Mémoires d'Actuariat
Mise en place d’un modèle de grave pour la modélisation de la prime pure de la garantie incendie d’un produit immeuble
Auteur(s) CHARVET Q.
Société Allianz
Année 2024
Confidentiel jusqu'au 18/04/2026
Résumé
La mission principale des équipes de tarification est d'évaluer la prime pure pour les nouveaux clients, ce qui implique de calculer le montant moyen des sinistres attendus pour chaque risque assuré. Ce processus devient particulièrement délicat lorsqu'il s'agit de sinistres graves, tels que les incendies dans les assurances multi-risques immeuble, en raison de leur faible fréquence et du manque de données disponibles. L'objectif de ce mémoire est de déterminer si la modélisation de ces sinistres graves peut affiner le calcul de la prime pure pour qu'elle soit la plus adaptée possible à chaque profil de risque. Le mémoire débute par la définition d'un seuil qui classifie un sinistre comme étant grave. On utilise ensuite la théorie des valeurs extrêmes pour analyser le comportement de ces sinistres rares. L'étude compare plusieurs modèles statistiques et de machine learning pour calculer la prime pure, incluant des méthodes de machine learning avancées et des modèles linéaires généralisés traditionnels. L'objectif est de déterminer quelle méthode permet la meilleure prédiction des coûts des sinistres graves et de comparer ces prédictions à des données exogènes pour vérifier leur exactitude. En fin de compte, ce travail cherche à comprendre si l'incorporation d'un modèle spécifique pour les sinistres graves offre des résultats supérieurs par rapport aux méthodes traditionnelles qui n'utilisent pas de tels modèles. Il explore également comment la segmentation du risque peut varier lorsque l'on applique un modèle de sinistres graves, pour voir si certains profils sont systématiquement considérés comme plus risqués. Le mémoire conclura sur l'efficacité de ces méthodes modélisées pour améliorer la tarification des primes pures dans l'industrie des assurances.
Abstract
The primary mission of pricing teams is to assess the pure premium for new clients, which involves calculating the average amount of claims expected for each insured risk. This process becomes particularly challenging when it comes to severe claims, such as fires in multi-risk property insurance, due to their low frequency and the lack of available data. The aim of this thesis is to determine if modeling these severe claims can refine the calculation of the pure premium so that it is as well-suited as possible to each risk profile. The thesis begins by defining a threshold that classifies a claim as severe. It then uses extreme value theory to analyze the behavior of these rare claims. The study compares several statistical and machine learning models for calculating the pure premium, including advanced machine learning methods and traditional generalized linear models. The objective is to determine which method allows for the best prediction of the costs of severe claims and to compare these predictions to exogenous data to verify their accuracy. Ultimately, this work seeks to understand if incorporating a specific model for severe claims offers superior results compared to traditional methods that do not use such models. It also explores how risk segmentation may vary when applying a severe claims model, to see if certain profiles are consistently considered more risky. The thesis will conclude on the effectiveness of these modeled methods in improving the pricing of pure premiums in the insurance industry.
Auteur(s) CHARVET Q.
Société Allianz
Année 2024
Confidentiel jusqu'au 18/04/2026
Résumé
La mission principale des équipes de tarification est d'évaluer la prime pure pour les nouveaux clients, ce qui implique de calculer le montant moyen des sinistres attendus pour chaque risque assuré. Ce processus devient particulièrement délicat lorsqu'il s'agit de sinistres graves, tels que les incendies dans les assurances multi-risques immeuble, en raison de leur faible fréquence et du manque de données disponibles. L'objectif de ce mémoire est de déterminer si la modélisation de ces sinistres graves peut affiner le calcul de la prime pure pour qu'elle soit la plus adaptée possible à chaque profil de risque. Le mémoire débute par la définition d'un seuil qui classifie un sinistre comme étant grave. On utilise ensuite la théorie des valeurs extrêmes pour analyser le comportement de ces sinistres rares. L'étude compare plusieurs modèles statistiques et de machine learning pour calculer la prime pure, incluant des méthodes de machine learning avancées et des modèles linéaires généralisés traditionnels. L'objectif est de déterminer quelle méthode permet la meilleure prédiction des coûts des sinistres graves et de comparer ces prédictions à des données exogènes pour vérifier leur exactitude. En fin de compte, ce travail cherche à comprendre si l'incorporation d'un modèle spécifique pour les sinistres graves offre des résultats supérieurs par rapport aux méthodes traditionnelles qui n'utilisent pas de tels modèles. Il explore également comment la segmentation du risque peut varier lorsque l'on applique un modèle de sinistres graves, pour voir si certains profils sont systématiquement considérés comme plus risqués. Le mémoire conclura sur l'efficacité de ces méthodes modélisées pour améliorer la tarification des primes pures dans l'industrie des assurances.
Abstract
The primary mission of pricing teams is to assess the pure premium for new clients, which involves calculating the average amount of claims expected for each insured risk. This process becomes particularly challenging when it comes to severe claims, such as fires in multi-risk property insurance, due to their low frequency and the lack of available data. The aim of this thesis is to determine if modeling these severe claims can refine the calculation of the pure premium so that it is as well-suited as possible to each risk profile. The thesis begins by defining a threshold that classifies a claim as severe. It then uses extreme value theory to analyze the behavior of these rare claims. The study compares several statistical and machine learning models for calculating the pure premium, including advanced machine learning methods and traditional generalized linear models. The objective is to determine which method allows for the best prediction of the costs of severe claims and to compare these predictions to exogenous data to verify their accuracy. Ultimately, this work seeks to understand if incorporating a specific model for severe claims offers superior results compared to traditional methods that do not use such models. It also explores how risk segmentation may vary when applying a severe claims model, to see if certain profiles are consistently considered more risky. The thesis will conclude on the effectiveness of these modeled methods in improving the pricing of pure premiums in the insurance industry.
