Mémoire présenté devant le CNAM

pour l’obtention du diplôme du Master Droit économie et gestion

mention actuariat

et l’admission à l’Institut des Actuaires

le 23 juin 2021

Par : Franck Lopez

Titre: Provisionnement individuel stochastique appliqué à la réassurance
non proportionnelle

Confidentialité :  NON  OUI (Durée :  1 an  2 ans)

Les signataires s’engagent à respecter la confidentialité indiquée ci-dessus
Membres présents du jury de l’Institut Entreprise :
signatures
des Actuaires
H. JEBALI Nom : AON
S. FOATA
H. GIBELLO Directeur de mémoire en entreprise :
L. MARTINI Nom : F. RAMAHAROBANDRO
Signature :
Invité :
Membres présents du jury du CNAM Nom :
D. FAURE Signature :
N. ABECERA Autorisation de publication et de
O. DESMETTRE mise en ligne sur un site de
F. WEISS diffusion de documents actuariels
(après expiration de l’éventuel délai de
confidentialité)
Signature du responsable entreprise

Secrétariat Signature du candidat

Bibliothèque :

Adresse du cnam
 Remerciements

Je tiens tout d’abord à remercier le groupe AON de m’avoir donné l’opportunité de travailler
sur ce projet et plus particulièrement Fabien Ramaharobandro, mon tuteur professionnel, pour
la proposition du sujet et pour son accompagnement.
J’adresse également mes remerciements à tous les membres de l’équipe actuariat d’AON Rein-
surance Solutions pour leur soutien et leur bonne humeur.
Je remercie aussi les personnes qui ont pris le temps de relire mon mémoire et pour leurs
remarques constructives.
Enfin, je remercie le CNAM et son corps professoral pour avoir rendu possible ma transition
professionnelle.

Franck Lopez 1
 Résumé

Mots-clefs :
Provisionnement Individuel Stochastique, Réassurance Non-proportionnelle, Responsabilité Ci-
vile, Régression Logistique Multinomiale, Modèle Additif Généralisé Linéaire Paramétrique, Ré-
gression Quantile par Forêt d’arbre décisionnel.

L’inversion du cycle de production de l’activité d’assurance nécessite la constitution de pro-

visions techniques destinées à couvrir les prestations dues aux assurés. Ces prestations étant par
nature incertaines, le niveau des provisions techniques doit être évalué en prenant en compte les
informations disponibles au moment de leur constitution. En assurance directe, les provisions
à constituer et leur volatilité peuvent être estimées globalement à partir des triangles de règle-
ments agrégés par année de survenance avec des méthodes statistiques classiques (Chain Ladder,
Bornhuetter-Ferguson, Mack, Bootstrap, etc.). De la même manière, les assureurs doivent éva-
luer les provisions cédées aux réassureurs qui viennent au bénéfice des provisions techniques.
Les méthodes agrégées d’évaluation des provisions utilisées pour l’assurance sont peu adaptées
à la réassurance en excédent de sinistre qui s’applique individuellement et de manière non-
proportionnelle, ce qui empêche un calcul des cessions moyennes à partir des charges moyennes.
D’une part, l’hétérogénéité des sinistres et de leurs développements imposent l’emploi d’une
méthode individuelle. D’autre part, ce calcul doit aussi tenir compte de la volatilité pour un
sinistre donné.

Pour répondre à ces deux aspects fondamentaux, un outil de provisionnement à la fois indi-
viduel et stochastique a été développé sur R. Cet outil permet la réalisation d’une projection
stochastique sinistre par sinistre en cascade jusqu’à l’ultime puis l’estimation des provisions cé-
dées par application de la réassurance au niveau individuel. Chaque pas de temps est décomposé
en deux sous-étapes. La première consiste à prédire l’évolution en boni, stable ou mali de la
charge sinistre via la calibration d’un modèle de régression logistique multinomiale. La seconde
consiste à prédire une charge au décalage suivant au moyen de deux méthodes alternatives,
soit par un modèle additif généralisé linéaire paramétrique, soit par un modèle de régression
quantile par forêt d’arbres décisionnels. La simulation de multiples développements stochas-
tiques des charges individuelles permet enfin d’obtenir la distribution des provisions brutes puis,
après l’application individuelle de la réassurance, la distribution des provisions cédées. Le calcul
des tardifs n’est pas traité dans ce mémoire. Seuls les sinistres connus sont développés à l’ultime.

En conclusion, les méthodes développées permettent non seulement d’améliorer l’estimation

du Best Estimate des provisions brutes et des provisions cédées mais aussi d’obtenir une esti-
mation de leur volatilité et de leur distribution. De plus, l’outil développé est déployé au sein de
l’entreprise pour le calcul des Best Estimate de cessions et des commutations.

Franck Lopez 2
 Abstract

Key words :
Stochastic Individual Reserving, Non-proportional Reinsurance, Third Party Liability, Multi-
nomial Logistic Regression, Linear Parametric Generalized Additive Model, Quantile Random
Forest Regression.

Insurance activity reverse production cycle requires the constitution of technical reserves to
cover benefits due to insured persons. These benefits, uncertain in nature, requires that the level
of technical reserves be assessed taking into account the available information at the time of
their constitution. In direct insurance, constituted reserves and their volatility can be estimated
globally from paid triangles aggregated by accident year with classic statistical method (Chain
Ladder, Bornhuetter-Ferguson, Mack, Bootstrap, etc.). In the same way, insurers must assess
reserves ceded to reinsurers which come to the benefit of technical reserves. Aggregated methods
for reserves evaluation used for insurance are poorly adapted to the excess of loss reinsurance
which applies individually and non-proportionally. This core charateristic prevents from calcu-
lating average cessions with average loss amounts. In one hand, claims heterogeneity and their
developments require the use of an individual method. In the other hand, this calculation must
also take into account volatility within a given claim.

To address these two fundamental aspects, an individual and stochastic reserving tool has been
developped with R. This tool enables to perform a stochastic projection claim by claim in series
to the ultimate and then ceded reserves estimation by application of reinsurance at individual
level. Each time step is split in two substeps. The first substep consists in claim evolution pre-
diction (positive, negative or stable) with calibration of a multinomial logistic regression model.
The second substep consists in loss amount prediction for next development year. This step can
be performed either by a parametric linear generalized additive model or by a quantile ran-
dom forest regression model. Simulation of multiple stochastic developments for individual loss
amounts finally makes it possible to obtain gross reserves distribution, and after individual rein-
surance application, ceded reserves distribution. Late reported claims calculation is not covered
in this study. Only known claims are developed to the ultimate.

To conclude, methods developed in this study allow not only to improve Best estimate esti-
mation of gross reserves and ceded reserves but also to obtain an estimation for their volatility
and probability density. In addition, the developed tool is now deployed in the company for
ceded losses best estimate calculation and reinsurance treaties commutations.

Franck Lopez 3
 Table des matières

Remerciements 1

Résumé 2

Abstract 3

Glossaire des abréviations 5

Introduction 6

I Cadre de l’étude 7

1 Contexte de l’étude 8
1.1 Type d’assurance étudiée : l’Assurance Dommage . . . . . . . . . . . . . . . . . . 8
1.2 Garantie Etudiée : la Responsabilité Civile . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Généralités sur la Responsabilité Civile . . . . . . . . . . . . . . . . . . . 8
1.2.2 Les garanties d’assurance . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.3 Les dommages concernés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Provisionnement d’un sinistre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Réassurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Réassurance en excédent de sinistre (XS) . . . . . . . . . . . . . . . . . . 11
1.5 Les provisions cédées aux réassureurs . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.1 Un enjeu réglementaire : Best Estimate de cession . . . . . . . . . . . . . 12
1.5.2 Un enjeu économique : commutations . . . . . . . . . . . . . . . . . . . . 13

2 Problématique du provisionnement pour la réassurance non proportionnelle 14

2.1 Provisionnement individuel en assurance directe . . . . . . . . . . . . . . . . . . . 14
2.2 Un enjeu spécifique pour la réassurance non proportionnelle . . . . . . . . . . . . 14

II Partie Théorique 17

1 Préparation des données avant application des méthodes 18

1.1 Indexation des payés et des suspens . . . . . . . . . . . . . . . . . . . . . . . . . 18

2 Méthode Chain Ladder appliquée aux sinistres individuels 19

2.1 Le modèle Chain Ladder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.1 Théorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Franck Lopez 4
 2.1.2 Les limites de l’utilisation d’une méthode agrégée et déterministe appli-
quée aux sinistres individuels . . . . . . . . . . . . . . . . . . . . . . . . . 21

3 Méthodologie du modèle de Provisionnement Individuel Stochastique 22

3.1 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Architecture du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Modèle de génération de bonis ou malis . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Prédiction de la charge au décalage suivant . . . . . . . . . . . . . . . . . . . . . 23
3.5 Prédiction de la charge à l’ultime en cascade . . . . . . . . . . . . . . . . . . . . 24
3.6 Remplissage parallèle stochastique des triangles de charges individuelles . . . . . 24
3.7 Estimation d’une cadence de paiement . . . . . . . . . . . . . . . . . . . . . . . 24
3.8 Calcul de la distribution des provisions brutes . . . . . . . . . . . . . . . . . . . . 24
3.9 Calcul des coefficients de stabilisation . . . . . . . . . . . . . . . . . . . . . . . . 25
3.10 Application de la réassurance sur les sinistres individuels . . . . . . . . . . . . . . 26
3.11 Calcul des provisions cédées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

4 Calibration et validation des modèles 27

4.1 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Modèle multinomial d’évolution du sinistre . . . . . . . . . . . . . . . . . . . . . 27
4.3 Modèle de prédiction de la charge au décalage suivant . . . . . . . . . . . . . . . 29
4.3.1 Méthode paramétrique : Modèle Additif Généralisé linéaire paramétrique 29
4.3.1.1 Théorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3.1.2 Choix des lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Méthode non paramétrique : Régression quantile par forêt d’arbres décisionnels . 35
4.4.1 Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.2 Théorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.2.1 Régression Quantile . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.2.2 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.2.3 Algorithme des forêts d’arbres décisionnels (Random Forest) . . 36
4.4.2.4 Régression quantile par forêt d’arbres décisionnels (Quantile Ran-
dom Forest) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.2.5 Choix des hyperparamètres . . . . . . . . . . . . . . . . . . . . . 38
4.5 Validation des modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.5.1 Validation sur les données d’apprentissage . . . . . . . . . . . . . . . . . . 39
4.5.2 Validation des modèles sur des données nouvelles : Back Testing . . . . . 40

III Application à un cas pratique 41

1 Développement de l’outil de provisionnement individuel sur R 42

1.1 Enjeux spécifiques à l’entreprise . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1.2 Développement sur R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Franck Lopez 5
2 Présentation et retraitement des données 43
2.1 Présentation du cas étudié . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Retraitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3 Statistiques descriptives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3 Modèle Chain Ladder agrégé appliqué aux sinistres individuels 49

3.1 Calcul des coefficients . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Calcul des provisions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4 Application des modèles de provisionnement individuel stochastique 51

4.1 Modèle d’évolution en boni, stable ou mali . . . . . . . . . . . . . . . . . . . . . . 51
4.2 Modèle Additif Généralisé linéaire paramétrique . . . . . . . . . . . . . . . . . . . 53
4.2.1 Choix des distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.2 Validation générale sur les moyennes prédites . . . . . . . . . . . . . . . . 54
4.2.3 Validation détaillée des distributions . . . . . . . . . . . . . . . . . . . . . 55
4.2.4 Calcul des provisions brutes et cédées . . . . . . . . . . . . . . . . . . . . 57
4.3 Modèle non-paramétrique : Régression quantile par forêt d’arbres décisionnels
(Quantile Random Forest) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3.1 Choix des hyperparamètres . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3.2 Validation générale sur les moyennes prédites . . . . . . . . . . . . . . . . 61
4.3.3 Validation détaillée des distributions . . . . . . . . . . . . . . . . . . . . . 61
4.3.4 Calcul des provisions brutes et cédées . . . . . . . . . . . . . . . . . . . . 63
4.4 Comparaison des modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.4.1 Application du Back Testing . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.4.2 Comparaison des provisions brutes et provisions cédées estimées . . . . . 67
4.5 Limites des modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

Conclusion 70

Annexes 72

Franck Lopez 6
 Glossaire des abréviations

IARD Incendie-Accident-Risques Divers

RC Responsabilité Civile
RCA Responsabilité Civile Automobile
RCVP Responsabilité Civile Vie Privée
RCE Responsabilité Civile Entreprise
PSAP Provision pour Sinistre A Payer
IBNR Incurred But Not Reported
IBNER Incurred But Not Enough Reported
IBNYR Incurred But Not Yet Reported
XS En excédent de sinistre
S2 Solvabilité II
BE Best Estimate
CL Chain Ladder
LM Modèle Linéaire
GLM Modèle Linéaire Généralisé
GAM Modèle Additif Généralisé
GB Generalized Beta
GG Generalized Gamma
AIC Akaike Information Criterion
QRF Quantile Random Forest

Franck Lopez 7
 Introduction

Les activités d’assurance et de réassurance se caractérisent par une inversion du cycle de

production, c’est à dire que la prime est encaissée immédiatement tandis que les règlements
interviennent plus tard, si un sinistre survient. Ainsi, l’activité d’assurance nécessite la constitu-
tion de provisions techniques destinées à couvrir les prestations dues aux assurés. Ces prestations
étant par nature incertaines, le niveau des provisions techniques doit être suffisant pour honorer
les engagements futurs en prenant en compte les informations disponibles au moment de leur
constitution. Sous Solvabilité 2, ces provisions contiennent, en plus de la meilleure estimation
des engagements, une marge de risque représentant le coût d’immobilisation des fonds propres
requis pour honorer ses engagements.
Dans le cadre d’une activité d’assurance directe, les provisions à constituer peuvent être estimées
globalement à partir des triangles de règlements agrégés par année de survenance. Des méthodes
statistiques (Chain Ladder, Bornhuetter-Ferguson, etc.) permettent de projeter les règlements
futurs pour une année de survenance donnée à partir de l’évolution constatée sur les années de
survenance passées en ajoutant pour certaines méthodes des hypothèses de sinistralité a priori.
Une estimation de la volatilité autour de la provision moyenne estimée peut être calculée avec
différentes méthodes (Mack, Bootstrap, GLM, etc.). Ces méthodes, largement utilisées dans le
cadre de l’assurance directe, fournissent généralement des résultats satisfaisants et le recours à
une approche individuelle (sinistre par sinistre) peut ne pas apporter d’avantages significatifs en
regard de l’investissement. Néanmoins, le recours à une méthode individuelle peut dans certains
cas apporter une précision accrue des prédictions, notamment pour les années de survenance les
plus atypiques, en prenant mieux en compte l’hétérogénéité des sinistres. Enfin, la dimension
stochastique de la projection en assurance dommage directe n’a pas d’effet sur la moyenne des
provisions brutes, contrairement à la réassurance non proportionnelle.

