Présentation de mémoire - Claims segmentation : A Machine Learning Approach скачать в хорошем качестве

Présentation de mémoire - Claims segmentation : A Machine Learning Approach

Présentation de mémoire animée par Louis ROLLAND Les méthodes usuelles de provisionnement non-vie sont des méthodes agrégées, reposant sur une segmentation des contrats. Pour chaque segment, un développement est ajusté sur les développements historiques pour estimer le montant de sinistres à venir. L'utilisation d'une segmentation permet de réduire la variance de l'estimation en regroupant des sinistres similaires ensemble. Sous Solvabilité II, cette segmentation doit former des groupes de risques homogènes. L'objectif de cette étude est de challenger la segmentation des sinistres actuellement utilisée chez SCOR P&C, basée sur avis d'experts, contenant des limitations techniques et construite sur des critères relatifs aux contrats. Pour ce faire, des méthodes de Machine Learning ont été utilisées sur une base de données contenant des variables au niveau contrat et au niveau sinistre. Le traitement des valeurs manquantes a été effectué en utilisant une méthode basée sur les corrélations entre les variables. Les segmentations testées ont été construites à partir de : Arbres de décision ajusté sur les durations de cash-flows d'Incurred ou de Paid : une classe sera attribuée à chaque feuille ; Clusterings : sur les variables et/ou indicateurs. Pour mesurer la prédictibilité de ces classes, des algorithmes plus élaborés (Réseaux de neurones, Random Forest, Gradient Boosting) ont été utilisés. Les résultats des nouvelles segmentations ont été comparés à la segmentation actuelle sur deux critères : Homogénéité des classes : en mesurant l'erreur de prédiction sur les durations de cash-flows ; Qualité de la prédiction : en estimant le montant de l'année N, en enlevant la dernière diagonale, et en estimant le montant d'IBNR et de Réserves, pour les trois ou cinq dernières années de développement. Une fois la segmentation la plus prédictive sélectionnée, sa composition sera étudiée pour mesurer la cohérence de son éventuelle utilisation et ses limites.