Gradient boosting techniques for individual loss reserving in non-life insurance

La modelisation fondee sur des donnees est l'un des sujets de recherche qui pose le plus de defis dans la science actuarielle pour le provisionnement et l'evaluation du risque. La plupart des analyses sont basees sur des donnees agregees, mais il est clair aujourd'hui que cette approche ne dit pas tout sur une reclamation et ne decrit pas precisement son evolution. Les approches d'apprentissage statistique en general, et les algorithmes de gradient boosting en particulier, offrent un ensemble d'outils qui pourraient aider a evaluer les reserves dans un cadre individuel. Dans ce memoire, nous comparons certaines techniques agregees traditionnelles (au niveau du portefeuille) avec des modeles individuels (au niveau de la reclamation) bases a la fois sur des modeles parametriques et sur des algorithmes de gradient boosting. Ces modeles individuels utilisent de l'information sur chacun des paiements effectues pour chacune des reclamations du portefeuille, ainsi que sur les caracteristiques de l'assure. Nous fournissons un exemple base sur un ensemble de donnees detaillees provenant d'une compagnie d'assurance non-vie et nous discutons de certains points lies aux applications pratiques. _____________________________________________________________________________ MOTS-CLES DE L’AUTEUR : assurance non-vie, provisionnement, modelisation predictive, modeles individuels, gradient boosting