Modélisation prédictive et apprentissage statistique en assurance

lactu2110  2020-2021  Louvain-la-Neuve

Modélisation prédictive et apprentissage statistique en assurance
En raison de la crise du COVID-19, les informations ci-dessous sont susceptibles d’être modifiées, notamment celles qui concernent le mode d’enseignement (en présentiel, en distanciel ou sous un format comodal ou hybride).
7 crédits
45.0 h
Q2
Enseignants
Denuit Michel;
Langue
d'enseignement
Français
Préalables
Maîtrise des concepts de base en statistique et calcul des probabilités, du niveau des cours:
  • LMAFY1101 Exploration de données et introduction à l'inférence et LMAT1271 Calcul des probabilités et analyse statistique
  • LFSAB1105 Probability and Statistics ou LEPL1108 Mathématiques discrètes et probabilité et LEPL1109 Statistiques et sciences des données
  • LINGE1113 Probabilités, LINGE1214 Statistique approfondie et LINGE1222 Analyse statistique multivariée
  • de la mineure d'accès en statistique, sciences actuarielles et science des données (programme donnant accès au master en sciences actuarielles).
Thèmes abordés
Techniques actuarielles de segmentation a priori et a posteriori pour les produits d'assurance.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1 Eu égard au référentiel AA (AA du programme de master en sciences actuarielles), cette activité permet aux étudiants de maîtriser
  • De manière prioritaire les AA suivants : 1.1, 1.2, 1.3, 1.4, 1.7, 2.1, 2.3
  • De manière secondaire les AA suivants : 1.6, 2.2, 3.1, 3.3
À l'issue de ce cours, l'étudiant est capable de :
  • Comprendre les principes de base de la classification des risques
  • Maîtriser les techniques statistiques de classification des risques (GLM, GAM, modèles mixtes, CART, Random Forests et techniques de boosting)
  • Les appliquer à la tarification et à la gestion des produits d'assurances dommages, vie et de personnes
 
Contenu
- Nécessité et limite à la classification des risques
- Analyse a priori à l’aide des GLM, GAM, modèles mixtes, CART, Random Forests et techniques de boosting
- Grands sinistres et théorie des valeurs extrêmes
- Modèles mixtes et techniques de crédibilité
- Echelles bonus-malus
Méthodes d'enseignement

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

Le cours consiste en leçons théoriques illustrées de nombreux cas pratiques auxquelles l’étudiant est tenu de participer.
Modes d'évaluation
des acquis des étudiants

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

L’évaluation consiste en un examen écrit pour lequel l’étudiant dispose des supports du cours.
Bibliographie
Matériel disponible en ligne, complété si nécessaire par
  • Denuit, M., Charpentier, A. (2005). Mathématiques de l'Assurance NonVie. Tome II: Tarification et Provisionnement. Collection Economie et Statistique Avancées, Economica, Paris.
  • Denuit, M., Hainaut, D., Trufin, J. (2019). Effective Statistical Learning Methods for Actuaries. Volume 1: GLMs and their Extensions. Springer Actuarial Lecture Notes Series.
  • Denuit, M., Hainaut, D., Trufin, J. (2020). Effective Statistical Learning Methods for Actuaries. Volume 2: Tree-Based Methods. Springer Actuarial Lecture Notes Series.
Support de cours
  • matériel sur moodle
Faculté ou entité
en charge
LSBA
Force majeure
Modes d'évaluation
des acquis des étudiants
La crise sanitaire implique des incertitudes quant aux modalités d’évaluation en particulier pour la session de juin. Deux options sont envisagées selon la sévérité des contraintes liées à la crise sanitaire.
Un plan A en présentiel :
  • Examen écrit
Un plan B en distanciel :
  • Examen écrit sur Moodle


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en sciences actuarielles