Digital Insurance and Long Term Risk

Les packages

Admix
👤 Xavier Milhaud

 

L’objectif d’admix est de fournir un code pour l’estimation, les tests d’hypothèse et les méthodes de regroupement dans les modèles de mélange.

 

📥 Consulter sur Github

______________________________


x-ACI python et x-ACI R
👥 El Hadji Abdoul Aziz Dabakh KANE, Esteban Mauboussin, Xavier Milhaud, José Garrido, Mathias Valla

 

Ce package a été utilisé pour calculer les résultats présentés dans le document définissant le « French Actuarial Climate Index ». Ce travail s’appuie sur la publication initiale de l’ACI par l’American Academy of Actuaries et permet de générer un indice climatique actuariel pour une région donnée.

 

📥 Consulter le package Python
📥 Consulter le package R

______________________________


CASdatasets
👤 Christophe Dutang

 

Une collection de datasets actuariels, à l’origine pour le livre Computational Actuarial Science with R édité par Arthur Charpentier. Aujourd’hui, le paquet contient une grande variété d’ensembles de données actuarielles pour les étudiants, les enseignants et les chercheurs.

 

📥 Consulter sur Github

______________________________


OneStep
👤 Christophe Dutang

 

Ce package fournit principalement une fonction éponyme qui calcule numériquement l’estimateur en une étape de Le Cam pour un échantillon indépendant et identiquement distribué. L’estimation en une étape est asymptotiquement efficace (voir L. Le Cam (1956) <https://projecteuclid.org/euclid.bsmsp/1200501652>) et peut être calculée plus rapidement que l’estimateur du maximum de vraisemblance pour de grands échantillons d’observation, voir par exemple Brouste et al. (2021)

 

📥 Consulter sur CRAN

______________________________


Meteofranceopendb
👤 Christophe Dutang

 

Meteofranceopendb est un projet pour manipuler les bases de données ouvertes de MeteoFrance et de l’IGN fournies sur https://data.gouv.fr.

 

📥 Consulter sur GitLab

$

______________________________


TpT [en cours de développement] 
👥 Mathias Valla, Esteban Mauboussin, Alae Khidour

 

TpT is a Python library for building Time-penalized Trees—an extension of classic decision trees tailored to longitudinal data. By introducing an exponential time-penalty in the splitting criterion, TpT allows users to grow trees that partition both the feature space and time dimension in a single model. The resulting trees maintain coherent temporal trajectories for each subject, offering interpretability, flexibility and easy integration.

 

📥 Consulter l’article
Axes et thématiques
Équipe