Tarification des risques en assurance non-vie, une approche par modèle d’apprentissage statistique
Résumé
Non-life actuarial researches mainly focus on improving Generalized Linear Models. Nevertheless, this type of model sets constraints on the risk structure and on the interactions between explanatory variables. Then, a bias between the real risk and the predicted risk by the model is often observed on a part of data. Nonparametric tools such as machine learning algorithms are more efficient to explain the singularity of the policyholder. Among these models, regression trees offer the benefit of both reducing the bias and improving the readability of the results of the pricing estimation. Our study introduces a modification of the Classification And Regression Tree (CART) algorithm to take into account the specificities of insurance data-sets. It compares the results produced by this algorithm to these obtained using Generalized Linear Models. These two approaches are then applied to the pricing of a vehicle insurance portfolio.
Les développements récents en tarification de l'assurance non-vie se concentrent majoritairement sur la maîtrise et l'amélioration des Modèles Linéaires Généralisés. Performants, ces modèles imposent à la fois des contraintes sur la structure du risque modélisé et sur les interactions entre les variables explicatives du risque. Ces restrictions peuvent conduire dans certaines populations d'assurés à une estimation biaisée de la prime d'assurance. De par leur nature non paramétrique, les algorithmes d'apprentissage statistique s'affranchissent de ces contraintes. Nous cherchons donc dans cet article à les décrire et à les tester.