Présentation de mémoire - Prix SCOR

L'Institut des actuaires a le plaisir de vous inviter à la présentation du mémoire de Silvia Bucci sur le thème : "Étude et implémentation de techniques d’analyse de sensibilité dans les modèles de tarification Non-Vie. Application à la tarification à l’adresse".

Silvia Bucci, actuaire associée IA, a reçu le Prix SCOR des jeunes actuaires 2021 pour ce mémoire.

Cette présentation aura lieu mardi 15 mars à 12h30.

Vous pouvez dès à présent vous inscrire ICI

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

Résumé :

Le marché de l’assurance a beaucoup évolué depuis les deux dernières décennies grâce à la digitalisation du parcours de souscription, à l’exploitation du Big Data et aux techniques d’apprentissage automatique (forêt aléatoire, xgboost, CART, réseaux neurones, ...) qui fournissent à l’assureur une connaissance très fine du risque.

Cependant, dans la littérature actuarielle, peu d’articles vont au-delà du modèle linéaire généralisé (GLM) et peu d’assureurs utilisent les méthodes de machine learning comme modèle de tarification pour leur sinistralité, bien qu’on leur reconnaisse un meilleur pouvoir prédictif. Il y a principalement trois raisons à ce choix :

• le manque d’interprétabilité dû à l’effet boîte noire des modèles de Machine Learning,
• la complexité dans la mise en place de ces modèles, car on s’éloignerait du mécanisme de calculette tarifaire,
• et une contrainte éthique puisque l’utilisation du machine learning dans la tarification peut conduire à une "hyper-personnalisation du risque".

L’alternative la plus utilisée pour améliorer les modèles linéaires généralisés est l’ajout manuel des termes d’interaction parmi les variables explicatives dans l’équation tarifaire suivi par un test de significativité.

Cette pratique est toutefois très limitée car les interactions à tester peuvent être nombreuses et demander un coût algorithmique non négligeable.

Pour pallier ceci, une méthodologie de détection d’interactions plus robuste que celle traditionnelle a été développée dans le cadre de ce mémoire, dans une vision plutôt inclusive et collaborative entre les modèles de machine learning et des modèles linéaires généralisés.

Ainsi, en supposant que l’interaction statistique est une manifestation de la complexité des modèles black box, l’optimisation d’un GLM simple à l’aide des interactions bénéficie des gains opérationnels et de la performance des modèles d’apprentissage automatique. Les algorithmes et les outils de détection employés (indices de Sobol et indices de SHAP) se basent sur les domaines de l’analyse de sensibilité et du plus récent Explainable Artificial Intelligence (XAI).

Ils sont les clés de relecture des modèles prédictifs, puisqu’ils visualisent et quantifient les impacts des variables d’entrée sur la sortie selon un "juste" partage. Le périmètre d’étude est un produit d’assurance Multirisques habitation (MRH) pour la garantie dégâts des eaux où les données sont individualisées à l’adresse.