La réassurance en excédent de sinistre s’applique par nature sur les sinistres individuels de
manière non proportionnelle. Ce type de couverture est commun notamment en réassurance
responsabilité civile automobile. De la même manière que les assureurs doivent constituer des
provisions techniques pour couvrir les prestations dues aux assurés, ils doivent aussi évaluer
les provisions cédées aux réassureurs qui viennent au bénéfice des provisions techniques. Les
méthodes agrégées d’évaluation des provisions sont peu adaptées à ce type de réassurance qui
s’applique individuellement et de manière non-proportionnelle.

L’objectif de ce mémoire est d’étudier des méthodes de provisionnement individuelles et sto-

chastiques. Ces méthodes doivent permettre la réalisation d’une projection stochastique sinistre
par sinistre puis l’évaluation des provisions cédées par application de la réassurance au niveau
individuel.

Franck Lopez 8
 Première partie

Cadre de l’étude

Franck Lopez 9
 Chapitre 1

Contexte de l’étude

Plusieurs éléments de contexte sont développés dans ce chapitre pour permettre d’aborder
la problématique de l’étude par la suite.

1.1 Type d’assurance étudiée : l’Assurance Dommage

Le Code des Assurances dénombre, dans l’article R 321-1, 26 branches d’assurance. Un agré-
ment administratif est la plupart du temps nécessaire pour exercer des opérations d’assurance
dans chacune de ces branches.
Selon le mode de gestion des primes, on distingue deux grandes familles d’assurance : les as-
surances IARD (Incendie-Accident-Risques Divers), et les assurances Vie. L’assurance IARD
est gérée en répartition , c’est à dire que les primes des assurés sont affectées au paiement des
sinistres au cours de l’exercice tandis que l’assurance vie est gérée en capitalisation, la capitali-
sation financière et viagère des primes permettant le paiement des sinistres a posteriori.
De plus, selon le préjudice subi, l’indemnisation du sinistre peut être réalisée selon le principe
indemnitaire ou forfaitaire. Le principe indemnitaire a pour objectif de compenser une perte
(bien matériel, invalidité, etc.) tandis que le principe forfaitaire entraîne le versement des mon-
tants fixés par le contrat d’assurance.
Les Assurances IARD peuvent être de deux types : les Assurances de Dommages et les Assu-
rances de Personnes. Les Assurances de Dommages obéissent au principe indemnitaire et peuvent
concerner les biens de l’assuré ou sa responsabilité civile (réparation des préjudices causés à un
tiers). Ce mémoire s’intéresse au provisionnement des sinistres des Assurances de Dommages et
plus spécifiquement aux sinistres graves qui sont généralement liés à la responsabilité civile.

1.2 Garantie Etudiée : la Responsabilité Civile

1.2.1 Généralités sur la Responsabilité Civile
La responsabilité civile (RC) est l’obligation faite à une personne de réparer le préjudice
causé à autrui. Le dommage doit être intégralement réparé, par le versement de dommages-
intérêts à la victime par le responsable. La responsabilité civile est dite « contractuelle » en cas
de mauvaise exécution ou d’inexécution totale ou partielle des obligations nées d’un contrat.
Elle est dite « extracontractuelle » lorsque, comme son nom l’indique, son origine n’est pas
un contrat. C’est l’article 1382 du Code civil qui prévoit la responsabilité extra-contractuelle
simple : « Tout fait quelconque de l’homme, qui cause à autrui un dommage, oblige celui par la
faute duquel il est arrivé, à le réparer ».

Franck Lopez 10
1.2.2 Les garanties d’assurance
Responsabilité Civile Automobile (RCA)
Instaurée le 27 février 1958, l’assurance Automobile est obligatoire pour tout véhicule terrestre
à moteur. Elle couvre la Responsabilité Civile du Conducteur contre les dommages causés aux
tiers avec son véhicule (passagers, piétons, automobilistes). Si cette garantie constitue le mini-
mum obligatoire, elle ne couvre ni les dommages corporels du conducteur, ni les dommages aux
véhicules.

Responsabilité Civile Vie Privée (RCVP)

La garantie responsabilité civile vie privée couvre les conséquences pécuniaires de la responsabi-
lité civile incombant à l’assuré dans le cadre de sa vie privée en raison des dommages corporels,
matériels et immatériels causés à des tiers par : son propre fait ou le fait des personnes dont il
doit répondre ; les biens mobiliers ou les animaux dont l’assuré est propriétaire ou gardien.

Responsabilité Civile Entreprise (RCE)

Une entreprise a l’obligation de réparer tout dommage causé à autrui par les personnes ou les
biens dont elle répond. Il s’agit de sa responsabilité civile.

1.2.3 Les dommages concernés

Dommages Corporels
Un dommage corporel est un dommage portant atteinte à l’intégrité de la personne, c’est à
dire causant des blessures ou le décès de la personne. Les dommages corporels sont assurables
avec différents contrats d’assurance de responsabilité ou de personnes. Les dommages corporels
représentent uniquement des atteintes à la personne humaine : ils s’opposent aux dommages
matériels qui sont des atteintes aux choses ou aux animaux, même s’il peuvent survenir lors
d’un même sinistre.
Du fait d’une spécificité légale française, la couverture des dommages corporels est illimitée,
c’est à dire que la loi impose aux assureurs la prise en charge intégrale de tout sinistre corporel
causé par les personnes assurées, quel qu’en soit le montant.
Certains postes d’indemnisation peuvent être payés sous la forme de rentes viagères (principale-
ment l’Assistance Tierce Personne). Dans ce cas, des règles spécifiques de calcul des provisions
mathématiques s’appliquent. Ces règles de calculs font intervenir des tables de mortalité, un
taux d’actualisation et un taux de revalorisation encadrés par la loi.
Enfin, les règles à appliquer par le traité de réassurance peuvent être différentes de celles prati-
quées sur le contrat d’assurance (tables de mortalité différentes, taux d’actualisation fixé contrac-
tuellement, limite sur la revalorisation des rentes, etc.). Il convient dans ce cas de convertir les
charges sinistres d’un référentiel à un autre pour la bonne application des traités.

Dommages Matériels
Un dommage matériel est un dommage représentant une atteinte à une chose, un bien ou un
animal. Il s’oppose au dommage corporel qui représente une atteinte à la personne humaine.
Révisé tous les 5 ans en fonction de l’inflation, le plafond minimal de couverture des dommages

Franck Lopez 11
matériels en assurance auto en cas de sinistre est fixé à 1 220 000 €. Très loin, cependant des
pratiques du marché, les contrats d’assurance automobile prévoyant des plafonds plus élevés,
allant de 50 à 100 M€.

Dommages Immatériels
Un dommage immatériel est un dommage « résultant de la privation de jouissance d’un droit,
de l’interruption d’un service rendu par une personne ou par un bien meuble ou immeuble ou
de la perte de bénéfice ». Il s’oppose au dommage corporel et au dommage matériel, même s’il
peut en être une conséquence.

1.3 Provisionnement d’un sinistre

Provision pour Sinistre A Payer (PSAP)
Entre la survenance d’un sinistre et son paiement définitif, de nombreuses années peuvent s’écou-
ler. Entre ces deux instants de la vie d’un sinistre, la provision pour sinistre à payer (PSAP) est
destinée à couvrir l’ensemble des coûts restant à régler au titre des sinistres. Plus précisément,
cette PSAP est définie dans l’article R331-6l du Code des Assurance comme la « valeur estima-
tive des dépenses en principal et en frais, tant internes qu’externes, nécessaires au règlement de
tous les sinistres survenus et non payés ».
Cette provision peut se décomposer en deux parties principales :
m La provision dossier/dossier : évaluée individuellement par les gestionnaires sinistre en
suivant généralement un guide de provisionnement, il s’agit d’une estimation des règlements
à venir en fonction des informations disponibles à date. Ces provisions sont réévaluées au
fil des nouvelles informations disponibles sur le dossier concerné.
m Les IBNR (Incurred But Not Reported) : une provision complémentaire destinée à couvrir
l’insuffisance (ou la prudence) des dossiers ouverts (IBNER) ou des dossiers non encore
déclarés (IBNYR).
— IBNER (Incurred But Not Enough Reported) : provision pour sinistres insuffisamment
provisionnés. Elle constitue un complément aux provisions dossier / dossier si celles-ci
s’avèrent insuffisantes (malis) ou trop importantes (bonis).
— IBNYR (Incurred But Not Yet Reported) : provision pour sinistres survenus mais pas
encore déclarés (dit tardifs).

Franck Lopez 12
Dans le calcul de la PSAP peuvent aussi se retrouver la PFGS (Provision pour Frais de Gestion
des Sinistres) et la PRAE (Prévision de Recours A Encaisser). La décomposition de la charge
sinistre est présentée dans l’équation 1.1.

Charge Sinistre = P ayés + P SAP

(1.1)
Charge Sinistre = P ayés + P rovision d/d + IBN R

La provision d/d est connue et dépend des éléments connues à ce jour par le gestionnaire du
sinistre. Estimer la charge à l’ultime revient donc à estimer les IBNR. Les méthodes qui sont
développées dans ce mémoire ont pour objectif d’estimer précisément les IBNER. Les IBNYR
ne sont pas traités dans ce mémoire et nécessiterait , pour leur calcul, le développement d’un
modèle de tardif.

1.4 Réassurance
1.4.1 Généralités
L’opération de réassurance est un transfert de risque de l’assureur (la cédante) vers un
réassureur qui accepte de porter une partie du risque, cette partie étant définie contractuellement
dans un traité de réassurance qui lie la cédante et le réassureur. Cependant, seul l’assureur répond
à l’égard de l’assuré, aucun lien contractuel ne lie l’assuré au réassureur. La réassurance permet
de réduire la volatilité et de protéger le résultat des pertes extrêmes mais aussi d’accompagner
le développement d’un portefeuille. La réassurance permet à la cédante de réduire ses fonds
propres nécessaires pour couvrir ses risques grâce à la mutualisation. Le réassureur est lui aussi
soumis à des règles de solvabilité et emploie la diversification dans sa souscription pour réduire
ses besoins en capitaux ainsi que la rétrocession (transfert du risque vers un autre réassureur).
L’opération de réassurance permet ainsi à la cédante de tirer profit de la mutualisation à une
plus grande échelle, qui lui est normalement inaccessible.

1.4.2 Réassurance en excédent de sinistre (XS)

Le montant d’un sinistre corporel grave peut représenter plusieurs dizaines de millions d’eu-
ros. De plus la garantie illimitée obligatoire peut potentiellement aboutir à des charges sinistres
encore plus élevées. Ceci amène les compagnies d’assurance à vouloir se couvrir contre l’intensité
exceptionnelle des sinistres individuels. Pour ce faire, une Réassurance en excédent de sinistre
(XS) est généralement mise en place.
Un traité de réassurance en excédent de sinistre est une couverture de réassurance qui s’applique
individuellement sur la charge sinistre de manière non proportionnelle. Ce type de traité est dit
non proportionnel car la charge cédée au réassureur n’est pas proportionnelle à la charge brute
du sinistre.

Cette couverture se caractérise par :

m Une priorité : montant à partir duquel l’excédent est pris en charge par le réassureur.

Franck Lopez 13
 m Une portée (ou capacité) : montant maximal pris en charge par la réassurance pour un
sinistre individuel.
m Un nombre de reconstitution de la capacité ou une limite annuelle agrégée (AAL).
m Une franchise annuelle agrégée (AAD).
m Une clause de rente qui spécifie comment les rentes doivent être valorisées dans la charge
sinistre affectée au traité.
m Une clause de stabilisation qui définit la règle du partage de l’inflation entre l’assureur et
le réassureur par le biais de la multiplication de la priorité et de la portée par un coefficient
dépendant de l’inflation et de la cadence de paiement.
La figure 1 illustre le fonctionnement de la réassurance en excédent de sinistre.

Figure 1 – Principe de la réassurance en excédent de sinistre.

1.5 Les provisions cédées aux réassureurs

Les assureurs doivent calculer des provisions techniques brutes pour répondre à des besoins
réglementaires : norme comptable française, norme prudentielle Solvabilité II (S2), IFRS, etc.
Ces provisions techniques représentent les engagements de l’assureur envers ses assurés. Si l’as-
sureur bénéficie de couvertures de réassurance, les engagements des réassureurs sont admis en
représentation des provisions techniques brutes. Le montant estimé des provisions cédées vient
au bénéfice des provisions techniques brutes en libérant des fonds propres et en améliorant la
solvabilité. L’estimation des provisions cédées est donc importante pour la bonne représentation
du résultat technique mais aussi pour le calcul de la solvabilité de l’assureur.

