Application de l'apprentissage profond au provisionnement agrégé non-vie

L'Institut des actuaires a le plaisir de vous inviter à la présentation du mémoire d'Asaph TAPSOBA sur le thème Application de l'apprentissage profond au provisionnement agrégé non-vie.

Cette présentation aura lieu jeudi 1er février à 12h30.

Vous pouvez vous inscrire ICI.

Assister à cette conférence vous permettra d'ajouter 6 points à votre score de Perfectionnement Professionnel Continu.

Résumé

Le calcul de la provision pour sinistre à payer (PSAP) est un enjeu majeur en assurance non-vie. Le cadre réglementaire solvabilité 2 impose que l’estimation de la PSAP qui matérialise les engagements de l’assureur vis-à-vis des assurés sinistrés, soit la meilleure estimation possible à tout instant. Les actuaires doivent donc recourir à des méthodes de plus en plus performantes et variées pour s’aider dans cette tâche. L’apprentissage statistique qui s’est illustré dans plusieurs domaines par sa qualité prédictive est de plus en plus sollicité dans le secteur de l’assurance, notamment en provisionnement. Dans le cadre de ce mémoire nous nous intéressons à deux modèles proposés par Andrea Gabrielli qui permettent d’intégrer un modèle classique de régression paramétrique dans une architecture de réseaux de neurones. Ces modèles ont comme point de départ de leurs calibrations exactement le modèle classique considéré. Ce choix d’initialisation des réseaux de neurones garantit la stabilité des modèles et accélère l’apprentissage. Nous allons considérer comme modèle classique le GLM Poisson sur-dispersé qui fournit sous certaines hypothèses les mêmes estimations que le modèle de Chain-Ladder qui est une méthode de référence en provisionnement non-vie. Cela nous permettra ensuite d’effectuer plus aisément une étude comparative entre les nouveaux modèles proposés et ce modèle de référence. Nous avons utilisé la cliométrie pour améliorer les projections actuarielles de mortalité, afin de mieux gérer les risques en assurance vie dans les pays en développement et émergents. Les pays développés ont un historique de taux de mortalité par âge datant de plusieurs générations, tandis que les pays émergents et en développement disposent de données moins complètes. D’abord, nous avons développé un modèle interne à facteurs PCR-optimal ou PLS pour améliorer la modélisation de la mortalité par âge. Ensuite, nous avons introduit une stratégie composite pour modéliser les différents âges d'une population, permettant une modélisation indépendante de la mortalité de chaque âge. Par ailleurs, nous avons développé un modèle mixte cliométrique et composite pour améliorer les prévisions à long terme des mortalités dans les pays en rattrapage transitionnel en utilisant l'histoire quantitative des mortalités des pays transitionnellement plus âgés. De plus, nous avons développé un ensemble de modèles cliométriques composites à référence externe pour les pays les moins avancés qui souffrent souvent d'un manque de données historiques. Nous avons ainsi créé plusieurs modèles externes cliométriques et composites adaptés de différents modèles classiques pour aider à surmonter le manque de données historiques. Enfin, les résultats empiriques montrent que ces modèles peuvent aider à améliorer les projections de mortalité dans les pays en développement et émergents, en particulier pour les pays les moins avancés. Cette approche offre donc de nouvelles possibilités pour la modélisation de la mortalité par âge et la gestion des risques en assurance vie.