Modélisation prédictive pour l’assurance non vie

Cette formation est animée en langue Anglaise.

• Nous travaillerons sur les concepts de classification à priori des risques pour les fréquences et les sévérités : utilisation des modèles linéaires généralisés (GLMs) (incluant les lois de Poisson, Négative Binomiale, régression gamma) et les régressions au-delà de la famille exponentielle – modèles de régression linéaire et non-linéaire - les modèles de régression utilisant les distributions flexibles (Burr, Pareto, GB2) pour la modélisation de la sévérité des sinistres, l’évaluation des queues de distribution.
• Nous travaillerons également sur les concepts de tarification à posteriori : une vision innovante sur les modèles de crédibilité (données de panels et flottes) utilisant les modèles multiniveaux et les échelles bonus – malus.
• La thématique tarification inclura : enseignements théoriques et pratiques (retours d’expériences et illustrations) sur les évaluations et les déductions, la sélection des modèles, les ajustements et la modélisation prédictive.

• Etat de l’art sur les modèles, incluant :
  • Les techniques traditionnelles de provisionnement des sinistres basées sur les triangles de liquidation : méthode de Mack’s chain-ladder et méthode des variations
  • La modélisation stochastique pour le provisionnement des sinistres utilisant les modèles linéaires généralisés (GLMs)
  • Les méthodologies pour obtenir une distribution prédictive : méthode dite du « bootstrapping » et techniques Bayésiennes
• Les nouveaux développements dans le contexte de la réglementation prudentielle Solvabilité II : nouvelles possibilités offertes par l’analytique et approches basées sur les simulations.
• La modélisation stochastique utilisant des volumes importants de données assurantielles à un niveau de sinistralité par assuré, incluant :
  • La modélisation sur les retards de déclaration et la survenance des sinistres
  • La modélisation du processus de développement d’un sinistre : temps continu avec les modèles à intensité, et temps discret avec les modèles de probabilité Chain-Ladder
  • La modélisation prédictive pour les demandes d’indemnisation individuelles (temps continu et temps discret)

• Détection, investigation et prévention de la fraude opportuniste ou organisée.
• Cette introduction permettra de présenter les différentes méthodologies disponibles : règles métiers / scénarios, datamining et analytique avancé (modèles connus, modèles inconnus, modèles complexes et modèles avec liens associatifs) ; analyse des réseaux.