📊 statistics

Penalized Copula Mixed Models for Intercompany Loss Reserving and Risk Capital

Cet article propose un modèle de copule mixte généralisé pénalisé qui intègre des modèles marginaux à effets mixtes avec des structures de dépendance spécifiques à chaque entreprise afin d'améliorer la stabilité des provisions pour sinistres interentreprises, de réduire la variabilité prédictive et de diminuer les exigences de fonds propres pour risque en empruntant efficacement l'information entre les assureurs tout en tenant compte de l'hétérogénéité.

Auteurs originaux : Pengfei Cai, Anas Abdallah, Pratheepa Jeganathan

Publié 2026-07-17

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Pengfei Cai, Anas Abdallah, Pratheepa Jeganathan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Grand Casse-tête de l'Assurance

Imaginez que vous essayiez de deviner combien un groupe d'amis dépensera pour un voyage sur la route massif et chaotique. Vous avez une carte de leurs voyages passés, mais les données sont désordonnées : certains amis sont terribles en budget, d'autres sont méticuleux, et la météo (qui affecte le prix de l'essence) change de manière imprévisible. C'est le monde de la provision pour sinistres (loss reserving). Dans l'industrie de l'assurance, les compagnies doivent mettre de côté de gigantesques piles d'argent aujourd'hui pour payer des accidents qui se sont produits dans le passé mais qui n'ont pas encore été totalement réglés. C'est comme essayer de deviner l'addition finale d'un dîner alors que les invités sont encore en train de commander des desserts.

Le plus difficile, c'est que l'assurance ne concerne pas une seule chose ; il s'agit de nombreuses « branches d'activité » qui se déroulent simultanément. Une compagnie d'assurance automobile, par exemple, traite avec les voitures particulières et les camions commerciaux. Ces deux branches ne sont pas indépendantes ; une mauvaise année économique peut nuire aux deux, ou une nouvelle loi peut en réparer une tout en en cassant l'autre. Pour obtenir l'addition finale exacte, vous devez comprendre comment ces différentes branches d'activité dansent ensemble. C'est là qu'interviennent les copules. Voyez la copule comme un instructeur de danse spécialisé qui vous apprend à prédire les pas d'un danseur (comme les voitures particulières) en fonction des pas d'un autre (comme les camions commerciaux), sans vous laisser confondre par leurs particularités individuelles.

Maintenant, imaginez que vous avez des données provenant de trente différentes compagnies d'assurance. Certaines sont énormes, d'autres sont petites, et elles ont toutes leur propre style unique. La grande question est la suivante : pouvons-nous apprendre de toutes ces compagnies à la fois pour faire de meilleures prédictions pour chacune d'entre elles, sans perdre leurs personnalités uniques ? C'est le casse-tête que cet article résout.

La Grande Idée de l'Article : Une Équipe de Détectives avec un Filtre Magique

Dans cet article, les auteurs, Pengfei Cai, Anas Abdallah et Pratheepa Jeganathan, présentent un nouvel outil statistique appelé le Modèle Mixte de Copule Généralisée Pénalisé (pGCMM). C'est un nom barbare, alors décomposons-le sous la forme d'une histoire sur une équipe de détectives tentant de résoudre un mystère.

Le Mystère : L'Argent Disparu
Chaque compagnie d'assurance possède un « triangle de sinistralité », qui est simplement une grille sophistiquée montrant combien d'argent elle a versé au fil du temps. Le haut du triangle est rempli de données, mais le coin inférieur droit — les paiements futurs qu'ils n'ont pas encore effectués — est vide. L'objectif est de remplir cet espace vide avec précision. S'ils devinent trop bas, la compagnie fait faillite ; s'ils devinent trop haut, ils gaspillent de l'argent qui pourrait être utilisé ailleurs.

L'Ancienne Méthode : Les Silos contre la Foule
Auparavant, les entreprises travaillaient souvent en « silos ». Elles regardaient uniquement leurs propres données, ignorant celles de tous les autres. C'est comme essayer de résoudre un puzzle avec seulement trois pièces. D'autres méthodes essayaient d'examiner les données de tout le monde, mais traitaient chaque entreprise exactement de la même manière, supposant qu'elles avaient toutes les mêmes habitudes. C'est comme supposer que chaque détective d'un commissariat possède exactement le même cerveau. Les deux approches présentaient des failles : la première était trop solitaire, et la seconde trop générique.

La Nouvelle Solution : Le pGCMM
Les auteurs proposent un modèle qui agit comme une équipe de détectives super intelligents qui partagent des notes tout en gardant leurs propres carnets.