1.5.1 Un enjeu réglementaire : Best Estimate de cession

La norme prudentielle Solvabilité II (S2) stipule que la valeur des provisions techniques
doit être égale à la somme de la meilleure estimation, le Best Estimate (BE) et d’une Marge de
risque. La valorisation des BE se fait en sommant les flux futurs (décaissements et encaissements)
probabilisés et actualisés (ce qui nécessite d’estimer la date des flux) sans application d’une marge
de prudence. Les BE des provisions brutes de réassurance sont inscrits au passif du Bilan. Les
BE de cessions sont constitués en représentation à l’actif pour prendre en compte les cessions
aux réassureurs et sont ajustés « afin de tenir compte des pertes probables pour défaut de la

Franck Lopez 14
contrepartie ». Une meilleure estimation des BE de cessions aura donc des répercussions sur
le calcul de la solvabilité de l’assureur. Pour plus de précisions sur les aspects réglementaires
S2 des provisions cédées, le lecteur pourra se reporter à la lecture du manuel Best-Estimate
Liabilities [Taillieu, 2016].

1.5.2 Un enjeu économique : commutations

La commutation en réassurance consiste au rachat par le réassureur de ses engagements
envers la cédante. Celle-ci intervient pour solder la relation qui lie l’assureur et le réassureur
généralement sur les traités anciens avec un nombre limité de sinistres en cours. Le transfert
du risque se fait donc du réassureur vers l’assureur, le réassureur versant alors une prime de
commutation qui doit refléter la valeur des engagements ainsi qu’une marge de risque. Dans ce
cadre, la bonne estimation des provisions cédées permet l’estimation d’une prime de commutation
qui correspond précisement au risque transféré.

Franck Lopez 15
 Chapitre 2

Problématique du provisionnement
pour la réassurance non
proportionnelle

Le contexte ayant été fixé, la problématique du provisionnement qui se pose spécifiquement

à la réassurance non proportionnelle est développée dans ce chapitre.

2.1 Provisionnement individuel en assurance directe

Dans le cadre du provisionnement en assurance directe, les méthodes classiques agrégées de
type Chain-Ladder sont adaptées la plupart du temps pour fournir une estimation des provi-
sions brutes moyennes et de leur volatilité. Néanmoins de nombreux mémoires ([Beneteau, 2004],
[Barbaste, 2017], [Quiquet, 2019]) et articles ([Antonio et Plat, 2012], [ASTIN, 2017],
[Baudry et Y.Robert, 2017]) ont exploré les avantages de l’utilisation de méthodes de provi-
sionnement individuel en assurance directe en utilisant des méthodes paramétriques ou non-
paramétriques. Ils concluent généralement que les méthodes individuelles permettent d’augmen-
ter la précision des prédictions en prenant mieux en compte l’hétérogénéité des sinistres, surtout
pour les sinistres à durée de vie longue et les années de sinistralité atypiques. La projection
individuelle est généralement faite de manière déterministe avec un grand nombre de variables
explicatives. En effet, l’objectif est, dans ce cas, d’estimer au mieux la provision moyenne de
chaque sinistre et la composante aléatoire de la variable à prédire n’est généralement pas étudiée.
Pourtant, cette composante aléatoire est déterminante en réassurance non proportionnelle.

2.2 Un enjeu spécifique pour la réassurance non proportionnelle

Tout d’abord les sinistres qui touchent la réassurance non proportionnelle, notamment la
réassurance en excédent de sinistre, ne sont pas de même nature que ceux qui touchent princi-
palement l’assurance directe. En effet, ils sont moins nombreux et plus graves en raison de la
sélection qui se fait par l’application d’une franchise. De plus, leur évolution est généralement
plus longue et des bonis ou des malis importants peuvent être constatés au cours de la vie du
sinistre sur des dizaines d’années. Ces éléments qualitatifs indiquent qu’un développement indi-
viduel des sinistres revêt une importance particulière enrRéassurance non proportionnelle.

De manière plus détaillée, en réassurance proportionnelle, il est possible d’estimer la cession

moyenne d’un sinistre en estimant sa charge sinistre moyenne à l’ultime sur laquelle on applique

Franck Lopez 16
ensuite une quote-part (eq. 2.1).

Z ∞
Cession_M oyenne = C.f (C).QP.dC
Z0 ∞
Cession_M oyenne = ( C.f (C).dC) × QP (2.1)
0
Cession_M oyenne = Charge_M oyenne × QP

Ce type de réassurance est donc adaptée à une méthode agrégée pour estimer les provisions
cédées puisque le lien entre charge et cession est linéaire. Ce n’est pas le cas pour la réassurance
non proportionnelle et plus spécifiquement pour la réassurance en excédent de sinistre définie par
l’équation (eq. 2.2). La non linéarité du lien qui existe entre la sinistralité brute et les cessions
empêche de raisonner de manière agrégée.

Z ∞
Cession_M oyenne = max(C − priorité, 0).f (C).dC
0
Z ∞ (2.2)
Cession_M oyenne 6= max(( .f (C).dC) − priorité, 0)
0

Les figures 2 et 3 illustrent graphiquement cette idée. Sur la première figure, la charge ultime
projetée avec la méthode Chain Ladder aboutit à une charge en dessous de la priorité et donc à
des cessions nulles tandis que la modélisation de différents scénarios potentiels d’évolution de la
charge sinistre aboutit à une cession non nulle. Sur la seconde figure, la charge est initialement
au dessus de la priorité et est projetée de la même manière que pour le premier sinistre ce
qui aboutit à une cession encore plus élevée tandis que la modélisation individuelle permet
d’appliquer une évolution différente du sinistre précédent (dans ce cas globalement à la baisse)
et fait aussi apparaître des cas où la charge sinistre passe en dessous de la priorité, baissant
d’autant plus les cessions.

Figure 2 – Illustration de l’intérêt d’un provisionnement individuel stochastique en réassurance

non proportionnelle : sinistre initialement en dessous de la priorité.

Franck Lopez 17
Figure 3 – Illustration de l’intérêt d’un provisionnement individuel stochastique en réassurance
non proportionnelle : sinistre initialement au dessus de la priorité.

Deux biais principaux de la méthode agrégée sont illustrés par cet exemple. Le premier biais
consiste à ne pas tenir compte des caractéristiques individuelles du sinistre, c’est à dire l’hé-
térogénéité de la sinistralité, pour sa projection ce qui entraîne un biais sur la charge ultime
brute individuelle et donc sur la provision cédée individuelle. Au brut, si les provisions à l’ultime
des petits sinistres sont systématiquement sous estimées tandis que celles des gros sinistres sont
surestimées, l’agrégation des provisions individuelles aura tendance à compenser les biais induit
par l’hétérogénéité des sinistres. Ce n’est plus le cas pour la réassurance en excédent de sinistre
qui sera uniquement impactée par les biais des sinistres supérieurs à la priorité. Le deuxième
biais consiste à ne pas tenir compte des différents scénarios d’évolutions possibles pour un même
sinistre individuel ce qui, là aussi, induit un écart sur la provision cédée individuelle et donc sur
la provision cédée totale calculée. Le développement d’une méthode de provisionnement qui est
à la fois individuelle et stochastique permet de répondre conjointement à ces deux biais.

Franck Lopez 18
 Deuxième partie

Partie Théorique

Franck Lopez 19
 Chapitre 1

Préparation des données avant

application des méthodes

La première étape, avant d’utiliser une méthode de projection à l’ultime, est une étape de
préparation des données en leur appliquant les retraitements nécessaires à l’application des mé-
thodes. En effet, les montants présents dans la base sinistre sont issus d’années de survenance
différentes vues à différents arrêtés. Ces montants ne sont donc pas forcément directement com-
parables. Cela peut être du à l’inflation mais aussi à des évolutions des règles de provisionnement
d’une survenance à l’autre (taux d’actualisation des rentes par exemple). Dans un contexte de
tarification, le référentiel de calcul doit être celui du traité de réassurance à renouveler. Dans
le cadre d’un provisionnement, le référentiel de calcul choisi est arbitraire. Il doit avant tout
permettre d’appliquer correctement la méthode de projection à l’ultime pour ensuite revenir
aux référentiels historiques.

1.1 Indexation des payés et des suspens

Pour l’application des différentes méthodes de développement de la charge sinistre, on consi-
dère que les charges sont, relativement aux années de survenance, indépendantes et exprimées
dans une base monétaire homogène. C’est pourquoi une indexation des données de base est
réalisée avant l’application des méthodes de développement. Toutes les années de survenance et
leurs flux correspondants (Payés décumulés et Suspens) sont translatés dans le temps pour que
les années de survenance coïncident avec une année de référence unique (eq. 1.1). L’indice utilisé
pour cette transformation doit inclure l’inflation passée et future.

Indice(Année Réf érence + Décalage)

F lux Indexé = F lux × (1.1)
Indice(Arrêté)
Une fois que le triangle des charges individuelles est complété jusqu’à l’ultime, la transforma-
tion inverse est appliquée pour revenir aux montants exprimés dans les référentiels historiques
(eq. 1.2). En effet, les traités de réassurances sont associés à des années de survenance et s’ap-
pliquent sur les montants historiques.

Indice(Arrêté)
F lux = F lux_Indexé × (1.2)
Indice(Année_Réf érence + Décalage)

Franck Lopez 20
 Chapitre 2

Méthode Chain Ladder appliquée

aux sinistres individuels

2.1 Le modèle Chain Ladder

Le modèle Chain Ladder et ses dérivés est largement utilisé en Assurance. Il s’agit initiale-
ment d’une méthode heuristique (approche intuitive) qui a par la suite été confirmée dans un
formalisme mathématique plus rigoureux. En effet, les résultats de cette méthode correspondent
non seulement au maximum de vraisemblance mais peuvent aussi être représentés dans le cadre
plus général d’un modèle linéaire généralisé (GLM) [Taylor et McGuire, 2016].

2.1.1 Théorie
Le principe de base du modèle Chain-Ladder est de projeter des montants dans le futur à
partir des accroissements constatés dans le passé. Les facteurs d’accroissement qui permettent
de passer d’un pas de temps au suivant sont appelés facteurs de développement (f ). Soit un
sinistre i survenu l’année surv, la charge au décalage d est notée xsurv,i (d). Le dernier arrêté de
la base de donnée est noté Adiag . Le décalage correspondant dépend de la survenance et vaut
donc Adiag − surv. Enfin, pour l’application correcte du modèle Chain-Ladder, les années de
survenance doivent être indépendantes entre elles. L’équation 2.1 détaille la méthodologie Chain
Ladder.

+ 1) × 1{d<Adiag −surv}
P
surv,i xsurv,i (d
fˆ(d) = (2.1)
× 1{d<Adiag −surv}
P
surv,i xsurv,i (d)

Une autre formulation [Taylor et McGuire, 2016] permet de se placer dans le cadre plus général
d’une régression linéaire de fsurv,i (d) pondérée par des poids wsurv,i (d) (eq. 2.2). Les poids
représentent alors l’importance relative de la charge individuelle de sorte que la somme pondérée
des facteurs de développement individuels soit égale au facteur de développement agrégé par
année de survenance. Les deux formulations sont équivalentes, la deuxième ayant l’avantage de
permettre le calcul d’une volatilité associée à une distribution via un GLM par exemple.

Franck Lopez 21
 xsurv,i (d + 1)
fˆsurv,i (d) =
xsurv,i (d)
xsurv,i (d)
wsurv,i (d) = P × 1{d<Adiag −surv} (2.2)
i xsurv,i (d)

fˆ(d) = wsurv,i (d) × fˆsurv,i (d)

X

surv,i

Dans une approche classique, la projection est réalisée sur les montants agrégés par année de
survenance (eq. 2.3).
NX
surv
xsurv (d) = xsurv,i (d) (2.3)
i

La projection à l’ultime de la charge sinistre agrégée par survenance est réalisée ensuite en
cascade en appliquant l’équation 2.4 d’un décalage à l’autre (fig. 4). On note diagsurv = Adiag −
surv le décalage correspondant au dernier arrêté pour l’année de survenance surv.

Figure 4 – Remplissage en cascade d’un triangle individuel

Franck Lopez 22
 NX
surv
xsurv (d) = xsurv,i (d)
i

xsurv (d + 1) = xsurv (d) × f (d), (d ≥ diagsurv ) (2.4)

Y
xsurv (ultime) = xsurv (diagsurv ) × f (d)
d=diagsurv

Pour obtenir une estimation approximative des charges ultimes individuelles les coefficients de
passage sont appliqués directement aux charges individuelles (eq. 2.5).

xsurv,i (d + 1) = xsurv,i (d) × f (d), (d ≥ diagsurv )

Y (2.5)
xsurv,i (ultime) = xsurv,i (diagsurv ) × f (d)
d=diagsurv

L’agrégation par année de survenance des charges ultimes individuelles aboutit aux charges
ultimes agrégées précédentes (eq. 2.6). L’application individuelle de la méthode Chain-Ladder,
à défaut d’être une véritable méthode individuelle, est cohérente avec la méthode agrégée.

NX
surv
xsurv (ultime) = xsurv,i (ultime) (2.6)
i

2.1.2 Les limites de l’utilisation d’une méthode agrégée et déterministe ap-

pliquée aux sinistres individuels
Avec cette méthode, le développement d’un sinistre ne dépend que de sa maturité et est réalisé
de manière déterministe. Les limites de l’utilisation d’une méthode agrégée et déterministe ont
été introduites dans la partie I au chapitre 2 p. 14. La méthode Chain Ladder simple est peu
adaptée à la projection individuelle des sinistres graves qui ont une volatilité importante. De plus,
cette volatilité impacte significativement le calcul des cessions en réassurance non proportionnelle
ce qui doit conduire à des biais dans le calcul des provisions cédées.

