Assurance paramétrique pour les risques émergents : modélisation actuarielle et analyse de risque

Parametric insurance for emerging risks: actuarial modelling and risk analysis

• Auteur / Autrice : Daniel Nkameni
• Direction : Olivier Lopez
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 01/12/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : CREST - Centre de recherche en économie et statistique
• Partenaire(s) de recherche : Equipe de recherche : Pôle de Finance Assurance

Mots clés

Mots clés libres

Assurance paramétrique

Risques extrêmes

Machine Learning

Interprétabilité

Index insurance

Extreme risks

Machine Learning

Interpretability

Résumé

Le fonctionnement d'une couverture paramétrique consiste à introduire un indice, ou paramètre X, qui se conçoit comme une représentation simplifiée du risque de base. L'indemnisation se fonde uniquement sur la valeur de cet indice, qui est censée être le plus proche possible du coût réel des dommages subis Y. Mais pour bénéficier des nombreux avantages que promet l'assurance paramétrique, un certain nombre de verrous doivent être levés : - comment construire un indice X et une fonction f qui permettent de bien approcher Y ? En particulier, dans le cas de catastrophes où l'assurance paramétrique tend à sous-estimer les pertes. - comment mettre d'accord les deux parties (assureur et assuré) sur le bien fondé de l'indice ainsi développé ? La présente thèse visera à contribuer à ces questions à travers, l'optimisation de couvertures hybrides mélangeant assurance paramétrique et assurance traditionnelle dans le contexte de catastrophes grâce aux méthodes de Machine Learning.

Parametric insurance consists in introducing an index, or parameter X, which is conceived as a simplified representation of the base risk. Compensation is based solely on the value of this index, which is supposed to be as close as possible to the actual cost of the damage suffered Y. But to benefit from the many advantages promised by parametric insurance, a number of locks must be removed: - how to construct an index X and a function f that makes it possible to approach Y well? In particular, in the case of extreme events where parametric insurance tends to underestimate losses. - how to get both parties (insurer and insured) to agree on the merits of the index thus developed? This thesis will aim to contribute to these questions through the optimization of hybrid coverages mixing parametric and traditional insurance in the context of extreme events through Machine Learning methods.