IA Summer School

Organisée conjointement à la 3ème European Actuarial Journal (EAJ) Conference, l’université d’été de l’Institut des Actuaires se tiendra les 6, 7 et 8 septembre 2016 à l’ISFA – Lyon.

Thèmes abordés :

• Comportements face aux risques & leurs enjeux

• Adaptation des modèles aux enjeux et aux nouvelles exigences / normes

• Machine-learning : Génétique, objects connectés, …

Sessions parallèles spécifiques Summer School :

MARDI 6 SEPTEMBRE – 11h-12h30 – PARALLEL SESSION 1 – RISQUE DE MODELE

Résumé : les modèles sont devenus très importants dans les réglementations contemporaines. Ils donnent des informations très utiles qui sont utilisées pour la prise de décision, et influencent les comportements. Mais des différences peuvent émerger entre les modèles et le monde réel, qui est changeant. Des exemples seront donnés. Alors, qu’est-ce qu’un modèle ? Méfions-nous des modèles !

Résumé : La valorisation de portefeuille est une étape critique pour la gestion des risques. L’incertitude sur la valorisation est importante pour les portefeuilles collectifs, présentant peu d’informations. Cette présentation va présenter comment encadrer cette incertitude et une approche d’optimisation de la gestion des risques pour ces portefeuilles.

MARDI 6 SEPTEMBRE – 14h-15h30 – PARALLEL SESSION 2 – RISQUE COMPORTEMENTAL EN ASSURANCE VIE ET NON VIE

Table ronde “Risque comportemental en assurance vie et non vie”

Speakers : Christophe DUTANG, Xavier MILHAUD, Anani OLYMPIO, Khezan SHI

MERCREDI 7 SEPTEMBRE – 10h30-12h – PARALLEL SESSION 3 – GESTION DES RISQUES ET REGLEMENTATION PRUDENTIELLE

“L’innovation dans le cadre prudentiel restrictif et contre-intuitif : Quelles techniques pour augmenter l’efficience des modèles ?”

Speakers : Marielle de la SALLE, David MARIUZZA, Benjamin POUDRET

Résumé : Les cadres réglementaires actuels tels que Solvabilité 2 en France ou le Swiss Solvency Test en Suisse contraignent les organismes d’assurance et de réassurance du marché à une norme prudentielle restrictive et parfois inadaptée. Sous Solvabilité 2 en particulier, les modèles internes sont un bon moyen de se rapprocher d’un management des risques précis et innovant. Toutefois ces projets restent rares car coûteux en création, en utilisation et en maintenance. Dans cette optique, le calcul via la Formule Standard demeure la seule option pour la majorité des compagnies devant se soumettre aux textes de l’EIOPA. Cette solution « par défaut », en dépit de s’afficher comme une solution tout-terrain, est assez imprécise, peu malléable, et souvent utilisée telle quelle. Il est d’ailleurs constaté encore aujourd’hui peu d’initiatives allant dans le sens d’une lecture « entre les lignes » de cette formule standard alors que de multiples leviers peuvent être envisagés. En effet, en y regardant de plus près et en confondant la réglementation à certaines pratiques R&D connues (telles que la gestion modulaire, les algorithmes génétiques, les méthodes d’apprentissage ou encore l’analyse de données), il est possible de mettre en place des dispositifs en phase avec la norme, tout en rendant plus efficiente la pratique de cette formule standard. Sans indiquer qu’il s’agit d’une liste exhaustive, nous nous proposons d’aborder à travers des cas pratiques les axes d’efficience suivants : l’organisation des modèles, la manière d’appréhender les hypothèses des modèles, les possibilités de rationalisation du temps de calculs, ainsi que l’appréhension des risques portés et leur pilotage.

JEUDI 8 SEPTEMBRE – 10h30-12h30 – PARALLEL SESSION 4 – OBJETS CONNECTES, ANALYTICS POUR L’ASSURANCE

JEUDI 8 SEPTEMBRE – 14h-16h – PARALLEL SESSION 5 – MODELES ET ANALYTICS POUR L’ASSURANCE

JEUDI 8 SEPTEMBRE – 16h30-18h – PARALLEL SESSION 6 – MACHINE LEARNING ET ASSURANCE

Résumé : Avec des milliers de courtiers dans son réseau, l’animation commerciale d’April se doit d’être optimisée. Elle doit notamment être ajustée aux courtiers les plus susceptibles d’arrêter leur collaboration avec April, afin de conserver un maximum d’apporteurs. Cela implique de savoir détecter quels sont ces courtiers ayant des raisons de vouloir stopper toute activité avec April (concurrence, mauvaises relations avec April…).
Cette étude propose des modèles statistiques permettant d’évaluer, pour chaque courtier travaillant avec April, une probabilité de maintien d’activité avec l’entreprise. Ainsi, les commerciaux d’April pourront orienter leur travail de manière à satisfaire ceux ayant les probabilités de maintien les plus faibles. L’approche machine learning a été choisie, car nous recherchons une bonne qualité de prédiction tout en ayant peu d’a priori sur la loi suivie par cette probabilité, la pertinence des variables explicatives incorporées dans le modèle, ou encore les interactions entre ces variables.

Résumé : Les données d’assurance sont souvent incomplètes. Dans le cas des assurances de personnes, il est fréquent d’avoir des données de survie censurées, voire tronquées. Dans le cas des assurances de type Responsabilité Civile où les montants des sinistres ne sont évalués que très tardivement après leur réalisation, il est nécessaire de calculer des montants de réserve avec une information partielle. Pour proposer de nouveaux produits d’assurance à des clients, il faut réussir à définir leur besoin et leur niveau de risque en ayant observé leur comportement sur d’autres produits. La détection de fraudes en assurance est souvent construite à partir d’algorithmes n’observant qu’un nombre limité d’exemples de fraude avérée.