Franck Lopez 23
 Chapitre 3

Méthodologie du modèle de
Provisionnement Individuel
Stochastique

3.1 Objectif
L’objectif est de prédire, pour chaque sinistre individuel, l’ensemble des développements pro-
bables de la charge sinistre en se basant sur l’état actuel connu du sinistre (décalage et charge).
La connaissance de cet ensemble doit permettre d’appliquer la réassurance non proportionnelle
de manière individuelle et stochastique. La construction de cette méthode s’inspire en partie
des travaux de [Taylor et McGuire, 2016] qui développent une méthode de projection stochas-
tique paramétrique mais agrégée et du rapport [ASTIN, 2017] qui développe une méthode de
projection individuelle non-paramétrique mais déterministe.

3.2 Architecture du modèle

L’architecture générale du modèle est présentée ci-dessous. Chaque étape de calcul est pré-
sentée de manière plus détaillée dans les sections suivantes.

Départ : Triangle des charges individuelles (payés et suspens)

1. Indexation du triangle des charges individuelles (payés décumulés et des suspens)
2. Calibration du modèle multinomial d’évolution des sinistres (boni, stable, mali)
3. Calibration du modèle de prédiction de la charge au décalage suivant
4. Simulation des N scénarios :
4.1. Projection individuelle stochastique du triangle t jusqu’à l’ultime
a. Départ : Charge individuelle xi (diag) au dernier arrêté
b. Tirage de l’évolution au décalage suivant (boni, stable ou mali)
c. Tirage de la charge au décalage suivant en fonction de l’évolution et de la charge
d. Répétition des étapes b et c en cascade jusqu’à l’ultime
4.2. Calcul des règlements individuels à partir de la cadence des règlements
4.3. Calcul des provision brutes
4.4. Application des traités de réassurance : calcul des cessions
4.5. Calcul des provision cédées
5. Calcul d’une distribution des provisions brutes et cédées à l’ultime

Franck Lopez 24
3.3 Modèle de génération de bonis ou malis
En observant l’évolution des charges sinistres corporels d’un arrêté à un autre, plusieurs
observations peuvent être faites. Tout d’abord, une grande partie des sinistres garde une charge
stable d’une année à l’autre. Ensuite, pour les cas où la charge est réévaluée, les bonis ne sont
pas de même nature que les malis. En effet, un boni ne peut pas excéder la charge du sinistre
tandis qu’un mali n’a théoriquement pas de borne supérieure. Il est donc justifié de commencer
par séparer les données en trois sous ensembles (boni, stable et mali).

Ainsi, la première étape à accomplir afin de pouvoir développer la charge d’un sinistre d’une an-
née sur l’autre est d’évaluer la probabilité d’évolution d’un sinistre en fonction de son état actuel.
Un modèle multinomiale à trois variables (boni, stable et mali) est indiqué pour accomplir cette
première étape. Soit E la variable aléatoire catégorielle qui peut prendre les valeurs nominales
"boni", "stable" ou "mali". E suit une loi multinomiale avec trois issues possibles (eq. 3.1).

E ∼ E (X, d) (3.1)

Les paramètres de cette loi sont les probabilités de chacune des issues (eq. 3.2).


 pBoni(x, d) si e = ”boni”


P(E = e|(X = x, D = d)) = pStable(x, d) si e = ”stable” (3.2)


 pM ali(x, d) si e = ”mali”

3.4 Prédiction de la charge au décalage suivant

La charge au décalage suivant suit une loi de probabilité qui dépend de la charge, du décalage
et de l’évolution prédite du sinistre (eq. 3.3).

Xd+1 ∼ L (xd , d, e) (3.3)

Cette loi peut être décomposée en trois parties selon l’évolution du sinistre en boni, stable ou
en mali (eq. 3.4 et 3.5).

Xd+1 |E = ”boni” ∼ B(xd , d)

Xd+1 |E = ”stable” = xd (3.4)
Xd+1 |E = ”mali” ∼ M (xd , d)


 B(xd , d) avec probabilité pBoni(xd , d)


Xd+1 ∼ x
d avec probabilité pStable(xd , d) (3.5)

 M (x , d)

avec probabilité pM ali(xd , d)
d

Les lois de probabilités B et M doivent être calibrées à partir de deux sous ensembles de la base
de données constitué respectivement des bonis et des malis. Cette calibration peut être réalisée

Franck Lopez 25
par plusieurs méthodes et est développée dans le chapitre 4.

3.5 Prédiction de la charge à l’ultime en cascade

A l’aide de la calibration précédente, pour une charge et un décalage donnés, le tirage aléa-
toire d’une charge au décalage suivant peut être effectué. Pour cela, un tirage de l’évolution du
sinistre est tout d’abord réalisé. Une fois l’évolution fixée, la loi de probabilité sachant l’évolution
est utilisée pour tirer aléatoirement une charge au décalage suivant. Ce processus peut alors être
répété en cascade jusqu’à l’ultime.

3.6 Remplissage parallèle stochastique des triangles de charges

individuelles
Afin d’obtenir une bonne estimation de toutes les évolutions possibles des charges sinistres
individuelles, le processus en cascade décrit précédemment doit être répété un grand nombre de
fois. Ce processus sera donc appliqué en parallèle sur un grand nombre de triangles de charge
individuelle. Ces matrices simulées de charges individuelles constituent alors toutes les issues
probables du triangle de charges individuelles d’origine projeté à l’ultime.

3.7 Estimation d’une cadence de paiement

L’estimation d’une cadence de paiement est nécessaire pour deux raisons. Premièrement, le
calcul des provisions Best Estimate est effectué en actualisant les règlements futurs. Deuxiè-
mement, l’application de la réassurance en excédent de sinistre se fait après stabilisation de la
priorité et de la portée. Cette stabilisation permet de corriger les bornes des traités de réassu-
rance en fonction de l’inflation observée. En pratique, le calcul du coefficient de stabilisation
nécessite la connaissance des règlements.

Pour calculer une cadence de paiement, une approche agrégée a été choisie. Celle-ci consiste
à calculer, pour chaque décalage, la part de la somme des règlements observés sur la somme
des charges à l’ultime calculées (eq. 3.6). Cette cadence agrégée par triangle est ensuite appli-
quée à l’ensemble des charges individuelles projetées afin d’obtenir une matrice des règlements
individuels.

PN sinistre
Règlementsi,d
Cadenced = Pi=1
N sinistre
(3.6)
i=1 Chargei,ultime

3.8 Calcul de la distribution des provisions brutes

A partir du jeu de matrices simulées des charges individuelles, la distribution des provisions
brutes peut être calculée. Pour ce faire, la provision de chaque sinistre i appartenant à la simu-
lation s doit tout d’abord être calculée en effectuant la somme actualisée des règlements futurs.

Franck Lopez 26
Puis la provision totale par simulation est obtenue en sommant les provisions par sinistre pour
une simulation donnée. Enfin, l’ensemble des provisions totales par simulation constitue une
distribution des provisions. Ces étapes sont présentées dans l’équation 3.7.

ultime
X Règlementss,i,d
P rovisions,i =
d=diag+1
(1 + tactu )d
(3.7)
N sinistres
X
P rovisions = P rovisions,i
i=1

3.9 Calcul des coefficients de stabilisation

Les traités en excédent de sinistre comportent généralement une clause de stabilisation qui
permet de garantir que les bornes du traité restent stables relativement à l’inflation des coûts
des sinistres. L’inflation est mesurée par un indice qui est fixé dans le traité. L’application de la
stabilisation consiste à calculer un coefficient de stabilisation à appliquer aux bornes du traité
(priorité et portée). Ce coefficient de stabilisation est défini comme la somme des règlements et
suspens divisée par la somme des règlements et suspens stabilisés. Les étapes de calculs sont
détaillés dans les équations 3.8 et 3.9.

Isurv
Reglement_Stabi,j = Reglementi ×
Isurv+j
(3.8)
Isurv
Suspens_Stabi,j = Suspensi ×
Isurv+j

Reglements_Cumules + Suspens
Coef Stabi,d =
Reglements_Cumules_Stab + Suspens_Stab

Pd (3.9)
j=0 Reglementi,j + Suspensi,d
Coef Stabi,d = Pd Isurv Isurv
j=0 Reglementi × Isurv+j + Suspensi,d × Isurv+d

A l’ultime, l’équation précédente se simplifie en l’absence de suspens (eq. 3.10).

Pult
j=0 Reglementi,j
Coef Stabi,ult = Pult Isurv (3.10)
j=0 Reglementi × Isurv+j

Dans la pratique, un paramètre supplémentaire rentre en compte dans le calcul du coefficient de

stabilisation. Il s’agit du seuil de déclenchement de la stabilisation. En effet, il est généralement
spécifié dans les traités qu’en dessous de ce seuil (généralement 10%), les règlements et les
suspens ne sont pas stabilisés. Ce seuil s’applique sur l’indice lui-même et sera pris en compte
dans la suite de l’étude. La transformation de l’équation 3.10 est décrite dans l’équation 3.11.

Franck Lopez 27
 Pult
j=0 Reglementi,j
Coef Stabi,ult =  
Pult  Isurv si Isurv+j − 1 ≥ seuil  (3.11)
Isurv+j Isurv
j=0 Reglementi × 
1 sinon 

Finalement, le coefficient de stabilisation calculé individuellement est appliqué aux bornes du

traité avant application à la charge sinistre (eq. 3.12).

P riorité_Stab = P riorité × Coef Stabs,i,d

(3.12)
P ortée_Stab = P ortée × Coef Stabs,i,d

3.10 Application de la réassurance sur les sinistres individuels

Pour une simulation s, un sinistre i et un décalage d donné, on dispose désormais des rè-
glements passés et futurs ainsi que des coefficients de stabilisation associés. Afin d’obtenir les
provisions cédées, les cessions cumulées puis décumulées nominales (sans actualisation) doivent
être calculées dans un premier temps (eq. 3.13).

Cessions_Cumuléess,i,d = min(max(Règlements_Cumulés − P riorité_Stab, 0), P ortée_Stab)

Cessionss,i,d = Cessions_Cumuléess,i,d − Cessions_Cumuléess,i,d−1
(3.13)

3.11 Calcul des provisions cédées

Les provisions cédées s’obtiennent en réalisant la somme actualisée des cessions décumulées
(eq. 3.14).

ultime
X Cessionss,i,d
P rovision_Cédées,i =
d=diag+1
(1 + tactu )d
(3.14)
N sinistres
X
P rovision_Cédées = P rovision_Cédées,i
i=1

Franck Lopez 28
 Chapitre 4

Calibration et validation des modèles

4.1 Objectif
Comme cela a été présenté dans le chapitre 3, afin de pouvoir développer la charge d’un
sinistre au décalage suivant, des calibrages de lois de probabilité doivent être effectués. Le premier
calibrage concerne les lois de probabilité prédisant l’évolution du sinistre (boni, stable ou mali)
tandis que le second concerne les lois de probabilité B et M qui prédise la charge au décalage
suivant en prenant en compte son état actuel et son évolution.

4.2 Modèle multinomial d’évolution du sinistre

Cette section s’appuie en partie sur le cours de [Hua et al., 2010] sur la régression logistique
multinomiale. La variable à prédire, ici le type d’évolution du sinistre, est catégorielle (boni,
stable et mali). Une régression logistique binomiale est indiquée pour traiter les variables ca-
tégorielle à deux issues. Cette méthode fournit la probabilité d’appartenance de la variable à
une catégorie. La régression linéaire s’effectue sur la transformation logit de cette probabilité
(eq. 4.1). Ce modèle suppose donc que la relation entre la transformation logit de la probabilité
p d’appartenance à une catégorie et les variables explicatives est linéaire.

p
logit(p) = ln( ) = β0 + β1 x + β2 d
1−p
exp(β0 + β1 x + β2 d) (4.1)
p=
1 + exp(β0 + β1 x + β2 d

Une régression logistique binomiale peut être représentée par un réseau de neurones à une couche
(fig. 5).

Figure 5 – Illustration d’une régression logistique binomiale représentée par un réseau de

neurones à une couche [Rachka., 2020].

Franck Lopez 29
La régression logistique multinomiale est une extension de la régression logistique binomiale
permettant d’étendre au delà de deux le nombre d’issues possibles pour la variable catégorielle.
Elle peut être réalisée par un réseau de neurones avec une couche cachée (fig. 6). Soit y le
résultat de la régression via le réseau de neurone pour un échantillon (x,d) donné. Ce résultat
doit être transformé via la fonction softmax qui est une généralisation de l’équation eq. 4.1 au cas
multinomial. Cette transformation permet d’obtenir les probabilités que l’échantillon de réponse
y appartiennent aux différentes classes i. Cette transformation est décrite par l’équation 4.2.

Figure 6 – Illustration d’un réseau de neurones avec une couche cachée [Rachka., 2020].

ey
P (E = i|y) = Φsof tmax (yi ) = PM i y (4.2)
m=1 em

Franck Lopez 30
4.3 Modèle de prédiction de la charge au décalage suivant
Les lois B et M peuvent être calibrées sur les données sinistres disponibles à l’aide de
différentes méthodes. Ces méthodes consistent toutes à réaliser une régression de la charge
(ou d’une transformation de celle-ci) en fonction de la charge au décalage précédent et du
décalage actuelle. On note Y la variable prédite. Plusieurs manières de définir cette variable sont
présentées dans l’équation 4.3. Elle peut être définie par la charge sinistre, son accroissement
absolu ou bien son accroissement relatif.

