Carte non disponible

Quand ?
5 novembre 2021 / 08:45 - 12:15

Où ?

-


Pour participer et recevoir les informations pratiques ou le lien de connexion à l’événement, merci de vous inscrire grâce au formulaire.

 

PROGRAMME DU SÉMINAIRE :

 

8h45 – 9h : un mot de Xavier Milhaud, co-porteur de la Chaire sur les projets en cours

 

9h – 9h45 : présentation de Mathias Valla, doctorant de la Chaire

 

Titre: Time-dynamic of the data: collection and management of a dataset for future modelling challenges.

Résumé : L’analyse du comportement des assurés relève d’une importance capitale pour la prise de décision dans le secteur assurantiel. Cependant, la nature dynamique de ces comportements et la difficulté à les mesurer ou en suivre l’évolution compliquent cette analyse.Une des raisons pratiques qui explique cette difficulté d’analyse est que des données de bonne qualité, mesurant régulièrement des marqueurs du comportement assuré sont rarement disponibles et exploitables. Dans le but de prendre en compte cet aspect dynamique des comportements, nous avons construit une base de données – issue des données de la CNP – contenant justement ces informations. Dans cette présentation, nous discuterons de la construction de la base de données, des variables qu’elle contient, des questions de recherche qui pourraient bénéficier d’une analyse sur de telles données

 
Voir la présentation : shorturl.at/osLRV
 

9h45 – 10h : pause

 

10h20 – 11h10 : Pierrick Piette, chercheur associé à l’ISFA

 

TitreApplying economic measures to lapse risk management with machine learning approaches

Résumé: La modélisation des comportements assurés est essentielle en assurance vie. En effet, ces derniers ont un impact significatif sur la tarification, le provisionnement, la rentabilité et la gestion des risques. Ainsi, la solvabilité de la compagnie est hautement sensible à cette modélisation. Nous appliquons dans cet article deux techniques de Machine Learning pour modéliser les comportements, puis évaluons les performances de ces deux méthodes avec différents indicateurs (statistique et économique). La nouveauté de notre travail réside également dans l’approche adoptée concernant le problème de prévision des résiliations. Nous transformons ce problème de classification en un problème de régression et optimisons nos mesures de performance. Les applications sont menées à l’aide d’un jeu de données réel, et les résultats montrent que le Gradient Boosting et les SVM présentent les meilleurs résultats.

 
Voir la présentation : shorturl.at/fhB37
 

11h15 – 12h05 : Pierre-Olivier Goffard, membre de la chaire

 

Titre: Sequential Monte Carlo samplers to fit and compare insurance loss models ;

Résumé: La distribution des montants indemnisés en assurance non vie est caractérisée par une forte occurrence de petits montants (attritionnels) et une occurrence plus faible sans être négligeable de montants importants (atypiques ou extrêmes). Des modèles « composites » se sont développés dans la littérature actuarielle pour prendre en compte cette particularité. Ces modèles combinent deux lois de probabilités, la première modélise la partie attritionnelle tandis que la deuxième se focalise sur la partie atypique ou extrême de la distribution des montants indemnisés. Les paramètres de ces modèles synthétisent la sinistralité, l’un des paramètres joue le rôle de seuil permettant de distinguer les sinistres graves des autres sinistres. La calibration de ces modèles s’effectue généralement en utilisant la technique du maximum de vraisemblance. Ce travail de recherche propose d’utiliser une approche bayésienne reposant sur un algorithme d’échantillonnage de Monte Carlo séquentiel. La méthode est validée sur des données simulées et illustrée sur des jeux de données réelles.

 

12h10 – 12h15 : mot de clôture

 

Bookings

Les inscriptions sont fermées pour cet évènement.