Soutenance de thèse en actuariat – Ihsan Chaoubi

C’est avec plaisir que nous vous invitons à la soutenance de thèse en actuariat de madame Ihsan Chaoubi.

L’événement aura lieu :
Lundi le 11 avril à 9 h 30, au local 1110 du pavillon Comtois de l’Université Laval.

La soutenance de thèse sera présentée en formule comodale.

La thèse s’intitule :

Modélisation de la dépendance et apprentissage automatique dans le contexte du provisionnement individuel et de la solvabilité en actuariat IARD.

Vous trouverez le résumé de la thèse en bas de cette page.

Le jury sera composé de :

Hélène Cossette, Directrice de recherche
Professeure titulaire, École d’actuariat, Université Laval

Etienne Marceau, Codirecteur de recherche
Professeur titulaire, École d’actuariat, Université Laval

Arthur Charpentier, Examinateur externe
Professeur, Département de mathématiques, Université du Québec à Montréal

Edward W. Frees,  Examinateur
Emeritus Hickman Larson Chair of Actuarial Science
Professor, Risk and Insurance department, University of Wisconsin-Madison

Montserrat Guillén Estany, Examinatrice
Chair professor, Director of Riskcenter- Dept. Of econometrics, Universitat de Barcelona

La soutenance sera sous la présidence de Marie-Pier Côté, professeure adjointe de l’École d’actuariat.

Si vous comptez être des nôtres, nous vous saurions gré de confirmer votre présence, par retour de courriel, à Véronique Dion :  secretaire.direction@act.ulaval.ca .

Voici les informations sur la réunion Zoom si vous désirez vous y joindre à distance :
https://ulaval.zoom.us/j/69961983179?pwd=Qyt4U3g4OEFTTnJYV09WaDZLQUh0dz09
ID de réunion/Meeting ID : 699 6198 3179
Code secret/Password : Ihsan

Bien cordialement.

Ishan Chaoubi, Candidate au doctorat, Université Laval

Modélisation de la dépendance et apprentissage automatique dans le contexte du provisionnement individuel et de la solvabilité en actuariat IARD

Résumé de la thèse :
Le cycle spécifique de production en assurance amène des défis particuliers aux actuaires et aux gestionnaires de risque.
Dans cette thèse, on a pour but de développer des approches et des algorithmes susceptibles d’aider à résoudre certaines problématiques liées aux opérations de provisionnement et de solvabilité d’une compagnie d’assurance.
Les modèles de provisionnement traditionnels sont fondés sur des informations agrégées. Cependant, en raison de la perte d’informations individuelles des sinistres, ces modèles ont certaines limites. Les modèles de réserve individuels représentent une alternative prometteuse. On propose un modèle de réserve individuel basé sur un réseau de neurones récurrent. Notre réseau a l’avantage d’être flexible pour plusieurs structures de base de données détaillées des sinistres et capable d’incorporer plusieurs informations statiques et dynamiques. À travers plusieurs études de cas avec des jeux de données simulés et réels, on illustre la performance du réseau proposé.
La détermination des exigences de capital pour un portefeuille repose sur une bonne connaissance des distributions marginales ainsi que les structures de dépendance liants les risques individuels. Dans ce sens, on s’intéresse à la modélisation de la dépendance et à l’estimation des mesures de risque. Pour un portefeuille à deux risques, on considère la dépendance négative extrême (antimonotonocité) qui a été peu étudiée dans la littérature. On développe des expressions explicites pour des mesures de risque de la somme d’une paire de variables antimontones pour plusieurs familles de distributions. Les expressions explicites obtenues sont très utiles notamment pour quantifier le bénéfice de diversification.
Face à une problématique avec plusieurs lignes d’affaires, on définit une nouvelle famille de copules hiérarchiques pour modéliser la dépendance. Notre approche de construction est basée sur une loi mélange exponentielle multivariée dont le vecteur commun est obtenu par une convolution descendante de variables aléatoires indépendantes. En utilisant les mesures de corrélation des rangs, on propose un algorithme de détermination de la structure, tandis que l’estimation des paramètres est basée sur une vraisemblance composite. La flexibilité et l’utilité de cette famille de copules sont démontrées à travers deux études de cas réelles.