Yi = Xi,d+1
ou Yi = Xi,d+1 − Xi,d (4.3)
ou Yi = Xi,d+1 /Xi,d − 1

Ces transformations permettent de placer la variable d’origine dans le cadre d’application de

la méthode choisie. En effet, certaines lois de probabilité requièrent que la variable prédite soit
comprise dans l’intervalle [0, +∞] ou bien [0, 1], ou ]0, 1[, etc.

4.3.1 Méthode paramétrique : Modèle Additif Généralisé linéaire paramé-

trique
Cette section s’appuie sur les travaux de [Rigby et Stasinopoulos, 2010] qui développent une
approche générale des régressions paramétriques et semi-paramétriques dénommée GAMLSS
(Generalized Additive Models for Location, Scale and Shape).

4.3.1.1 Théorie

La première méthode étudiée est dite paramétrique car la régression est réalisée en postu-
lant une loi de probabilité théorique puis en estimant ses paramètres en fonction des variables
explicatives. Une approche simpliste consiste à réaliser une régression linéaire simple (LM).
L’équation 4.4 présente les caractéristiques principales d’un modèle LM tandis que la figure 7
illustre sur un exemple les résultats du modèle.

Yi = β0 + β1 xi,d + β2 d + i,d
(4.4)
i,d ∼ N (0, σ)

Franck Lopez 31
 Figure 7 – Exemple d’une régression linéaire simple [Rigby et Stasinopoulos, 2010]

Une première limitation de la régression linéaire simple est que la variable prédite doit avoir
une relation strictement linéaire avec les variables explicatives. De plus, la variable prédite est
supposée suivre une loi normale de variance constante. La variance peut tout de même être
variable en affectant des poids aux valeurs explicatives mais la distribution reste normale.

Le modèle linéaire généralisé (GLM) permet de s’affranchir en partie des limitations de la régres-
sion linéaire simple. Tout d’abord, la distribution normale de la variable prédite est remplacée
par une famille de distribution notée EDF (Exponential Dispersion Family) tandis que le lien
entre la variable prédite et les variables explicatives est défini par une fonction de lien mono-
tone "g" qui permet la non linéarité. L’équation 4.5 présente les caractéristiques principales d’un
modèle GLM tandis que la figure 8 illustre sur un exemple les résultats du modèle.

Yi ∼ EDF (µi,d , Φ)
(4.5)
g(µi,d ) = β0 + β1 xi,d + β2 d

Franck Lopez 32
 Figure 8 – Exemple d’une régression linéaire généralisée [Rigby et Stasinopoulos, 2010]

Les lois faisant parties de la famille exponentielle permettent de couvrir un grand nombre de
cas avec des variances non constantes et la fonction de lien "g" permet de décrire des relations
non linéaires. Néanmoins, la famille de loi exponentielle ne permet pas de décrire toutes les
distributions possibles de la variable prédite.

Le modèle additif généralisé (GAM) permet d’élargir le cadre d’application d’une régression
paramétrique en s’affranchissant de l’hypothèse de distribution appartenant à la famille expo-
nentielle en la substituant par une famille plus générale de distribution. De plus, la régression
peut s’effectuer non seulement sur l’espérance mais aussi sur d’autres paramètres comme la va-
riance permettant une paramétrisation plus fine du modèle de régression. L’équation 4.6 présente
les caractéristiques principales d’un modèle GAM tandis que la figure 9 illustre sur un exemple
les résultats du modèle.

θi,d = µi,d , σi,d , νi,d , τi,d

(4.6)
Yi |θi,d ∼ D(θi,d )

La moyenne µ ainsi que l’écart type σ possèdent leurs propres paramètres de régressions β et
leur propre fonction de lien g (eq. 4.7).

g1(µi,d ) = β1,0 + β1,1 xi,d + β1,2 d

(4.7)
g2(σi,d ) = β2,0 + β2,1 xi,d + β2,2 d

Franck Lopez 33
 Figure 9 – Exemple d’une régression additive généralisée [Rigby et Stasinopoulos, 2010]

Cette formulation est celle d’un modèle GAM linéaire paramétrique. En effet, le cadre général du
modèle GAM permet l’ajout d’un terme additif ("A" de GAM) non paramétrique aux expressions
des gk ce qui aboutit à un modèle semi-paramétrique. De plus, des combinaisons non linéaires des
paramètres peuvent être utilisées ce qui aboutit à un modèle non-linéaire semi-paramétrique.
Néanmoins, seule la première formulation linéaire paramétrique du GAM est utilisée dans la
suite de l’étude.
Pour l’ensemble des modèles présentés, les paramètres β sont déterminés par maximisation
de la log-vraisemblance. La fonction de vraisemblance représente la probabilité d’observer les
données d’apprentissage avec les paramètres du modèle. La log-vraisemblance est, comme son
nom l’indique, le log de la fonction de vraisemblance. Sa maximisation permet d’obtenir, pour
un modèle donné, les paramètres les plus vraisemblables du modèle pour générer les données
d’apprentissage.

4.3.1.2 Choix des lois

Le modèle GAM permet d’utiliser une grande variété de loi de probabilité. Etant donné la
partition en boni et mali de la base d’apprentissage, deux lois de probabilité doivent être choisies.
Le critère de sélection AIC (Akaike Information Criterion) permet de faire ce choix (eq. 4.8).

AIC = −2log(L̂) + 2 × df (4.8)

L̂ représente la vraisemblance calculée du modèle pour les données d’apprentissage et df repré-

sente le nombre de degrés de liberté du modèle. Le critère AIC doit être minimal, il s’agit donc
d’un compromis entre la log-vraisemblance du modèle et son nombre de degrés de liberté. En
effet, augmenter le nombre de degrés de liberté de la loi choisie permet de calibrer un modèle au
plus proche des données d’apprentissage mais peut conduire à un sur-apprentissage en faisant
perdre au modèle sa qualité de généralisation. C’est pourquoi le nombre de degrés de liberté est
pénalisé.

Franck Lopez 34
Loi des bonis
Soit yi,d le boni du sinistre i au décalage d, xi,d sa charge actuelle et xi,d+1 sa charge au décalage
suivant (xi,d+1 < xi,d ), un boni est défini par l’équation 4.9.

yi,d = xi,d − xi,d+1 (4.9)

La variable Yi,d appartient à ]0, Xi,d ], le boni ne pouvant excéder la charge actuelle du sinistre.
Yi,d est donc borné à gauche et à droite avec une borne supérieure variable. Afin de rendre la
borne supérieure constante, on normalise la variable prédite en divisant celle-ci par la charge
actuelle xi,d (eq. 4.10).

xi,d − xi,d+1
yi,d = (4.10)
xi,d
La figure 10 représente un exemple de bonis avant et après normalisation.

(a) Avant normalisation. (b) Après normalisation.

Figure 10 – Exemple de bonis avant et après normalisation.

Yi,d appartient désormais à l’intervalle ]0, 1] ce qui permet d’utiliser l’ensemble des lois à support
]0, 1] (fig. 13).

Figure 11 – Lois continues de support (0,1) [Rigby et Stasinopoulos, 2010].

Loi des malis

Soit yi,d le mali du sinistre i au décalage d, xi,d sa charge actuelle et xi,d+1 sa charge au décalage
suivant (xi,d+1 > xi,d ), un mali est défini par l’équation 4.11.

yi,d = xi,d+1 − xi,d (4.11)

Franck Lopez 35
La variable Yi,d appartient à ]0, ∞[, un mali pouvant théoriquement être sans borne supérieure.
De la même manière que pour les bonis, il peut être utile de définir la variable prédite comme
la variation relative de la charge plutôt que la variation absolue de celle-ci en divisant celle-ci
par la charge actuelle xi,d (eq. 4.12.

xi,d+1 − xi,d
yi,d = (4.12)
xi,d
La figure 12 représente un exemple de malis avant et après transformation.

(a) Avant normalisation. (b) Après normalisation.

Figure 12 – Exemple de malis avant et après normalisation.

Le choix d’une loi peut ensuite être fait parmi les lois à support ]0, ∞[ (fig. ??).

Figure 13 – Lois continues à support (0, ∞) [Rigby et Stasinopoulos, 2010].

Franck Lopez 36
4.4 Méthode non paramétrique : Régression quantile par forêt
d’arbres décisionnels
Cette section s’appuie principalement sur les travaux de [Meinshausen, 2006] qui développent
une approche des régressions quantiles par forêt d’arbres décisionnels.

4.4.1 Généralité
La deuxième méthode étudiée est dite non-paramétrique car la régression est réalisée sans
faire d’hypothèse de famille de lois de probabilité paramétriques pour la variable prédite. En
effet, plutôt que de supposer une distribution théorique de la variable prédite, il est possible de
réaliser directement une régression sur les quantiles de la variable à prédire.

4.4.2 Théorie
4.4.2.1 Régression Quantile

Une régression quantile cherche à estimer la fonction de répartition de la variable prédite

Y conditionnellement aux variables explicatives X et D. Cette fonction est définie par l’équa-
tion 4.13.

F (y|(X = x, D = d)) = P(Y ≤ y|(X = x, D = d)) (4.13)

La fonction quantile Qα (x, d) se définit comme la valeur minimale des y pour lesquels la fonction
de répartition conditionnelle F (y|(X = x, D = d)) est supérieure ou égale à α (eq. 4.14).

Qα (x, d) = inf {y : F (y|(X = x, D = d)) ≥ α} (4.14)

Une régression sur les quantiles permet d’obtenir la distribution de la variable prédite.

4.4.2.2 Arbre de décision

Les arbres de décision (AD) sont une catégorie d’arbres utilisée dans l’exploration de données
et en informatique décisionnelle. Ils emploient une représentation hiérarchique de la structure
des données sous forme des séquences de décisions (tests) en vue de la prédiction d’un résultat ou
d’une classe. Chaque individu (ou observation), qui doit être attribué(e) à une classe, est décrit(e)
par un ensemble de variables qui sont testées dans les nœuds de l’arbre. Les tests s’effectuent
dans les nœuds internes et les décisions sont prises dans les nœuds terminaux appelés feuilles.
Un exemple illustrant la construction d’un arbre de décisions est (fig. 14).

Franck Lopez 37
 Figure 14 – Exemple d’arbre de décision : survie des passagers du Titanic [Crucianu, 2020]

Un arbre de décision est construit à partir des observations d’origine (eq 4.15).

(Yi , Xi , Di ), i = 1, ..., n (4.15)

Pour un nouveau jeu de variables explicatives (X=x,D=d), une seule feuille sera atteinte. On
définit ωi , le poids de l’observation originale i dans le calcul de la prédiction (eq. 4.16).

1i∈F euille(x,d)
ωi (x, d) = Pn (4.16)
j=1 1j∈F euille(x,d)

La valeur prédite est obtenue en calculant la moyenne des observations Yi contenues dans cette
feuille (eq. 4.17).

n
X
µ(x, d) = ωi (x, d)Yi (4.17)
i=1

Un arbre de décision est très sensible au sur-apprentissage et des changements légers dans les
données d’apprentissage peuvent conduire à des différences de prédictions importantes.

4.4.2.3 Algorithme des forêts d’arbres décisionnels (Random Forest)

L’algorithme des forêts d’arbres décisionnels est un algorithme d’apprentissage supervisé qui
effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de
données légèrement différents. Il a pour but de réduire la variance de l’estimateur, en d’autres
termes de corriger l’instabilité des arbres de décision (fig. 15).

Franck Lopez 38
 Figure 15 – Illustration d’une forêt d’arbres décisionnels.

Pour ce faire, le principe du bootstrap est utilisé en créant de nouveaux échantillons par tirage
aléatoire avec remise d’observations i dans l’échantillon d’origine de taille N . Un grand nombre
d’arbres de décision (K arbres) sont créés à partir de ces sous-ensembles. Les estimateurs ainsi
obtenus sont moyennés (lorsque les données sont quantitatives, cas d’un arbre de régression) ou
utilisés pour un vote à la majorité (pour des données qualitatives, cas d’un arbre de classifica-
tion). En pratique la prédiction de l’espérance de la variable prédite est obtenue en effectuant la
moyenne des observations originales mais, contrairement à un arbre de décision unique, les poids
utilisés pour réaliser cette moyenne sont calculés en réalisant une moyenne des poids ωi (x, d, t)
de chaque arbre t (eq. 4.18).

K
1 X
ωi (x, d) = ωi (x, d, t) (4.18)
K t=1

4.4.2.4 Régression quantile par forêt d’arbres décisionnels (Quantile Random Fo-
rest)

L’algorithme des forêts d’arbres décisionnels prédit une valeur moyenne en effectuant la
moyenne des prédictions de chaque arbre mais il est aussi possible d’utiliser l’ensemble des valeurs
prédites afin d’obtenir une prédiction de la distribution de la variable à prédire. L’espérance
E(Y |(X = x, D = d)) est remplacé par E(1{Y ≤y} |(X = x, D = d)) en utilisant les mêmes poids
ω que pour l’algorithme des forêts d’arbres décisionnels (eq. 4.19 et 4.20).

F (y|(X = x, D = d)) = P(Y ≤ y|(X = x, D = d)) = E(1{Y ≤y} |(X = x, D = d)) (4.19)

n
X
F̂ (y|(X = x, D = d)) = ωi (x, d)1{Yi ≤y} (4.20)
i=1

On obtient finalement les quantiles désirés en remplaçant F (y|(X = x, D = d)) par F̂ (y|(X =
x, D = d)) dans l’équation 4.12.

