Mémoires d'Actuariat
Estimation du SCR sous formule standard par des méthodes de machine learning
Auteur(s) EAR P.
Société CNP Assurances
Année 2023
Résumé
La production de SCR via formule standard peut être longue et lourde à mettre en place et à utiliser, ce qui la rend moins réactive dans le cadre d'événements soudains nécessitant une prise de décision rapide de la direction de l’entreprise. Dans ce mémoire, nous explorons des méthodes basées sur du machine learning afin de pallier à ces problématiques de vitesse de calcul, ces méthodes étant souvent plébiscitées pour leur performance et leur temps de calcul réduit. Les deux modèles considérés dans ce mémoire sont les Random Forest et les eXtreme Gradient Boost. Pour cela, la création d’une base de données de très haute qualité ainsi qu’une optimisation des différents modèles de machine learning a été nécessaire. Plusieurs méthodes d’optimisation ont été mis en place dont un grid-search, un tuning itératif ainsi qu’une optimisation par avis d’expert. Les résultats ont finalement été comparés par des études d’erreur et d’adéquation des distributions obtenues choc par choc, ainsi que sur le SCR global.
Abstract
The production of SCRs using standard formulas can be time-consuming and cumbersome to set up and use, making it less responsive to sudden events requiring rapid decision-making by company management. In this thesis, we explore machine learning-based methods to overcome these computational speed issues, as these methods are often praised for their performance and reduced computation time. The two models considered in this thesis are Random Forest and eXtreme Gradient Boost. To achieve this, it was necessary to create a very high quality database and to optimise the various machine learning models. Several optimisation methods were used, including grid-search, iterative tuning and optimisation by expert opinion. The results were finally compared by studies of the error and adequacy of the distributions obtained shock by shock, as well as on the overall SCR.
Mémoire complet
Auteur(s) EAR P.
Société CNP Assurances
Année 2023
Résumé
La production de SCR via formule standard peut être longue et lourde à mettre en place et à utiliser, ce qui la rend moins réactive dans le cadre d'événements soudains nécessitant une prise de décision rapide de la direction de l’entreprise. Dans ce mémoire, nous explorons des méthodes basées sur du machine learning afin de pallier à ces problématiques de vitesse de calcul, ces méthodes étant souvent plébiscitées pour leur performance et leur temps de calcul réduit. Les deux modèles considérés dans ce mémoire sont les Random Forest et les eXtreme Gradient Boost. Pour cela, la création d’une base de données de très haute qualité ainsi qu’une optimisation des différents modèles de machine learning a été nécessaire. Plusieurs méthodes d’optimisation ont été mis en place dont un grid-search, un tuning itératif ainsi qu’une optimisation par avis d’expert. Les résultats ont finalement été comparés par des études d’erreur et d’adéquation des distributions obtenues choc par choc, ainsi que sur le SCR global.
Abstract
The production of SCRs using standard formulas can be time-consuming and cumbersome to set up and use, making it less responsive to sudden events requiring rapid decision-making by company management. In this thesis, we explore machine learning-based methods to overcome these computational speed issues, as these methods are often praised for their performance and reduced computation time. The two models considered in this thesis are Random Forest and eXtreme Gradient Boost. To achieve this, it was necessary to create a very high quality database and to optimise the various machine learning models. Several optimisation methods were used, including grid-search, iterative tuning and optimisation by expert opinion. The results were finally compared by studies of the error and adequacy of the distributions obtained shock by shock, as well as on the overall SCR.
Mémoire complet
