Mémoires d'Actuariat
Provisionnement individuel du risque incendie par méthodes d’apprentissage automatique
Auteur(s) LOURME C.
Société Axa France
Année 2024
Confidentiel jusqu'au 18/04/2026
Résumé
Le provisionnement des sinistres à payer représente un aspect essentiel de l’exercice d’inventaire dans les compagnies d’assurances. Le calcul des provisions est très encadré par la réglementation, notamment par les normes comptables telles que les normes International Financial Reporting Standards et par les réformes réglementaires comme Solvabilité II. Il revient aux actuaires d’être en mesure d’estimer les provisions, de garantir leur suffisance et leur conformité. L’assurance non-vie ou « Incendie, Accidents et Risques Divers », couvre les dommages sur les biens des assurés ou envers les tiers. Parmi les différents contrats proposés en assurance non-vie, la multirisque habitation occupe une place importante sur le marché et permet de protéger les habitations et le mobilier des assurés. L’assurance multirisque habitation est composée de plusieurs garanties, dont l’incendie, caractérisée par un faible nombre de sinistres et une charge importante. Ainsi une attention particulière doit être portée à cette garantie, notamment dans le cadre du provisionnement non-vie où les méthodes mises en place habituellement, les méthodes de provisionnement agrégées, peuvent être sensibles à la volatilité de la fréquence et du coût moyen et donc de la charge sinistre de ce type de garantie. L’objectif de ce mémoire est de construire un modèle de provisionnement individuel afin d’apporter aux méthodes de provisionnement agrégées une seconde opinion sur l’estimation des provisions de la garantie incendie. Cette étude montre comment les méthodes d’apprentissage supervisé, non paramétriques, et plus particulièrement une méthode de boosting connue sous le nom d’eXtreme Gradient Boosting, peuvent être utilisées dans le cadre du provisionnement ligne à ligne pour obtenir des prévisions fiables dès la première année de développement des sinistres. Mots-clés : Provisionnement individuel, Apprentissage automatique, Arbres de régression, CART, Forêts aléatoires, Gradient Boosting Machine, XGBoost, Assurance Multirisque Habitation, Garantie incendie, Chain-Ladder.
Abstract
Outstanding claims reserving represents an important weight within insurance companies balance sheet. Claims reserving is highly regulated, in particular by accounting standards including International Financial Reporting Standards, and by regulatory reforms such as Solvency II. Actuaries must be able to estimate them, ensure their compliancy and their conformity. Non-life insurance, or "Property and Casualty", covers damage to policyholders’ property or to third parties. Household insurance, occupies an important place in the market and protects policyholders’ homes and possessions. Household insurance is made up of several types of cover, such as fire, which is characterized by very low claim frequency but with a quite high claim severity. Particular attention must therefore be paid to this insurance coverage, especially in the context of property and casualty claims reserving. Indeed, traditional aggregate reserving methods, can be sensitive to the volatility of the frequency and average cost, and therefore the loss charge of this type of cover. The aim of this study is to build an individual reserving model in order to complete aggregate reserving methods supplying a second opinion on the estimation of fire insurance reserves. This work shows how non-parametric supervised learning methods, and more specifically a boosting method known as eXtreme Gradient Boosting, can be used in the context of line-by-line reserving to assess reliable forecasts since the first year of claims development. Keywords : Individual claim reserving; Machine learning; Regression trees; CART; Random forests; Gradient Boosting Machine; XGBoost; household insurance; Fire cover; Chain-Ladder.
Auteur(s) LOURME C.
Société Axa France
Année 2024
Confidentiel jusqu'au 18/04/2026
Résumé
Le provisionnement des sinistres à payer représente un aspect essentiel de l’exercice d’inventaire dans les compagnies d’assurances. Le calcul des provisions est très encadré par la réglementation, notamment par les normes comptables telles que les normes International Financial Reporting Standards et par les réformes réglementaires comme Solvabilité II. Il revient aux actuaires d’être en mesure d’estimer les provisions, de garantir leur suffisance et leur conformité. L’assurance non-vie ou « Incendie, Accidents et Risques Divers », couvre les dommages sur les biens des assurés ou envers les tiers. Parmi les différents contrats proposés en assurance non-vie, la multirisque habitation occupe une place importante sur le marché et permet de protéger les habitations et le mobilier des assurés. L’assurance multirisque habitation est composée de plusieurs garanties, dont l’incendie, caractérisée par un faible nombre de sinistres et une charge importante. Ainsi une attention particulière doit être portée à cette garantie, notamment dans le cadre du provisionnement non-vie où les méthodes mises en place habituellement, les méthodes de provisionnement agrégées, peuvent être sensibles à la volatilité de la fréquence et du coût moyen et donc de la charge sinistre de ce type de garantie. L’objectif de ce mémoire est de construire un modèle de provisionnement individuel afin d’apporter aux méthodes de provisionnement agrégées une seconde opinion sur l’estimation des provisions de la garantie incendie. Cette étude montre comment les méthodes d’apprentissage supervisé, non paramétriques, et plus particulièrement une méthode de boosting connue sous le nom d’eXtreme Gradient Boosting, peuvent être utilisées dans le cadre du provisionnement ligne à ligne pour obtenir des prévisions fiables dès la première année de développement des sinistres. Mots-clés : Provisionnement individuel, Apprentissage automatique, Arbres de régression, CART, Forêts aléatoires, Gradient Boosting Machine, XGBoost, Assurance Multirisque Habitation, Garantie incendie, Chain-Ladder.
Abstract
Outstanding claims reserving represents an important weight within insurance companies balance sheet. Claims reserving is highly regulated, in particular by accounting standards including International Financial Reporting Standards, and by regulatory reforms such as Solvency II. Actuaries must be able to estimate them, ensure their compliancy and their conformity. Non-life insurance, or "Property and Casualty", covers damage to policyholders’ property or to third parties. Household insurance, occupies an important place in the market and protects policyholders’ homes and possessions. Household insurance is made up of several types of cover, such as fire, which is characterized by very low claim frequency but with a quite high claim severity. Particular attention must therefore be paid to this insurance coverage, especially in the context of property and casualty claims reserving. Indeed, traditional aggregate reserving methods, can be sensitive to the volatility of the frequency and average cost, and therefore the loss charge of this type of cover. The aim of this study is to build an individual reserving model in order to complete aggregate reserving methods supplying a second opinion on the estimation of fire insurance reserves. This work shows how non-parametric supervised learning methods, and more specifically a boosting method known as eXtreme Gradient Boosting, can be used in the context of line-by-line reserving to assess reliable forecasts since the first year of claims development. Keywords : Individual claim reserving; Machine learning; Regression trees; CART; Random forests; Gradient Boosting Machine; XGBoost; household insurance; Fire cover; Chain-Ladder.