Franck Lopez 39
4.4.2.5 Choix des hyperparamètres

La calibration d’une forêt d’arbres aléatoire, bien qu’étant non-paramétrique, nécessite de

fixer des hyperparamètres qui contrôlent la forme et la taille de la forêt. Les paramètres à fixer
sont le nombre d’arbres de la forêt et la taille minimale des feuilles de la forêt (nodesize). La
taille minimale des feuilles définit le nombre d’observations que doit au minimum contenir chaque
feuille d’un arbre. Ce paramètre limite la profondeur d’un arbre en empêchant une sélection trop
fine des individus par découpage en nœuds successifs.
L’algorithme de construction d’une forêt aléatoire utilise un échantillon aléatoire des données
d’apprentissage (environ 2/3) pour construire chaque arbre. Cet échantillon appelé In Bag est
différent pour chaque arbre de la forêt. Les individus qui ne sont pas dans cet échantillon
constitue l’échantillon Out Of Bag OOB. Ainsi pour chaque individu de la base d’apprentissage,
une fraction des arbres de la forêt n’a pas utilisé cet individu dans leur construction. La prédiction
de ces arbres pour cet individu constitue ce que l’on appelle l’erreur OOB. Le calcul de l’ensemble
des erreurs OOB permet d’estimer les performances de la forêt en fonction des hyperparamètres
choisis sans avoir à procéder à une validation croisée plus coûteuse en temps. Une fonction
d’erreur ou fonction de perte traditionnellement utilisée est l’erreur quadratique moyenne (Root
Mean Square Error, RMSE) qui mesure la différence entre les valeurs observées et les valeurs
calculées (eq. 4.21).
s
PN
i=1 yi − ŷi
RM SE = (4.21)
N
Dans notre cas, les quantiles observés et prédits sont des grandeurs d’intérêt principales. Or,
la RMSE s’applique sur la valeur moyenne des prédictions et ne permet pas de rendre compte
de la bonne estimation de la distribution des prédictions autour de la moyenne. La fonction de
perte « Pinball » ou fonction de perte quantile permet de mesurer des écarts entre les quantiles
observés et les quantiles prédits. Cette fonction Lα est définie en fonction de la variable observée
y et du quantile prédit q̂α pour la probabilité α (eq. 4.22 ).

(
α(y − q̂α ) si y ≥ q̂α
Lα (y, q̂α ) = (4.22)
(α − 1)(y − q̂α ) sinon

Une valeur plus faible de cette fonction pour un quantile donné signifie une meilleure précision
pour la prédiction de ce quantile. La figure 16 illustre graphiquement les résultats de cette
fonction selon l’écart de prédiction. Plus α est petit, plus les écarts positifs sont pénalisés et
inversement plus α est grand, plus les écart négatifs sont pénalisés.

Franck Lopez 40
 Figure 16 – Illustration de la fonction de perte quantile [Grover, 2018].

4.5 Validation des modèles

4.5.1 Validation sur les données d’apprentissage
La variable prédite Yid , pour un sinistre i au décalage d, peut être décomposée en deux
termes : une valeur moyenne et un résidu aléatoire centré autour de la valeur moyenne (eq. 4.23).

Yid = µid + Eid (4.23)

Par définition, l’espérance de Yid est égale à µid et l’espérance du résidu Eid est nulle (eq. 4.24).

E(Eid ) = 0
(4.24)
E(Yid = µid )

La prédiction moyenne de cette variable par le modèle est notée Ŷid (eq. 4.25).

Ŷid = µ̂id (x, d) (4.25)

Enfin l’erreur de prédiction est obtenue en calculant l’écart entre la valeur expérimentale et sa
prédiction par le modèle (eq. 4.26). L’erreur sur la moyenne (µid − µ̂id (x, d)) est appelée erreur
de paramétrage tandis que le terme de fluctuation Eid autour de la moyenne est appelé erreur
de processus. En pratique, la fonction µid est une approximation de la véritable fonction qui
détermine l’espérance de la variable aléatoire. Ce troisième terme d’erreur est appelé l’erreur de
modèle et n’est pas traité par la suite (eq. 4.26).

Franck Lopez 41
 eid = Yid − Ŷid
eid = (µid − µ̂id (x, d)) + Eid (4.26)
eid = erreur de paramétrage + erreur de processus

La validation des modèles consiste donc à s’assurer que l’erreur de paramétrage soit la plus
faible possible et que la calibration de l’erreur de processus, aléatoire par nature, soit fidèle à
l’expérience.

4.5.2 Validation des modèles sur des données nouvelles : Back Testing
Après avoir validé que les modèles reproduisent correctement les données d’apprentissage,
la capacité de prédiction des différents modèles doit être évaluée sur des données inconnues.
Dans le cadre de séries temporelles, les données inconnues sont les évolutions futures des charges
individuelles. La méthode du Back Testing consiste à exclure les années les plus récentes pour
la phase d’apprentissage puis à prédire les années exclues avec les différents modèles. Les écarts
observés entre les valeurs prédites et observées permettent alors de mesurer les performances des
différents modèles. La figure 17 illustre le processus de Back Testing pour différentes profondeurs,
sur un triangle comportant à l’origine 15 années de survenance. A mesure que la profondeur du
Back Testing augmente, la quantité de données de référence disponible pour la comparaison
diminue.

Figure 17 – Illustration du Back Testing.

Franck Lopez 42
 Troisième partie

Application à un cas pratique

Franck Lopez 43
 Chapitre 1

Développement de l’outil de
provisionnement individuel sur R

L’application des concepts théoriques développés dans la partie précédente a nécessité le

développement d’un outil sur R présenté ci-après.

1.1 Enjeux spécifiques à l’entreprise

Le mémoire s’est effectué au sein de l’entreprise AON, dans le service Analytics de l’entité
Reinsurance Solutions. Son activité principale, le courtage en réassurance, nécessite le recours à
des modélisations statistiques sur des périmètres variés. La motivation initiale du mémoire est
donc de répondre aux enjeux spécifiques de l’entreprise en permettant l’utilisation des méthodes
développées pour la réalisation des études de Best Estimate de cession ainsi que les commuta-
tions. C’est pourquoi au delà de l’aspect théorique, un outil complet permettant la réalisation
de ces objectifs a été développé sur R.

1.2 Développement sur R

L’outil développé reprend l’architecture détaillée dans la partie théorique. Les packages R
principaux utilisés sont les suivants :
m nnet pour la régression logistique multinomiale,
m GAMLSS pour le modèle Additif Généralisé linéaire paramétrique,
m quantregForest pour la régression quantile par forêt d’arbres décisionnels.

L’outil prend en entrée une base de sinistres individuels comportant les payés et suspens par
année de survenance et par arrêté puis les tranches de réassurance définies par année de sur-
venance. Il fournit en sortie les provisions brutes et cédées par traité et par réassureur pour
l’ensemble des simulations réalisées.

Franck Lopez 44
 Chapitre 2

Présentation et retraitement des

données

Ce chapitre présente le cas étudié sur lequel sont appliqués les différentes méthodes de calcul
des provisions brutes et cédées.

2.1 Présentation du cas étudié

La base sinistre étudiée est une base de responsabilité civile comportant principalement des
sinistres de la branche Responsabilité Civile Automobile (> 90%), le reste en Responsabilité
Civile Vie Privée (RCVP). Le tableau 2.1 présente les caractéristiques du cas étudié.

Table 2.1 – Présentation du cas étudié.

Années de survenance 2005-2019
Seuil de modélisation 1M
Nombre de sinistres au dessus du seuil 1481
Tranche réassurance 1 4 M XS 6 M
Tranche réassurance 2 ILL XS 10 M
Seuil de stabilisation 1.1

L’indice utilisé pour la stabilisation des bornes des traités de réassurance et l’indexation des
payés et suspens est l’indice INSEE des salaires pour la santé humaine (identifiant 001567402
remplacé en 2018 par 010562727). Pour les valeurs futurs de l’indice une hypothèse d’évolution
de 1,5% par an est prise en accord avec les évolutions passées récentes de l’indice. L’évolution
de l’indice est présentée sur la figure 18.

Franck Lopez 45
 Figure 18 – Evolution de l’indice utilisé pour l’indexation et la stabilisation

2.2 Retraitement des données

La valeur relative du seuil de communication évolue au cours du temps en raison de l’inflation,
il est donc nécessaire de relever ce seuil après l’indexation afin de garantir l’exhaustivité dans
le temps de la statistique sinistre au delà du seuil de modélisation choisi. La figure 19 illustre
ce propos en affichant la valeur effective du seuil de communication avant et après indexation.
La dernière année de survenance est prise comme année de référence pour l’indexation. Le seuil
de modélisation doit être a minima supérieur à la valeur maximale du seuil de communication
indexé.

Franck Lopez 46
 Figure 19 – Effet de l’indexation sur le seuil de communication

2.3 Statistiques descriptives

L’observation préliminaire de l’évolution des charges sinistre individuelles en fonction des
variables explicatives permet de confirmer les choix de modélisation. Tout d’abord la figure 20
présente deux boxplots du facteur de développement individuel (défini ici comme la croissance
relative de la charge individuelle) en fonction du décalage et de la charge. Le diagramme en
fonction du décalage montre que la volatilité du facteur de développement décroît fortement en
fonction du décalage. Ceci s’explique principalement par le fait que la probabilité d’avoir un
boni ou un mali diminue fortement avec le nombre d’années suivant la survenance. Le choix de
segmenter la méthode en une partie prédisant l’évolution du sinistre et en une autre prédisant
son montant se justifie par cet aspect. Le diagramme en fonction de la charge montre une plus
grande volatilité du facteur de développement pour les charges faibles ce qui est logique étant
donné que ce facteur est défini relativement à la charge. De plus, les charges faibles évoluent
principalement en mali tandis que l’évolution des charges élevées est plus équilibrée entre boni
et mali.

Franck Lopez 47
 (a) En fonction du décalage. (b) En fonction de la charge.

Figure 20 – Boxplots du facteur de développement individuel.

La figure 21 présente des boxplots du facteur de développement individuel en fonction du

décalage ou de la charge pour les bonis et les malis seulement. La volatilité des bonis est stable
en fonction du décalage tandis que la médiane décroît légèrement. La volatilité et la médiane des
malis décroissent fortement sur les premiers décalages pour se stabiliser par la suite. De plus, la
volatilité et la médiane des bonis sont plutôt stables en fonction de la charge. Les fluctuations
observées pour les charges faibles s’expliquent par le peu de bonis présents dans la base pour
ces charges. Enfin, la volatilité et la médiane des malis décroissent fortement en fonction de la
charge.

Franck Lopez 48
 (a) Bonis en fonction du décalage. (b) Malis en fonction du décalage.

(c) Bonis en fonction de la charge. (d) Malis en fonction de la charge.

Figure 21 – Boxplots du facteur de développement individuel pour les bonis et malis.

Afin d’observer en détail les densités de probabilité empiriques des facteurs de développement
individuels en fonction des variables explicatives, des violinplots sont tracés. Ces diagrammes
permettent l’observation sur une même figure des points de données et de la distribution de
probabilité en fonction d’une variable explicative. La figure 22 présente des violinplots du facteur
de développement individuel en fonction du décalage ou de la charge pour les bonis et les malis.
Ce sont ces distributions que les modèles développés par la suite doivent reproduire tout en les
généralisant à des données inconnues.

Franck Lopez 49
 (a) Bonis en fonction du décalage. (b) Malis en fonction du décalage.

(c) Bonis en fonction de la charge. (d) Malis en fonction de la charge.

Figure 22 – Violinplots du facteur de développement individuel pour les bonis et malis.

Franck Lopez 50
 Chapitre 3

Modèle Chain Ladder agrégé

appliqué aux sinistres individuels

La première application pratique du calcul des provisions cédées pour le cas étudié est réalisée
avec un modèle Chain Ladder agrégé appliqué aux sinistres individuels. Cette méthode simple
sert de base de comparaison.

3.1 Calcul des coefficients

La méthode Chain Ladder présentée dans la partie théorique, chapitre. 2 est appliquée sur
le triangle de charges individuelles. La figure 23 présentent les facteurs de développements (f )
obtenus ainsi que l’évolution type de la charge jusqu’à l’ultime. Cette évolution représente pour
chaque décalage l’écart de charge par rapport à la charge à l’ultime. Cette évolution est définie
par l’équation 3.1.

1
Evolution(d) = Qultime (3.1)
k=d f (k)

Figure 23 – Coefficients Chain Ladder et évolution de la charge en fonction du décalage.

3.2 Calcul des provisions

Les coefficients calculés précédemment sont appliqués individuellement en cascade pour rem-
plir le triangle de charge individuel. La figure 24 présente les provisions brutes obtenues par année

Franck Lopez 51
de survenance ainsi que les provisions cédées (après application individuelle de la réassurance).
Sur ces figures sont aussi représentées les provisions sans projection pour comparaison.

Figure 24 – Provisions brutes et cédées estimées en fonction de l’année de survenance avec la

méthode Chain Ladder.

Franck Lopez 52
 Chapitre 4

Application des modèles de

provisionnement individuel
stochastique

Ce chapitre présente les résultats de l’application des modèles de provisionnement individuel

stochastique. Les différentes étapes de calcul sont développées, validées puis comparées entre les
méthodes.

4.1 Modèle d’évolution en boni, stable ou mali

Comme présenté dans la partie théorique, la première étape consiste à calibrer le modèle
d’évolution de la charge sinistre en boni, stable ou mali. La figure 25 représente l’ensemble des
évolutions observées sur la base sinistre. La définition d’un stable est soumise à une marge de
tolérance de +/ − 1% sur l’évolution de la charge afin de filtrer les évolutions mineures qui ne
sont pas liées à une évolution significative du sinistre.

Figure 25 – Visualisation des bonis, stables et malis.

Franck Lopez 53
L’application du modèle multinomial permet d’obtenir les probabilités d’évolution en fonction
de la charge et du décalage (fig. 26). Sans surprise, la probabilité d’évolution en boni ou en mali
diminue avec la maturité du sinistre. De plus, les sinistres de charge élevée ont plus de chance
de voir leur charge évoluer que ceux plus petits. Néanmoins, l’effet de la variable décalage est le
plus significatif sur l’évolution d’un sinistre. Enfin, l’adéquation entre prédiction et expérience
est bonne au niveau global.

