Mélanges de GLMs et nombre de composantes : application ... - Scor
Mélanges de GLMs et nombre de composantes : application ... - Scor
Mélanges de GLMs et nombre de composantes : application ... - Scor
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Chapitre 3. Mélange <strong>de</strong> régressions logistiques<br />
que nous venons d’étudier.<br />
Modélisation <strong>et</strong> prévisions par mélange <strong>de</strong> GLM<br />
Les prévisions par régression logistique dynamique du graphique 3.20 laissent à désirer.<br />
Autant le modèle performe bien sur la pério<strong>de</strong> d’apprentissage, autant il donne <strong>de</strong>s résultats<br />
très mauvais sur la pério<strong>de</strong> <strong>de</strong> validation où presque toutes les observations sont en <strong>de</strong>hors<br />
<strong>de</strong> l’intervalle <strong>de</strong> confiance (lors du back-testing). Le changement <strong>de</strong> contexte économique qui<br />
impacte les comportements <strong>de</strong> rachat n’est donc pas bien capté par le modèle <strong>de</strong> régression<br />
logistique à une composante. Avec un mélange <strong>de</strong> régressions logistiques, les prévisions sont<br />
n<strong>et</strong>tement meilleures : quatre <strong>composantes</strong> suffisent à décrire précisément les comportements<br />
variables <strong>de</strong>s assurés. Nous avons utilisé une métho<strong>de</strong> légèrement différente <strong>de</strong>s approches<br />
considérées jusqu’ici, qui perm<strong>et</strong> <strong>de</strong> mieux modéliser la corrélation entre individus. De par<br />
la nature du type <strong>de</strong> produit, la logique voudrait en eff<strong>et</strong> que c<strong>et</strong>te corrélation entre les<br />
comportements soit susceptible d’augmenter plus rapi<strong>de</strong>ment <strong>et</strong> plus intensément.<br />
Impact <strong>de</strong>s variables explicatives par les mélanges <strong>de</strong> Logit<br />
L’usage du modèle mélange est un peu spécifique pour les produits structurés. Nous n’avons<br />
introduit aucune variable explicative d’eff<strong>et</strong> structurel (<strong>de</strong> type ancienn<strong>et</strong>é <strong>de</strong> contrat, <strong>et</strong>c) car<br />
nous avons remarqué que les prévisions <strong>de</strong> comportement ne sont finalement pas du tout<br />
dictées par ces caractéristiques. Nos seuls facteurs <strong>de</strong> risque sont ceux liés à l’environnement<br />
économique <strong>et</strong> financier (taux 10Y <strong>et</strong> ibex 35), mais pris <strong>de</strong> manière spéciale comme le montrent<br />
les “boxplot” <strong>de</strong>s eff<strong>et</strong>s <strong>de</strong> ces variables disponibles en annexe C.7.3 :<br />
– eff<strong>et</strong>s structurels : aucun input.<br />
– eff<strong>et</strong>s conjoncturels : introduits via l’Ibex 35 <strong>et</strong> le taux 10Y. Seul l’Ibex 35 joue sur la<br />
probabilité <strong>de</strong> rachat individuelle <strong>de</strong>s assurés <strong>de</strong> chaque composante, avec un risque <strong>de</strong><br />
base (“intercept”) comparable entre <strong>composantes</strong>. Certains rachètent davantage lorsque<br />
l’indice croît, reflétant un comportement rationel (<strong>composantes</strong> 2, 3 <strong>et</strong> 4) ; alors que les<br />
individus appartenant à la composante 1 ont tendance à moins rach<strong>et</strong>er dans un contexte<br />
haussier <strong>de</strong> l’indice.<br />
– corrélation : l’originalité <strong>de</strong> l’approche pour les produits structurés consiste à pouvoir<br />
ajuster la taille (proportion) <strong>de</strong>s <strong>composantes</strong> en fonction du contexte économique. Ceci<br />
est réalisé par l’introduction du taux 10 ans en variable explicative <strong>de</strong>s poids <strong>de</strong>s <strong>composantes</strong><br />
(cf annexe C.37) : si le taux 10 ans augmente alors la probabilité d’appartenir<br />
à la composante 4 sera celle qui diminuera le plus, suivie <strong>de</strong> la composante 2 puis <strong>de</strong><br />
la composante 1 (<strong>et</strong> inversement). En revanche plus d’individus adopteront le comportement<br />
représenté par la composante 3. Ainsi les assurés sont virtuellement autorisés à<br />
changer <strong>de</strong> composante chaque trimestre suivant l’économie.<br />
Finalement, l’arbitrage du modèle dans la balance <strong>de</strong> la proportion <strong>de</strong> personnes adoptant<br />
une attitu<strong>de</strong> plutôt rationnelle ou non perm<strong>et</strong> d’obtenir un modèle dont les prévisions sont<br />
excellentes. L’aspect dynamique <strong>de</strong> la taille <strong>de</strong>s <strong>composantes</strong> est ce qui nous a permis ici <strong>de</strong><br />
trouver un résultat honorable sur <strong>de</strong>s données relativement spécifiques.<br />
98