La mise en œuvre des algorithmes d’apprentissage automatique en assurance non-vie : une revue de littérature

Résumé

Le secteur de l’assurance non-vie est un secteur extrêmement concurrentiel, il est nécessaire pour les compagnies d’assurances de créer une tarification ajustée aux exigences du marché. Généralement, les assureurs utilisent les modèles linéaires généralisés pour la modélisation de la prime pure. Ces modèles traditionnels présentent des limites qui imposent des contraintes sur la structure du risque modélisé et sur les interactions entre les variables explicatives du risque, ce qui peut conduire à une estimation biaisée de la prime d’assurance. Pour surmonter ces limites, les actuaires optent pour des algorithmes efficaces, appelés modèles d'apprentissage automatique qui ont démontré leurs capacités à extraire les structures de dépendances et des particularités entre les données.

La mise en œuvre de ces méthodes en assurance non-vie a connu une croissance significative ces dernières années, en raison de leur capacité à estimer la prime pure d’une manière précise et adaptée à chaque assuré selon son profil de risque. De même, les algorithmes d’apprentissage automatique offrent des avantages en termes de la gestion des risques, la détection de la fraude et l’automatisation de la souscription des contrats.

Dans cet article, nous examinons le développement des algorithmes d'apprentissage automatique en assurance non-vie, en identifiant les limitations des modèles linéaires généralisés ainsi que les divers outils utilisés pour évaluer la performance des modèles adoptés.

Mots clés : la tarification, GLM, prime pure, apprentissage automatique, apprentissage statistique.

JEL Classification : C60, G22

Type du papier : Recherche Théorique