Thèse soutenue

Contributions de l’Apprentissage Statistique à l’Actuariat et la Gestion des Risques Financiers
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Pierrick Piette
Direction : Stéphane LoiselOlivier Lopez
Type : Thèse de doctorat
Discipline(s) : Sciences de gestion
Date : Soutenance le 02/12/2019
Etablissement(s) : Lyon
Ecole(s) doctorale(s) : École doctorale Sciences économiques et gestion (Lyon)
Partenaire(s) de recherche : établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....)
Laboratoire : Laboratoire de Sciences Actuarielle et Financière
Jury : Président / Présidente : Catherine Viot
Examinateurs / Examinatrices : Stéphane Loisel, Olivier Lopez, Christophe Gouel, Aurélie Lemmens
Rapporteurs / Rapporteuses : Arthur Charpentier, Caroline Hillairet

Résumé

FR  |  
EN

L’augmentation continuelle des performances informatiques des dernières décennies a permis une application répandue de la théorie de l’apprentissage statistique dans de multiples domaines. Les actuaires, experts historiques des statistiques, se tournent en particulier de plus en plus fréquemment vers ces algorithmes novateurs pour l’évaluation des risques auxquels ils sont confrontés. Ainsi, dans cette thèse, nous examinons comment l’intégration de méthodologies issues de l’apprentissage statistique peut contribuer au développement des sciences actuarielles et de la gestion des risques au travers de l’étude de trois problématiques indépendantes, présentées au préalable dans une introduction générale. Les deux premiers chapitres proposent de nouveaux modèles de projection de mortalité dans le cadre de l’évaluation du risque de longévité porté par les compagnies d’assurances ou les fonds de pensions. Le Chapitre 1 s’attarde sur le cas où une seule population est étudiée, alors que le Chapitre 2 étend l’analyse à la multi-population. Dans les deux situations, la problématique de la grande dimension apparait centrale et nous l’abordons à l’aide d’un vecteur autorégressif (VAR) pénalisé. Ce modèle est appliqué directement sur les taux d’amélioration de mortalité dans le premier chapitre, et sur les séries temporelles issues de l’estimation d’un modèle Lee-Carter pour le second. La pénalisation elastic-net permet de garder la grande liberté de structure de dépendance spatio-temporelle qu’offre le VAR tout en restant parcimonieux dans le nombre de paramètres, et donc éviter le surapprentissage. Dans le Chapitre 3 nous analysons le risque de rachat des contrats d’assurance vie par l’utilisation d’algorithmes de classification supervisée. Nous y appliquons entre autres le séparateur à vaste marge (SVM) et l’extreme gradient boosting (XGBoost). Afin de comparer les performances des différents classificateurs nous adoptons une vision économique issue de la littérature du marketing et basée sur les profits potentiels d’une campagne de rétention. Nous insistons sur l’importance de la fonction de perte retenue dans les algorithmes d’apprentissage statistique suivant l’objectif recherché : l’utilisation d’une fonction de perte en lien avec la mesure de performance amène une amélioration significative dans l’application de l’XGBoost dans notre étude. Enfin, dans le cadre de la gestion des risques financiers, nous étudions les dynamiques des prix agricoles lors de sessions de bourse particulières où des rapports gouvernementaux, contenant des informations précieuses pour les agents, sont publiés. Nous examinons le potentiel des données en libre accès, en particulier les images satellites d’indice de végétation rendues disponibles par la NASA, pour la prédiction des réactions des marchés. Nous proposons alors des pistes d’amélioration à considérer pour une mise en œuvre pratique de cette méthodologie d’enrichissement des données dans la gestion des risques