Autocalibration des primes par machine learning

Details

Supervisors

Denuit, Michel

Faculty

Faculté des sciences

Degree label

Master [120] en sciences actuarielles, à finalité spécialisée

Abstract

La technique de Boosting est une méthode de machine learning particulièrement efficace pour la tarification de l’assurance. Dans la pratique, il y a néanmoins souvent des débats sans fin sur le choix de la bonne fonction de perte à utiliser pour entraîner le modèle d’apprentissage automatique, ainsi que sur la métrique appropriée pour évaluer les performances des modèles concurrents. En outre, la somme des travaux ajustés peut différer dans une large mesure des totaux observés, ce qui déroute souvent les analystes actuariels. Ce travail vise à étudier davantage ce phénomène lorsque l’apprentissage est effectué en minimisant la déviance Tweedie. On montre que la minimisation des déviances implique un compromis entre l’intégrale des différences pondérées des moments partiels inférieurs et le biais mesuré sur une échelle spécifique. L’autocalibration est alors proposée comme solution. Cette nouvelle méthode de correction du biais ajoute une étape supplémentaire de GLM local à l’analyse. Sur le plan théorique, on montre qu’elle garantit que l’équilibre se maintient également sur l’échelle locale, et pas seulement au niveau du portefeuille comme avec les techniques existantes de correction du biais. L’ordre convexe semble être l’outil naturel pour comparer les modèles de compétence, ce qui donne un nouvel éclairage aux graphes de diagnostic à savoir les courbes de concentration et de Lorentz et aux métriques associées proposés par Denuit et al. (2019) qui est l’aire ABC (area between curves) entre les courbes de Concentration et de Lorentz