Tarificationenassurancedansuncontexteconcurrentiel · Arthur CHARPENTIER - Actuariat & Data...
Transcript of Tarificationenassurancedansuncontexteconcurrentiel · Arthur CHARPENTIER - Actuariat & Data...
-
Arthur CHARPENTIER - Actuariat & Data Science
Tarification en assurance dans un contexte concurrentiel
A. Charpentier (Université Rennes 1 & CREST)
avec R. Élie (Université Paris-Est & CREST)
Chaire ACTINFO
Covéa / CREST / Univ. Paris Est / Univ. Rennes 1
Institut Louis Bachelier, Paris, Juin 2016.
http://freakonometrics.hypotheses.org
http://actinfo.hypotheses.org
@freakonometrics 1
-
Arthur CHARPENTIER - Actuariat & Data Science
Aucune segmentationAssuré Assureur
Perte E[S] S − E[S]Perte moyenne E[S] 0Variance 0 Var[S]
Information parfaite: Ω observable
Assuré Assureur
Perte E[S|Ω] S − E[S|Ω]Perte moyenne E[S] 0
Variance Var[E[S|Ω]
]Var[
S − E[S|Ω]]
Var[S] = E[Var[S|Ω]
]︸ ︷︷ ︸
→ assureur
+Var[E[S|Ω]
]︸ ︷︷ ︸
→ assuré
.
@freakonometrics 2
https://perso.univ-rennes1.fr/arthur.charpentier/ASSNVT1.pdf
-
Arthur CHARPENTIER - Actuariat & Data Science
Information imparfaite: X ⊂ Ω est ob-servable
Assuré Assureur
Perte E[S|X] S − E[S|X]Perte moyenne E[S] 0
Variance Var[E[S|X]
]E[
Var[S|X]]
Var[S] = E[Var[S|X]
]+ Var
[E[S|X]
]= E
[Var[S|Ω]
]︸ ︷︷ ︸
mutualisation
+E[Var[E[S|Ω]
∣∣∣X]]︸ ︷︷ ︸solidarité︸ ︷︷ ︸
→assureur
+Var[E[S|X]
]︸ ︷︷ ︸
→ assuré
.
@freakonometrics 3
https://perso.univ-rennes1.fr/arthur.charpentier/ASSNVT1.pdf
-
Arthur CHARPENTIER - Actuariat & Data Science
Modèle simple, Ω = {X1,X2}.Quatre modèles
m̂0(x1,x2) = E[S]m̂1(x1,x2) = E[S|X1 = x1]m̂2(x1,x2) = E[S|X2 = x2]m̂12(x1,x2) = E[S|X1 = x1,X2 = x2]
@freakonometrics 4
http://f.hypotheses.org/wp-content/blogs.dir/253/files/2015/10/Risques-Charpentier-Denuit-Elie.pdf
-
Arthur CHARPENTIER - Actuariat & Data Science
@freakonometrics 5
-
Arthur CHARPENTIER - Actuariat & Data Science
Marché en Concurence
Règle de choix: les assurés choisissent la prime la moins chère, ccccccccccccccccccccccccc cccccccccccc ccccccccccccc cccccccccccc ccccccccccccc ccccccccccccccccccccccccc cccccccccccc ccccccccccccc
A B C D E F
787.93 706.97 1032.62 907.64 822.58 603.83
170.04 197.81 285.99 212.71 177.87 265.13
473.15 447.58 343.64 410.76 414.23 425.23
337.98 336.20 468.45 339.33 383.55 672.91
@freakonometrics 6
-
Arthur CHARPENTIER - Actuariat & Data Science
Marché en Concurence
Règle de choix: les assurés choisissent (au hasard) parmi les trois primes lesmoins chères cccccccccccc ccccccccccccc cccccccccccc ccccccccccccc ccccccccccccccccccccccccc cccccccccccc ccccccccccccc cccccccccccc ccccccccccccc
A B C D E F
787.93 706.97 1032.62 907.64 822.58 603.83
170.04 197.81 285.99 212.71 177.87 265.13
473.15 447.58 343.64 410.76 414.23 425.23
337.98 336.20 468.45 339.33 383.55 672.91
@freakonometrics 7
-
Arthur CHARPENTIER - Actuariat & Data Science
Marché en Concurence
Règle de choix: les assurés se voient attribuer (au hasard) un assureur pourl’année n− 1. L’année n, si leur assureur est parmi les 3 moins chers, il estretenu, sinon choix au hasard parmi 4.
