Apprentissage automatique, correction des biais et estimateurs plug-in pour un provisionnement précis au niveau micro.

Résumé Grâce aux estimateurs non paramétriques issus de l'apprentissage automatique, le provisionnement des sinistres au niveau micro est devenu de plus en plus populaire dans les sciences actuarielles. Des recherches récentes se sont concentrées sur la manière d'intégrer l'ensemble des informations que l'on peut avoir sur les sinistres pour prédire les réserves individuelles, avec un succès variable dû à des observations incomplètes. Dans cet article, nous introduisons trois extensions aux travaux existants comparables : comment traiter la censure et la troncature présentes dans ce type de données, comment faire face à l'inflation lorsque le facteur d'inflation est inconnu, et comment mettre en œuvre une stratégie adéquate menant à des estimations de réserves personnalisées robustes. En utilisant des ensembles de tests indépendants, nos résultats - sur des garanties dont les temps de développement sont typiquement longs - montrent l'importance d'utiliser le temps de développement total du sinistre pour prédire les réserves avec une précision acceptable. Pour rester proche de la réalité, nos applications sont basées sur deux portefeuilles ouverts basés sur des ensembles de données réels.