Mémoires d'Actuariat
Etude de méthodes de tarification sur un portefeuille automobile
Auteur(s) CHAPUT M.
Société Groupe Solly Azar
Année 2023
Confidentiel jusqu'au 13/06/2025
Résumé
Dans ce mémoire, nous explorons l’application des techniques d’apprentissage automatique, en particulier les réseaux de neurones en parallèle des méthodes classiques de tarification par GLM, dans le secteur de l’assurance non-vie, et plus précisément l’assurance automobile. Ce domaine est caractérisé par une forte concurrence, poussant les assureurs à proposer des tarifs économiquement viables tout en couvrant les risques de manière adéquate. Ils cherchent donc à adapter leur tarification en fonction des besoins et des caractéristiques individuelles des clients. L’essor du numérique et la collecte d’informations génèrent une abondance de données non structurées pour les assureurs. Cependant, les méthodes classiques de tarification, telles que le GLM, ne sont pas adaptées à ce type de données en raison de leurs hypothèses statistiques complexes. Les réseaux de neurones, tels que le perceptron multicouche, sont une alternative intéressante car ils sont non-paramétriques et possèdent la capacité d’approximation universelle, permettant d’approximer n’importe quelle fonction suffisamment régulière. Nous comparons, dans ce mémoire, les prédictions issues du GLM à celles du perceptron multicouche pour notre portefeuille d’assurance automobile. En outre, nous examinons les différentes méthodes d’optimisation disponibles pour le perceptron multicouche, afin d’améliorer davantage la précision des prédictions.
Abstract
In this thesis, we explore the application of machine learning techniques, specifically neural networks, alongside traditional GLM pricing methods in the non-life insurance sector, and more specifically, automobile insurance. This field is characterized by strong competition, pushing insurers to offer economically viable rates while adequately covering risks. They therefore seek to adapt their pricing based on the needs and individual characteristics of clients. The rise of digital technology and information gathering generates an abundance of unstructured data for insurers. However, traditional pricing methods, such as GLM, are not suited to this type of data due to their complex statistical assumptions. Neural networks, such as the multilayer perceptron, are an interesting alternative as they are non-parametric and possess the ability to provide universal approximations, allowing them to approximate any sufficiently regular function. In this thesis, we compare the predictions made by the GLM to those of the multilayer perceptron for our automobile insurance portfolio. Additionally, we examine the various optimization methods available for the multilayer perceptron in order to further improve the accuracy of predictions.
Auteur(s) CHAPUT M.
Société Groupe Solly Azar
Année 2023
Confidentiel jusqu'au 13/06/2025
Résumé
Dans ce mémoire, nous explorons l’application des techniques d’apprentissage automatique, en particulier les réseaux de neurones en parallèle des méthodes classiques de tarification par GLM, dans le secteur de l’assurance non-vie, et plus précisément l’assurance automobile. Ce domaine est caractérisé par une forte concurrence, poussant les assureurs à proposer des tarifs économiquement viables tout en couvrant les risques de manière adéquate. Ils cherchent donc à adapter leur tarification en fonction des besoins et des caractéristiques individuelles des clients. L’essor du numérique et la collecte d’informations génèrent une abondance de données non structurées pour les assureurs. Cependant, les méthodes classiques de tarification, telles que le GLM, ne sont pas adaptées à ce type de données en raison de leurs hypothèses statistiques complexes. Les réseaux de neurones, tels que le perceptron multicouche, sont une alternative intéressante car ils sont non-paramétriques et possèdent la capacité d’approximation universelle, permettant d’approximer n’importe quelle fonction suffisamment régulière. Nous comparons, dans ce mémoire, les prédictions issues du GLM à celles du perceptron multicouche pour notre portefeuille d’assurance automobile. En outre, nous examinons les différentes méthodes d’optimisation disponibles pour le perceptron multicouche, afin d’améliorer davantage la précision des prédictions.
Abstract
In this thesis, we explore the application of machine learning techniques, specifically neural networks, alongside traditional GLM pricing methods in the non-life insurance sector, and more specifically, automobile insurance. This field is characterized by strong competition, pushing insurers to offer economically viable rates while adequately covering risks. They therefore seek to adapt their pricing based on the needs and individual characteristics of clients. The rise of digital technology and information gathering generates an abundance of unstructured data for insurers. However, traditional pricing methods, such as GLM, are not suited to this type of data due to their complex statistical assumptions. Neural networks, such as the multilayer perceptron, are an interesting alternative as they are non-parametric and possess the ability to provide universal approximations, allowing them to approximate any sufficiently regular function. In this thesis, we compare the predictions made by the GLM to those of the multilayer perceptron for our automobile insurance portfolio. Additionally, we examine the various optimization methods available for the multilayer perceptron in order to further improve the accuracy of predictions.
