Assas Recherche | Contributions de l’Apprentissage Statistique à l’Actuariat et la Gestion des Risques Financiers

Contributions de l’Apprentissage Statistique à l’Actuariat et la Gestion des Risques Financiers (Document en Français)

Accès au(x) document(s)

Accéder au(x) document(s) :

https://theses.hal.science/tel-02496251

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Piette Pierrick

Piette, Pierrick

Nom

Piette

Prénom

Pierrick

Nationalité

Français

Date de soutenance : 02-12-2019

Directeur(s) de thèse : Loisel Stéphane

Loisel, Stéphane

Nom

Loisel

Prénom

Stéphane

- Lopez Olivier

Lopez, Olivier

Nom

Lopez

Prénom

Olivier

Etablissement de soutenance : Lyon

Lyon

Nom

Lyon

Laboratoire : Laboratoire de Sciences Actuarielle et Financière (Lyon ; 1997-....)

Laboratoire de Sciences Actuarielle et Financière (Lyon ; 1997-....)

Nom

Laboratoire de Sciences Actuarielle et Financière (Lyon ; 1997-....)

Ecole doctorale : École doctorale Sciences économiques et de gestion (Lyon ; 2007-....)

École doctorale Sciences économiques et de gestion (Lyon ; 2007-....)

Nom

École doctorale Sciences économiques et de gestion (Lyon ; 2007-....)

Informations générales

Discipline : Sciences de gestion
Classification : Gestion et organisation de l'entreprise

Mots-clés libres : Apprentissage statistique, Projection de mortalité, Rachat, Marché des commodités, Elastic-net, Gradient Boosting, NDVI
Mots-clés :

Apprentissage automatique
Actuariat
Gestion du risque

Résumé : L’augmentation continuelle des performances informatiques des dernières décennies a permis une application répandue de la théorie de l’apprentissage statistique dans de multiples domaines. Les actuaires, experts historiques des statistiques, se tournent en particulier de plus en plus fréquemment vers ces algorithmes novateurs pour l’évaluation des risques auxquels ils sont confrontés. Ainsi, dans cette thèse, nous examinons comment l’intégration de méthodologies issues de l’apprentissage statistique peut contribuer au développement des sciences actuarielles et de la gestion des risques au travers de l’étude de trois problématiques indépendantes, présentées au préalable dans une introduction générale. Les deux premiers chapitres proposent de nouveaux modèles de projection de mortalité dans le cadre de l’évaluation du risque de longévité porté par les compagnies d’assurances ou les fonds de pensions. Le Chapitre 1 s’attarde sur le cas où une seule population est étudiée, alors que le Chapitre 2 étend l’analyse à la multi-population. Dans les deux situations, la problématique de la grande dimension apparait centrale et nous l’abordons à l’aide d’un vecteur autorégressif (VAR) pénalisé. Ce modèle est appliqué directement sur les taux d’amélioration de mortalité dans le premier chapitre, et sur les séries temporelles issues de l’estimation d’un modèle Lee-Carter pour le second. La pénalisation elastic-net permet de garder la grande liberté de structure de dépendance spatio-temporelle qu’offre le VAR tout en restant parcimonieux dans le nombre de paramètres, et donc éviter le surapprentissage. Dans le Chapitre 3 nous analysons le risque de rachat des contrats d’assurance vie par l’utilisation d’algorithmes de classification supervisée. Nous y appliquons entre autres le séparateur à vaste marge (SVM) et l’extreme gradient boosting (XGBoost). Afin de comparer les performances des différents classificateurs nous adoptons une vision économique issue de la littérature du marketing et basée sur les profits potentiels d’une campagne de rétention. Nous insistons sur l’importance de la fonction de perte retenue dans les algorithmes d’apprentissage statistique suivant l’objectif recherché : l’utilisation d’une fonction de perte en lien avec la mesure de performance amène une amélioration significative dans l’application de l’XGBoost dans notre étude. Enfin, dans le cadre de la gestion des risques financiers, nous étudions les dynamiques des prix agricoles lors de sessions de bourse particulières où des rapports gouvernementaux, contenant des informations précieuses pour les agents, sont publiés. Nous examinons le potentiel des données en libre accès, en particulier les images satellites d’indice de végétation rendues disponibles par la NASA, pour la prédiction des réactions des marchés. Nous proposons alors des pistes d’amélioration à considérer pour une mise en œuvre pratique de cette méthodologie d’enrichissement des données dans la gestion des risques

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2019LYSE1328
Type de ressource : Thèse

Fiche descriptive