(a) Fonction du décalage. (b) Fonction de la charge.

Figure 26 – Probabilité d’un boni, stable ou mali.

En annexe 4.5, la figure 48 présente les probabilités d’évolution en boni, stable ou mali en
fonction de la charge pour des décalages spécifiques. L’adéquation entre prédiction et expérience
reste bonne au niveau détaillé.

Franck Lopez 54
4.2 Modèle Additif Généralisé linéaire paramétrique
4.2.1 Choix des distributions
Comme présenté dans la partie II au chapitre 4, le choix des distributions de probabilité
pour les lois représentant les bonis ou les malis est effectué en calculant les critères AIC pour
chaque distribution et en sélectionnant les lois qui obtiennent le score le plus faible. Ce critère
est calculé sur l’ensemble des données de sinistre sans distinction de décalage ou de charge. Les
résultats obtenus pour les bonis sont présentés dans le tableau 4.1 et la figure 27. Le choix se
porte sur une loi Beta Généralisée qui obtient le score le plus faible avec le plus grand nombre
de degrés de liberté.

Table 4.1 – Choix de la distribution des bonis.

Lois Param. AIC
GB1 4 -1478
BE 2 -1146
LOGITNO 2 -1142

(a) Beta. (b) Logit-Normale. (c) Beta Généralisée.

Figure 27 – Choix de la distribution des bonis.

Les résultats obtenus pour les malis sont présentés dans le tableau 4.2 et la figure 28. Le choix
se porte sur une loi Gamma Généralisée qui obtient le score le plus faible avec, elle aussi, le plus
grand nombre de degrés de liberté.

Table 4.2 – Choix de la distribution des malis.

Lois Param. AIC
GG 3 -3097
LOGNO2 2 -3078
GA 2 -1834

Franck Lopez 55
 (a) Gamma. (b) Log-Normale. (c) Gamma Généralisée.

Figure 28 – Choix de la distribution des malis.

4.2.2 Validation générale sur les moyennes prédites

La première validation du modèle se fait au niveau global en comparant les moyennes prédites
ainsi que quelques quantiles (50%, 75% et 95%) avec leurs équivalents expérimentaux (fig. 29).
Une bonne adéquation se dégage de ces figures aussi bien sur les moyennes que sur les quantiles,
pour les bonis et les malis.

Franck Lopez 56
 (a) Bonis par décalage (b) Malis par décalage

(c) Bonis par charge (d) Malis par charge

Figure 29 – GAM - Validation globale de la calibration des bonis et malis, moyenne et quantiles
(50%, 75% et 95%).

En annexe 4.5, le détail de la comparaison des moyennes prédites en fonction de la charge pour
une sélection de décalage est présenté sur les figures 49 et 50.

4.2.3 Validation détaillée des distributions

La seconde validation s’effectue sur la comparaison des distributions de la variable prédite
et de ses résidus. La figure 30 présente la comparaison de la distribution de la variable prédite
expérimentale et calibrée.

Franck Lopez 57
 (a) boni (b) mali

Figure 30 – GAM - Comparaison de la distribution des prédictions avec l’expérience.

La figure 31 présente la distribution des résidus de la variable prédite expérimentale et calibrée

ainsi que le diagramme probabilité-probabilité associé. L’adéquation est bonne sur l’ensemble
des données.

Franck Lopez 58
 (a) Bonis - Distribution des résidus (b) Malis - Distribution des résidus

(c) Bonis - diagramme PP (d) Malis - diagramme PP

Figure 31 – GAM - Comparaison de la distribution des résidus avec l’expérience.

Enfin, en annexe 4.5, les figures 51, 52 et 53 présentent la distribution des résidus expérimentale
et calibrée ainsi que le diagramme probabilité-probabilité associé pour des décalages spécifiques
(0, 5 et 10). Les adéquations, bien que moins bonnes qu’au niveau global, restent satisfaisantes.

4.2.4 Calcul des provisions brutes et cédées

Les lois calibrées précédemment sont appliquées individuellement en cascade pour remplir
stochastiquement plusieurs centaines de versions du triangle de charges individuelles. La fi-
gure 32 présente les provisions brutes et cédées par année de survenance tandis que la figure 33
présente la distribution des provisions brutes et cédées totales obtenues grâce aux développe-
ments stochastiques des triangles de charges individuelles. Sur ces figures sont aussi représentées
les provisions sans projection ainsi que celles projetées avec la méthode Chain Ladder pour
comparaison.

Franck Lopez 59
 Figure 32 – GAM - Provisions estimées par survenance et quantiles 5% et 95%.

Figure 33 – GAM - Provisions totales estimées.

Franck Lopez 60
4.3 Modèle non-paramétrique : Régression quantile par forêt
d’arbres décisionnels (Quantile Random Forest)
4.3.1 Choix des hyperparamètres
Comme présenté dans la partie théorique, la calibration d’une forêt d’arbres aléatoire, bien
qu’étant non-paramétrique, nécessite de fixer des hyperparamètres qui contrôlent la forme et
la taille de la forêt. La figure 34 présente les erreurs quadratiques moyennes et les fonctions
de pertes quantiles calculées pour différentes configurations des hyperparamètres ntree (nombre
d’arbre dans la forêt) et nodesize (nombre minimal d’individu que chaque noeud doit contenir).
Pour le choix du nombre d’arbre, les gains sont faibles à partir de 5000 arbres. Pour le nodesize,
l’optimum se trouve autour de 250.

(a) Bonis par décalage (b) Malis par décalage

Figure 34 – QRF - Choix des hyperparamètres de la forêt aléatoire.

La figure 35 représente les fonctions de pertes quantiles calculées pour les mêmes configurations
d’hyperparamètres. Les résultats détaillés par quantile confirme le choix d’un nombre d’arbre
supérieur ou égal à 5000 et un nodesize autour de 250. Dans la suite de l’étude, les calculs seront
réalisés avec 10 000 arbres et un nodesize de 250.

Franck Lopez 61
 (a) Bonis 50% (b) Malis 50%

(c) Bonis 70% (d) Malis 70%

(e) Bonis 95% (f) Malis 95%

Figure 35 – QRF - Choix des hyperparamètres de la forêt aléatoire.

Franck Lopez 62
4.3.2 Validation générale sur les moyennes prédites
La première validation du modèle se fait au niveau global en comparant les moyennes prédites
ainsi que quelques quantiles (50%, 75% et 95%) avec leurs équivalents expérimentaux (fig. 36).
Une bonne adéquation se dégage de ces figures aussi bien sur les moyennes que sur les quantiles,
pour les bonis et les malis.

(a) Bonis par décalage (b) Malis par décalage

(c) Bonis par charge (d) Malis par charge

Figure 36 – QRF - Validation globale de la calibration des bonis et malis, moyenne et quantiles
(50%, 75% et 95%).

En annexe 4.5, le détail de la comparaison des moyennes prédites en fonction de la charge pour
une sélection de décalage est présenté sur les figures 54 et 55.

4.3.3 Validation détaillée des distributions

La seconde validation s’effectue sur la comparaison des distributions de la variable prédite
et de ses résidus. La figure 37 présente la comparaison de la distribution de la variable prédite
expérimentale et calibrée.

Franck Lopez 63
 (a) boni (b) mali

Figure 37 – QRF - Comparaison de la distribution des prédictions avec l’expérience.

La figure 38 présente la distribution des résidus de la variable prédite expérimentale et calibrée

ainsi que le diagramme probabilité-probabilité associé. L’adéquation est bonne sur l’ensemble
des données.

Franck Lopez 64
 (a) Bonis - Distribution des résidus (b) Malis - Distribution des résidus

(c) Bonis - diagramme PP (d) Malis - diagramme PP

Figure 38 – QRF - Comparaison de la distribution des résidus avec l’expérience.

Enfin, en annexe 4.5, les figures 56, 57 et 58 présentent la distribution des résidus expérimentale
et calibrée ainsi que le diagramme probabilité-probabilité associé pour des décalages spécifiques
(0, 5 et 10). Les adéquations, bien que moins bonne qu’au niveau globale, restent satisfaisantes.

4.3.4 Calcul des provisions brutes et cédées

Les modèles calibrés précédemment sont appliqués individuellement en cascade pour remplir
stochastiquement plusieurs centaines de versions du triangle de charge individuel. La figure 39
présente les provisions brutes et cédées par année de survenance tandis que la figure 40 présente la
distribution des provisions brutes et cédées totales obtenues grâce aux développements stochas-
tiques des triangles de charges individuelles. Sur ces figures sont aussi représentées les provisions
sans projection ainsi que celles projetées avec la méthode Chain Ladder pour comparaison.

Franck Lopez 65
 Figure 39 – QRF - Provisions estimées par survenance et quantiles 5% et 95%.

Figure 40 – QRF - Provisions totales estimées.

Franck Lopez 66
4.4 Comparaison des modèles
4.4.1 Application du Back Testing
Comme présenté dans la partie théorique au chapitre 4, la capacité prédictive des modèles
peut être comparée en réalisant un Back Testing. La profondeur du Back Testing est fixée à
1/3 de la base de données soit 5 années en arrière sur un total de 15 années. Les écarts entre
les quantiles observés et prédits via la fonction de perte quantile sont estimés. La figure 41
présente les résultats de la fonction de perte quantile en fonction du quantile et de la méthode.
Les méthodes individuelles obtiennent des écarts plus faibles que la méthode Chain-Ladder, la
différence étant plus importante pour les quantiles les plus extrêmes. De plus, la mesure de
ces écarts ne permet pas de distinguer significativement l’une ou l’autre des deux méthodes
individuelles étudiées.

Figure 41 – Fonction de pertes quantile en fonction du quantile et la méthode utilisée.

Afin de compléter la validation par quantiles, le calcul des RMSE pour une série consécutive
de tranche XS de portée 2 M€ est réalisé pour chaque méthode et présenté sur la figure 42.
Là encore, les méthodes individuelles obtiennent des écarts plus faibles que la méthode Chain-
Ladder.

Franck Lopez 67
 Figure 42 – RMSE en fonction de la tranche XS et de la méthode utilisée.

Les distributions des résidus, les fonctions de répartition et les diagrammes probabilité-probabilité des
variables observées en fonction des variables prédites sont tracés pour comparer les méthodes
entre elles. Les figures 43, 44 et 45 présentent les distributions, fonctions de répartition et
diagramme probabilité-probabilité des résidus respectivement pour les méthodes Chain-Ladder,
GAM et QRF.

(a) Distribution. (b) Fonction de répartition. (c) Diagramme PP.

Figure 43 – Distribution, fonction de répartition et diagramme probabilité-probabilité des

résidus Chain-Ladder.

Franck Lopez 68
 (a) Distribution. (b) Fonction de répartition. (c) Diagramme PP.

Figure 44 – Distribution, fonction de répartition et diagramme probabilité-probabilité des

résidus GAM.

(a) Distribution. (b) Fonction de répartition. (c) Diagramme PP.

Figure 45 – Distribution, fonction de répartition et diagramme probabilité-probabilité des

résidus QRF.

4.4.2 Comparaison des provisions brutes et provisions cédées estimées

La figure 46 présente une comparaison des provisions brutes et des provisions cédées globales
estimées pour l’ensemble des modèles étudiés.

Franck Lopez 69
 Figure 46 – Comparaison des provisions brutes et provisions cédées globales estimées.

La figure 47 présente une comparaison des provisions cédées par traité estimées pour l’ensemble
des modèles étudiés. Les écarts entre les méthodes individuelles et la méthode Chain Ladder ne
sont pas constants et dépendent des bornes du traité ce qui confirme une fois de plus la nécessité
de projeter les charges de manière individuelle et stochastique.

(a) Traité 1 : 4 M XS 6 M. (b) Traité 2 : ILL XS 10 M.

Figure 47 – Comparaison des Provisions cédées pour les deux traités.

Franck Lopez 70
4.5 Limites des modèles
Bien que les méthodes développées représentent une amélioration importante pour le calcul
des provisions cédées en réassurance non proportionnelle, un certain nombre de limite peut être
identifié :
m Ces méthodes sont basées sur les données passées et supposent donc une relative homogé-
néité des données dans le temps.
m Le volume de données nécessaire pour la calibration d’un modèle individuel qui prédit les
quantiles est plus important que pour la calibration d’un modèle agrégé. Ces méthodes
seront moins adaptées à un cas disposant de trop peu de données.
m L’année de projection maximale (ultime) est limitée par l’ancienneté des sinistres utilisés
pour l’apprentissage.
m L’utilisation d’un nombre restreint de variables explicatives (charge et décalage) peut s’avé-
rer insuffisant pour prédire les évolutions d’un sinistre individuel.
m Enfin, l’utilisation d’une cadence de paiement et d’une inflation future fixe conduit à des
coefficients de stabilisation déterministes ce qui peut réduire la volatilité des provisions
calculées.

