Sequential Mortality Modeling with Deep recurrent Models

L'Institut des actuaires a le plaisir de vous inviter à la présentation du mémoire de Louise Ferbach sur le thème : Sequential Mortality Modeling with Deep recurrent Models.

Cette présentation aura lieu lundi 26 septembre à 12h30.

Vous pouvez vous inscrire ICI

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

Résumé :

Ces dernières années ont vu une accélération croissante de la transformation numérique de l’assurance, qui s’explique par plusieurs facteurs. Tout d’abord, la prise de conscience par les dirigeants d’entreprises de l’importance des données pour évaluer les risques de décès, dépendance, emprunteur... D’autre part, le besoin d’infrastructure performante pour stocker, analyser, et gouverner des données sensibles (contenant des informations personnelles) toujours plus volumineuses. Enfin, la Covid-19 a été un facteur de prise de conscience très puissant et a fortement incité les entreprises à massivement investir dans l’informatique pour rendre le télétravail possible, phénomène qui en s’étendant à la télémédecine rend la collecte de données de santé numériques possible à une bien plus large échelle qu’on ne le pensait jusqu’alors. Ces changements ont permis aux départements de gestion des sinistres et de souscription de profondément repenser leurs systèmes en automatisant les tâches à faible valeur ajoutée pour pouvoir se concentrer sur l’innovation : nouveau produits d’assurance, partenariat avec des insurtechs et hôpitaux, services intelligents aux clients... Dans un monde numérique collectant toujours plus de données (voitures connectées, smart watches... ), les assureurs doivent se préparer à comprendre ces nouveaux flux de données pour mesurer les risques et les prévenir.
Ce mémoire propose donc une construction de simulateur de séries temporelles biométriques (indice de masse corporelle, tension artérielle systolique et diastolique) impactant le risque instantané de mortalité.
A partir des données générées, l’étude montre que de simples modèles de machine learning adaptés à la modélisation de la mortalité donnent des résultats satisfaisants. Cependant, ces modèles de classification reposent sur une hypothèse forte d’indépendance entre les observations enregistrées à chaque pas de temps. Ce mémoire présente l’architecture d’un modèle de deep learning récurrent ainsi que son implémentation en Pytorch, une librairie Python pour le deep learning. Ces modèles séquentiels sont utiles pour des équipes de tarification afin de mesurer des sensibilités du prix d’une couverture à l’évolution future du mode de vie d’un assuré (alimentation, activité physique, stress...).
Ce mémoire d’actuaire orienté recherche apporte un nouveau regard sur la modélisation de la survie grâce aux réseaux récurrents appliqués à l’évolution du profil biométrique d’un assuré. L’étude présente des résultats innovants de tarification adaptative au fil de l’évolution de données biomédicales, plus proches des mortalités réelles que les modèles statiques traditionnels. D’autre part, les modèles de mortalité présentés mesurent seulement la mortalité instantannée en fonction de variables biométriques mais ne possèdent pas de capacité prédictive sur les scénarios biométriques en eux-mêmes. La modélisation des séries temporelles des covariables pourrait être une solution pour prédire un scénario probable d’évolution de la santé de l’assuré à partir d’événements disponibles pour le tarificateur.