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 2<br />
Crises <strong>de</strong> corrélation <strong>de</strong>s<br />
comportements<br />
Ce chapitre est inspiré <strong>de</strong> l’article Loisel and Milhaud (2011), coécrit avec<br />
Stéphane Loisel <strong>et</strong> publié dans l’European Journal of Operational Research 214,<br />
p 348-357. C<strong>et</strong> article a reçu le 2ème prix du Lloyd’s Science of Risk Prize, dans la catégorie<br />
Insurance operations and mark<strong>et</strong>s including financial mathematics.<br />
Pouvoir recomposer précisément par date le taux <strong>de</strong> rachat à l’échelle d’un portefeuille<br />
d’assurance nécessite <strong>de</strong> conserver les caractéristiques individuelles <strong>de</strong>s contrats <strong>et</strong> <strong>de</strong>s assurés,<br />
car nous avons vu que certaines variables étaient fortement discriminantes. Par conséquent<br />
l’évolution <strong>de</strong> la composition du portefeuille est importante pour une modélisation adéquate<br />
du taux <strong>de</strong> rachat : en eff<strong>et</strong> si le profil du portefeuille d’assurance change beaucoup entre <strong>de</strong>ux<br />
dates données, les décisions <strong>de</strong> rachat <strong>et</strong> donc le taux seront radicalement différents. C<strong>et</strong>te suggestion<br />
nous amène à r<strong>et</strong>enir une fois <strong>de</strong> plus l’usage <strong>de</strong> modèles <strong>de</strong> régression qui perm<strong>et</strong>tent<br />
d’intégrer ces considérations par l’intermédiaire <strong>de</strong> covariables. Nous verrons également dans ce<br />
chapitre qu’une modélisation logistique classique est insuffisante, ce qui nous perm<strong>et</strong>tra d’introduire<br />
le phénomène <strong>de</strong> corrélation entre comportements <strong>et</strong> <strong>de</strong> présenter qualitativement <strong>et</strong><br />
quantitativement son impact potentiel.<br />
2.1 Problème <strong>de</strong> la régression logistique dynamique<br />
Comme vu dans le précé<strong>de</strong>nt chapitre, faire <strong>de</strong>s prévisions <strong>de</strong> taux <strong>de</strong> rachat en se basant<br />
sur une analyse statique peut entraîner <strong>de</strong>s erreurs importantes. Les modèles <strong>de</strong> segmentation<br />
développés sont adaptés dans une optique <strong>de</strong> définition <strong>de</strong> classe (profil) <strong>de</strong> risque, mais il faut<br />
relativiser la pertinence <strong>de</strong> leur utilisation lors <strong>de</strong> l’étu<strong>de</strong> d’un phénomène dont la modélisation<br />
dépend fortement d’un environnement mouvant. Dans ce cas, une analyse dynamique perm<strong>et</strong><br />
<strong>de</strong> prendre en compte certains facteurs “externes”, <strong>et</strong> ainsi <strong>de</strong> mieux refléter leur influence sur<br />
les décisions <strong>de</strong>s assurés. Nous modélisons dans la suite le taux <strong>de</strong> rachat du portefeuille sur<br />
un pas <strong>de</strong> temps mensuel par agrégation <strong>de</strong> décisions individuelles <strong>de</strong>s assurés (les intervalles<br />
<strong>de</strong> confiance sont calculés avec le raisonnement détaillé en 1.2.2). Ces décisions sont r<strong>et</strong>ournées<br />
par le modèle logistique, auquel nous ajoutons en variables explicatives <strong>de</strong>s facteurs <strong>de</strong> risque<br />
économiques <strong>et</strong> financiers.<br />
Hormis la prise en compte du contexte économique, c<strong>et</strong>te analyse dynamique perm<strong>et</strong> d’évi-<br />
45