Franck Lopez 71
 Conclusion et perspectives

Ce mémoire a permis de développer un outil de provisionnement individuel stochastique

adapté à l’application de la réassurance non-proportionnelle. Cet outil peut être utilisé no-
tamment pour la réalisation d’étude de Best Estimate de cession ainsi que des commutations.
L’inadéquation des modèles de provisionnement agrégés appliqué à la réassurance en excédent
de sinistre a pu être surmontée en développant une méthode qui décompose la projection d’un
sinistre d’une année à l’autre en une étape de prédiction de l’évolution en boni, stable ou mali
(régression logistique multinomiale), suivi d’une prédiction de la charge au décalage suivant.
Pour la seconde étape, deux méthodes de régression ont été proposées, une paramétrique (mo-
dèle additif généralisé linéaire paramétrique) et une non-paramétrique (régression quantile par
forêt d’arbres décisionnels). Ces méthodes reproduisent et généralisent les données d’apprentis-
sage de manière satisfaisante. La validation par Back Testing confirme l’intérêt des méthodes
développées pour prédire la distribution individuelle des charges projetées. Enfin l’utilisation
de ces méthodes pour projeter à l’ultime un grand nombre de triangle de charge individuelle
aboutit à des visions précises des distributions des provisions brutes et cédées ce qui remplit les
objectifs de l’étude.
Au delà des objectifs initiaux, les perspectives d’évolutions sont les suivantes :
m L’ajout de variables explicatives (en plus du décalage et de la charge) pourrait être exploré
afin d’améliorer les prédictions (âge victime, présence d’une rente, état du dossier, etc.).
m La réalisation de la calibration des modèles sur un périmètre étendu (groupe de cédante ou
marché complet) pourrait améliorer le pouvoir de généralisation des modèles. Dans ce cas,
l’ajout du nom de la cédante comme variable explicative pourrait permettre de distinguer
la partie générale et la partie spécifique dans la prédiction des évolutions d’un sinistre.
m Un modèle de tardifs pourrait être ajouté pour compléter les provisions des années de
survenance récentes.
m La prise en compte d’une cadence de paiement stochastique pourrait avoir un effet sur les
coefficients de stabilisation et l’actualisation des flux futurs.
m Enfin, la méthode pourrait être appliquée à d’autres domaines que les Best Estimate de
cession et les commutations : tarification, autres branches longues comme la construction.

Franck Lopez 72
 Bibliographie

[Taillieu, 2016] F. Taillieu et al., Manuel « Best Estimate Liabilities Non-vie », 2016, Institut
des Actuaires
[Beneteau, 2004] G. Beneteau, « Modèle de provisionnement sur données détaillées en assurance
non-vie », 2004, Mémoire d’actuariat
[Barbaste, 2017] M. Barbaste, « Une méthode de provisionnement individuel par apprentissage
automatique », 2017, Mémoire d’actuariat
[Quiquet, 2019] J. Quiquet, « Méthode d’estimation de la charge ultime en RC corporelle auto-
mobile basée sur des données individuelles », 2019, mémoire d’actuariat
[Antonio et Plat, 2012] K. Antonio et R. Plat, « Micro-level stochastic loss reserving for general
insurance », 2012, Scandinavian Actuarial Journal
[ASTIN, 2017] B. Harej et al., « Individual Claim Development with Machine Learning », 2017,
ASTIN Report
[Baudry et Y.Robert, 2017] M. Baudry et C. Y.Robert, « Non-parametric individual claim re-
serving in insurance », 2017, Article Chaire DAMI
[Taylor et McGuire, 2016] G. Taylor et G. McGuire, « Stochastic loss reserving using generalized
linear models », 2016, Casualty Actuarial Society
[Hua et al., 2010] C. Hua et al., « Companion to BER 642 : Advanced Regression Methods »,
2020, R-Book University of Alabama
[Rachka., 2020] S. Rachka, « What is the relation between Logistic Regression and Neu-
ral Networks and when to use which ? », 2020, Machine Learning FAQ, https://
sebastianraschka.com/faq/docs/logisticregr-neuralnet.html
[Rigby et Stasinopoulos, 2010] B. Rigby et M. Stasinopoulos, « A flexible regression approach
using GAMLSS in R », 2010, University of Athens
[Meinshausen, 2006] N. Meinshausen, « Quantile Regression Forests », 2006, Journal of Machine
Learning Research
[Crucianu, 2020] M. Crucianu et al., « Apprentissage, réseaux de neurones et modèles gra-
phiques », 2020, Cours CNAM RCP209
[Grover, 2018] P. Grover, « 5 Regression Loss Functions All Ma-
chine Learners Should Know », https://heartbeat.fritz.ai/
5-regression-loss-functions-all-machine-learners-should-know-4fb140e9d4b0

Franck Lopez 73
 Annexes

Annexe 1
Modèle d’évolution : la figure 48 présente les probabilités d’évolution en boni, stable ou mali en
fonction de la charge pour des décalages spécifiques. L’adéquation entre prédiction et expérience
reste bonne au niveau détaillé.

Figure 48 – Probabilité d’un boni, stable ou mali en fonction du décalage et de la charge pour
une sélection de décalage.

Franck Lopez 74
Annexe 2
Méthode GAM : le détail de la comparaison des moyennes prédites en fonction de la charge pour
une sélection de décalage est présenté sur les figures 49 et 50.

Figure 49 – GAM - Validation par décalage de la calibration pour les bonis.

Figure 50 – GAM - Validation par décalage de la calibration pour les malis.

Franck Lopez 75
Annexe 3
Méthode GAM : les figures 51, 52 et 53 présentent la distribution des résidus expérimentale et
calibrée ainsi que le diagramme probabilité-probabilité associé pour des décalages spécifiques (0,
5 et 10). Les adéquations, bien que moins bonnes qu’au niveau globale, restent satisfaisantes.

(a) Bonis, d=0 - Distribution des résidus (b) Malis, d=0 - Distribution des résidus

(c) Bonis, d=0 - diagramme PP (d) Malis, d=0 - diagramme PP

Figure 51 – GAM - Comparaison de la distribution des résidus avec l’expérience pour déca-
lage=0

Franck Lopez 76
 (a) Bonis, d=5 - Distribution des résidus (b) Malis, d=5 - Distribution des résidus

(c) Bonis, d=5 - diagramme PP (d) Malis, d=5 - diagramme PP

Figure 52 – GAM - Comparaison de la distribution des résidus avec l’expérience pour déca-
lage=5

Franck Lopez 77
 (a) Bonis, d=10 - Distribution des résidus (b) Malis, d=10 - Distribution des résidus

(c) Bonis, d=10 - diagramme PP (d) Malis, d=10 - diagramme PP

Figure 53 – GAM - Comparaison de la distribution des résidus avec l’expérience pour déca-
lage=10

Franck Lopez 78
Annexe 4
Méthode QRF : le détail de la comparaison des moyennes prédites en fonction de la charge pour
une sélection de décalage est présenté sur les figures 54 et 55.

Figure 54 – QRF - Validation par décalage de la calibration pour les bonis.

Figure 55 – QRF - Validation par décalage de la calibration pour les malis.

Franck Lopez 79
Annexe 5
Méthode QRF : les figures 56, 57 et 58 présentent la distribution des résidus expérimentale et
calibrée ainsi que le diagramme probabilité-probabilité associé pour des décalages spécifiques (0,
5 et 10). Les adéquations, bien que moins bonnes qu’au niveau globale, restent satisfaisantes.

(a) Bonis, d=0 - Distribution des résidus (b) Malis, d=0 - Distribution des résidus

(c) Bonis, d=0 - diagramme PP (d) Malis, d=0 - diagramme PP

Figure 56 – QRF - Comparaison de la distribution des résidus avec l’expérience pour déca-
lage=0

Franck Lopez 80
 (a) Bonis, d=5 - Distribution des résidus (b) Malis, d=5 - Distribution des résidus

(c) Bonis, d=5 - diagramme PP (d) Malis, d=5 - diagramme PP

Figure 57 – QRF - Comparaison de la distribution des résidus avec l’expérience pour déca-
lage=5

Franck Lopez 81
 (a) Bonis, d=10 - Distribution des résidus (b) Malis, d=10 - Distribution des résidus

(c) Bonis, d=10 - diagramme PP (d) Malis, d=10 - diagramme PP

Figure 58 – QRF - Comparaison de la distribution des résidus avec l’expérience pour déca-
lage=10

Franck Lopez 82
 Table des figures

1 Principe de la réassurance en excédent de sinistre. . . . . . . . . . . . . . . . . . 12

2 Illustration de l’intérêt d’un provisionnement individuel stochastique en réassu-

rance non proportionnelle : sinistre initialement en dessous de la priorité. . . . . 15
3 Illustration de l’intérêt d’un provisionnement individuel stochastique en réassu-
rance non proportionnelle : sinistre initialement au dessus de la priorité. . . . . . 16

4 Remplissage en cascade d’un triangle individuel . . . . . . . . . . . . . . . . . . . 20

5 Illustration d’une régression logistique binomiale représentée par un réseau de

neurones à une couche [Rachka., 2020]. . . . . . . . . . . . . . . . . . . . . . . . . 27
6 Illustration d’un réseau de neurones avec une couche cachée [Rachka., 2020]. . . . 28
7 Exemple d’une régression linéaire simple [Rigby et Stasinopoulos, 2010] . . . . . 30
8 Exemple d’une régression linéaire généralisée [Rigby et Stasinopoulos, 2010] . . . 31
9 Exemple d’une régression additive généralisée [Rigby et Stasinopoulos, 2010] . . . 32
10 Exemple de bonis avant et après normalisation. . . . . . . . . . . . . . . . . . . . 33
11 Lois continues de support (0,1) [Rigby et Stasinopoulos, 2010]. . . . . . . . . . . 33
12 Exemple de malis avant et après normalisation. . . . . . . . . . . . . . . . . . . . 34
13 Lois continues à support (0, ∞) [Rigby et Stasinopoulos, 2010]. . . . . . . . . . . 34
14 Exemple d’arbre de décision : survie des passagers du Titanic [Crucianu, 2020] . 36
15 Illustration d’une forêt d’arbres décisionnels. . . . . . . . . . . . . . . . . . . . . 37
16 Illustration de la fonction de perte quantile [Grover, 2018]. . . . . . . . . . . . . . 39
17 Illustration du Back Testing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

18 Evolution de l’indice utilisé pour l’indexation et la stabilisation . . . . . . . . . . 44

19 Effet de l’indexation sur le seuil de communication . . . . . . . . . . . . . . . . . 45
20 Boxplots du facteur de développement individuel. . . . . . . . . . . . . . . . . . . 46
21 Boxplots du facteur de développement individuel pour les bonis et malis. . . . . . 47
22 Violinplots du facteur de développement individuel pour les bonis et malis. . . . 48

23 Coefficients Chain Ladder et évolution de la charge en fonction du décalage. . . . 49

24 Provisions brutes et cédées estimées en fonction de l’année de survenance avec la
méthode Chain Ladder. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

25 Visualisation des bonis, stables et malis. . . . . . . . . . . . . . . . . . . . . . . . 51

26 Probabilité d’un boni, stable ou mali. . . . . . . . . . . . . . . . . . . . . . . . . 52
27 Choix de la distribution des bonis. . . . . . . . . . . . . . . . . . . . . . . . . . . 53
28 Choix de la distribution des malis. . . . . . . . . . . . . . . . . . . . . . . . . . . 54

Franck Lopez 83
 29 GAM - Validation globale de la calibration des bonis et malis, moyenne et quan-
tiles (50%, 75% et 95%). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
30 GAM - Comparaison de la distribution des prédictions avec l’expérience. . . . . . 56
31 GAM - Comparaison de la distribution des résidus avec l’expérience. . . . . . . . 57
32 GAM - Provisions estimées par survenance et quantiles 5% et 95%. . . . . . . . . 58
33 GAM - Provisions totales estimées. . . . . . . . . . . . . . . . . . . . . . . . . . . 58
34 QRF - Choix des hyperparamètres de la forêt aléatoire. . . . . . . . . . . . . . . 59
35 QRF - Choix des hyperparamètres de la forêt aléatoire. . . . . . . . . . . . . . . 60
36 QRF - Validation globale de la calibration des bonis et malis, moyenne et quantiles
(50%, 75% et 95%). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
37 QRF - Comparaison de la distribution des prédictions avec l’expérience. . . . . . 62
38 QRF - Comparaison de la distribution des résidus avec l’expérience. . . . . . . . 63
39 QRF - Provisions estimées par survenance et quantiles 5% et 95%. . . . . . . . . 64
40 QRF - Provisions totales estimées. . . . . . . . . . . . . . . . . . . . . . . . . . . 64
41 Fonction de pertes quantile en fonction du quantile et la méthode utilisée. . . . . 65
42 RMSE en fonction de la tranche XS et de la méthode utilisée. . . . . . . . . . . . 66
43 Distribution, fonction de répartition et diagramme probabilité-probabilité des ré-
sidus Chain-Ladder. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
44 Distribution, fonction de répartition et diagramme probabilité-probabilité des ré-
sidus GAM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
45 Distribution, fonction de répartition et diagramme probabilité-probabilité des ré-
sidus QRF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
46 Comparaison des provisions brutes et provisions cédées globales estimées. . . . . 68
47 Comparaison des Provisions cédées pour les deux traités. . . . . . . . . . . . . . . 68
48 Probabilité d’un boni, stable ou mali en fonction du décalage et de la charge pour
une sélection de décalage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
49 GAM - Validation par décalage de la calibration pour les bonis. . . . . . . . . . . 73
50 GAM - Validation par décalage de la calibration pour les malis. . . . . . . . . . . 73
51 GAM - Comparaison de la distribution des résidus avec l’expérience pour décalage=0 74
52 GAM - Comparaison de la distribution des résidus avec l’expérience pour décalage=5 75
53 GAM - Comparaison de la distribution des résidus avec l’expérience pour déca-
lage=10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
54 QRF - Validation par décalage de la calibration pour les bonis. . . . . . . . . . . 77
55 QRF - Validation par décalage de la calibration pour les malis. . . . . . . . . . . 77
56 QRF - Comparaison de la distribution des résidus avec l’expérience pour décalage=0 78
57 QRF - Comparaison de la distribution des résidus avec l’expérience pour décalage=5 79
58 QRF - Comparaison de la distribution des résidus avec l’expérience pour déca-
lage=10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

Franck Lopez 84