A B C D E F
787.93 706.97 1032.62 907.64 822.58 603.83
170.04 197.81 285.99 212.71 177.87 265.13
473.15 447.58 343.64 410.76 414.23 425.23
337.98 336.20 468.45 339.33 383.55 672.91
@freakonometrics 8
-
Arthur CHARPENTIER - Actuariat & Data Science
Parts de marché, règle 2
●
●
●●
●
●
●
●
●
●
●
●●●
●●
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A13 A14
1000
2000
3000
4000
5000
6000
Num
ber
of C
ontr
acts
@freakonometrics 9
-
Arthur CHARPENTIER - Actuariat & Data Science
Parts de marché, règle 3
●
●●
●
●
●
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A13 A14
2000
3000
4000
5000
Num
ber
of C
ontr
acts
@freakonometrics 10
-
Arthur CHARPENTIER - Actuariat & Data Science
Ratio S/P (Sinistres / Primes), règle 2
Ratio S/P marché ∼ 154%.
●
●
●
●
●
●●
●●
●
●
●
●
●
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A13 A14
100
150
200
250
Loss
Rat
io
@freakonometrics 11
-
Arthur CHARPENTIER - Actuariat & Data Science
Assureur A2
Pas de segmentation, prime unique
Remarque tous les prix ont été normalisés,
π2 = m2(xi) =1n
n∑i=1
mj(xi) ∀j
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Proportion of insured
Pro
port
ion
of lo
sses
more risky less risky
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Mar
ket S
hare
(in
%)
02
46
810
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Loss
Rat
io (
in %
)
050
100
150
200
@freakonometrics 12
-
Arthur CHARPENTIER - Actuariat & Data Science
Assureur A1
Modèles GLM, fréquence RC matériel/corporel et coûts matériels
Age coupé en classe [18-30], [30-45], [45-60] et [60+], effets croisés avec occupation
Lissage manuel, SAS et Excel
Actuaire dans une mutuelle (en France)
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Proportion of insured
Pro
port
ion
of lo
sses
more risky less risky
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Mar
ket S
hare
(in
%)
02
46
810
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Loss
Rat
io (
in %
)
050
100
150
200
@freakonometrics 13
-
Arthur CHARPENTIER - Actuariat & Data Science
Assureur A8/A9
Modèles GLM, fréquence et coûts, suppression des graves (>15k)
Interaction âge-genre
Utilisation d’un logiciel commercial de pricing (développé par Actuaris)
Actuaire dans une mutuelle (en France)
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Proportion of insured
Pro
port
ion
of lo
sses
more risky less risky
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Mar
ket S
hare
(in
%)
02
46
810
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Loss
Rat
io (
in %
)
050
100
150
200
@freakonometrics 14
-
Arthur CHARPENTIER - Actuariat & Data Science
Assureur A11
Toutes les variables sauf une, utilisation de deux modèles XGBoost (gradientboosting)
Correction pour primes négatives (plafonnées)
Programmé en Python par un actuaire dans une compagnie d’assurance (inscrit àla formation ADS).
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Proportion of insured
Pro
port
ion
of lo
sses
more risky less risky
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Mar
ket S
hare
(in
%)
02
46
810
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Loss
Rat
io (
in %
)
050
100
150
200
@freakonometrics 15
-
Arthur CHARPENTIER - Actuariat & Data Science
Assureur A12
Toutes les variables, utilisation de deux modèles XGBoost (gradient boosting)
Correction pour primes négatives (plafonnées)
Programmé en R par un actuaire dans une compagnie d’assurance en Europe.
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Proportion of insured
Pro
port
ion
of lo
sses
more risky less risky
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Mar
ket S
hare
(in
%)
02
46
810
A1 A2 A3 A4 A5 A6 A7 A8 A9 A11 A13
Loss
Rat
io (
in %
)
050
100
150
200
@freakonometrics 16
-
Arthur CHARPENTIER - Actuariat & Data Science
Conclusion• début de réflexions sur la mise en concurrence de
modèles statistiques/économétriques/actuariels
• comportement des modèles en concurrence diffi-cile à prévoir
• pour l’instant rien sur la convergence des prix,et la prise en compte d’information sur les prixdes concurrents Market Share (%)
Obs
erve
d Lo
ss R
atio
(%
)
A1
A2
A3A4
A5
A6
A7
A8 A9
A10
A11
A12
A13
5 6 7 8 9 10 11
100
120
140
160
180
200
220
@freakonometrics 17
0.0: 0.1: anm0: