Séminaire Étudiant d’Été CIMMUL | Dominik Chevalier

Incertitude des prévisions par gradient boosting pour la fréquence et la sévérité des réclamations en assurance

Dominik Chevalier

Étudiant à la maîtrise avec mémoire

École d’actuariat, Université Laval

Résumé

Les modèles de gradient boosting d’arbres de décision (GBDT) sont de plus en plus courants en actuariat, notamment pour la tarification en assurance de dommages. Malgré leur bonne performance prédictive, les modèles de GBDT ne permettent pas de quantifier l’incertitude des prévisions. On s’intéresse à la quantification des deux composantes de l’incertitude prédictive : l’incertitude aléatoire et l’incertitude épistémique. L’incertitude aléatoire étant bien étudiée dans la littérature des modèles de GBDT, on fait d’abord un court survol des algorithmes existants en les comparant dans des applications actuarielles. Ensuite, on propose une nouvelle perspective des modèles de GBDT pour quantifier la composante épistémique en les traitant comme des processus stochastiques indexés par les itérations. Cela permet d’utiliser des outils de l’analyse stochastique…