Application de mesures économiques à la gestion du risque de déchéance avec des approches d'apprentissage automatique.

Résumé La modélisation des comportements de déchéance des assurés est importante pour un assureur vie car les déchéances affectent la tarification, le provisionnement, la rentabilité, la liquidité, la gestion des risques, ainsi que la solvabilité de l'assureur. Le risque de déchéance est en effet le risque de souscription vie le plus important selon l'étude d'impact quantitatif QIS5 de l'Autorité européenne des assurances et des pensions professionnelles. Dans cet article, nous présentons deux algorithmes avancés d'apprentissage automatique pour la modélisation des déchéances. Nous évaluons ensuite la performance des différents algorithmes au moyen de la mesure classique de la précision statistique et de la rentabilité. De plus, nous adoptons un point de vue innovant sur le problème de la prédiction de lapse qui provient de la gestion du churn. Nous transformons le problème de classification en une question de régression, puis nous effectuons une optimisation, ce qui est nouveau pour la gestion du risque de déchéance. Nous appliquons différents algorithmes à un grand ensemble de données d'assurance du monde réel. Nos résultats montrent que XGBoost et SVM surpassent CART et la régression logistique, en particulier en termes de métrique de validation économique. L'optimisation après transformation fait ressortir des augmentations significatives et cohérentes des gains économiques.