de l’acquisition des deux paramètres est le traitement de la saisonnalité à partir de données catégorielles. Les résultats sont concluants puisqu’il y a une amélioration de la méthode DFM (Chain Ladder), sur le périmètre étudié (assistance automobile et assistance voyage), avec un gain moyen de 1,3% observé sur le ratio sinistre sur prime. Mots clés : Réseaux Bayésiens, Apprentissage automatique (« machine learning »), provisionnement non-vie, saisonnalité
Abstract
Allianz Partners Group is applying a « roll forward » methodology in which quarterly reserves are to be calculated based on information that are collected in the former quarter. Bayesian networks can be used to predict more accurate components of some development triangles (not only initial payment for an incident period, but also a first development factor). Those two factors are key to build a reliable ultimate value, which consequently, ensure a better accuracy of the loss ratios. A particular issue was to derivate accurate parameters from categorical inferenced data, considering seasonality. Results are conclusive as experience indicated that for the defined scope (Car Assistance and Travel Assistance), DFM method (Chain ladder) performance was improved with an average gain of +1,3 % on forecasted loss ratios. Key words: Bayesian networks, machine learning, non-life reserving, seasonality
Mémoire complet