La partie « Mixte » (L'Équipe) : Le modèle examine les données de 30 différentes compagnies d'assurance à la fois. Il apprend les schémas généraux de l'ensemble du groupe (les « effets fixes ») mais attribue également à chaque entreprise son propre « effet aléatoire » pour tenir compte de ses particularités uniques. C'est comme un entraîneur qui connaît les règles générales du football, mais qui ajuste la stratégie pour chaque joueur spécifique.
La partie « Copule » (La Danse) : C'est l'instructeur de danse magique. Il détermine comment les différentes branches d'activité (comme l'auto particulière et l'auto commerciale) bougent ensemble après que l'équipe a pris en compte les règles générales et les particularités individuelles. Cela permet au modèle de voir les connexions cachées entre différents types d'assurances.
La partie « Pénalisée » (Le Filtre Magique) : C'est l'arme secrète de l'article. Dans les coins vides des données du triangle (le futur), il n'y a pas beaucoup d'informations. Si vous essayez de deviner trop durement, vous risquez d'inventer des schémas qui n'existent pas. Les auteurs utilisent une technique appelée LASSO (Least Absolute Shrinkage and Selection Operator), qui agit comme un filtre magique. Il regarde les données et dit : « Ce schéma est si faible et instable qu'il s'agit probablement de bruit », et il le réduit à zéro. Cela permet de garder le modèle simple et d'éviter qu'il ne soit perturbé par des fluctuations aléatoires.

Ce Qu'Ils Ont Découvert
Les auteurs ont testé ce nouveau modèle en utilisant des données réelles de la National Association of Insurance Commissioners, en examinant 30 compagnies et les branches d'assurance automobile particulière et commerciale.

Meilleure Stabilité : Lorsqu'ils ont comparé leur modèle aux anciennes méthodes de « silos », le nouveau modèle s'est révélé beaucoup plus stable. Il ne faisait pas de variations brusques lors de la prédiction du futur.
Moins de Capital de Risque : Parce que le modèle comprenait comment les différentes branches d'activité étaient connectées (la danse), il a réalisé que les risques n'étaient pas aussi effrayants qu'ils en avaient l'air lorsqu'ils étaient vus séparément. Cela signifie que les compagnies avaient besoin de moins de « capital de risque » (argent de sécurité) en réserve. Plus précisément, à un niveau de sécurité de 99 %, leur modèle a réduit le capital supplémentaire requis d'environ 32,1 % par rapport à l'ancienne méthode de silo.
Le Compromis : Curieusement, bien que le nouveau modèle soit meilleur pour prédire le montant total d'argent nécessaire, il déplaçait parfois l'argent légèrement différemment entre les deux types d'assurance (particulière vs commerciale) par rapport aux modèles plus anciens. Cependant, les auteurs soutiennent que c'est une bonne chose, car cela empêche une branche d'être surfinancée ou sous-financée à cause d'une mauvaise estimation.

Le Test de Simulation
Pour s'assurer que leur modèle n'était pas simplement chanceux avec les données réelles, ils ont lancé une simulation massive. Ils ont créé 100 mondes fictifs avec des réponses connues et ont testé si leur modèle pouvait les trouver.

Parcimonie (Sparsity) : Le modèle était excellent pour trouver les schémas « zéro ». Si une certaine année ou un certain événement n'avait pas réellement d'importance, le modèle l'ignorait correctement.
Robustesse : Même lorsque nous avons perturbé la simulation en rendant les données « à queues épaisses » (signifiant que des événements extrêmes et rares arrivaient plus souvent que d'habitude), le modèle a continué à bien performer, bien qu'il soit devenu un peu plus incertain. Cela suggère que le modèle est assez robuste pour gérer le chaos du monde réel.

L'Essentiel
L'article suggère qu'en combinant les données de nombreuses entreprises, en comprenant comment leurs différentes branches d'assurance dansent ensemble, et en utilisant un filtre pour ignorer les schémas instables, les compagnies d'assurance peuvent faire des prédictions plus intelligentes et plus sûres. Ce n'est pas une baguette magique qui résout tout, mais c'est une étape significative vers la transformation d'un tas chaotique de chiffres en une image claire et fiable de l'avenir. Les auteurs concluent que ce cadre offre une façon flexible et interprétable de gérer le risque, aidant les entreprises à tenir leurs promesses envers les assurés sans pour autant thésauriser trop de liquidités.

Résumé Technique : Modèles Mixtes de Copules Pénalisés pour le Provisionnement des Sinistres Interentreprises et le Capital de Risque

Énoncé du Problème

Le provisionnement des sinistres interentreprises vise à améliorer l'estimation des réserves en exploitant les données de plusieurs assureurs tout en tenant compte de l'hétérogénéité au niveau de chaque entreprise. Un défi critique dans ce domaine est de modéliser la dépendance entre les lignes de métier (LoB) afin d'évaluer avec précision le capital de risque et les bénéfices de diversification. La littérature existante traite souvent les effets d'entreprise comme des effets fixes ou suppose des paramètres de dépendance homogènes pour tous les assureurs, ce qui ne parvient pas à capturer les variations de la composition des portefeuilles et des pratiques de souscription. De plus, les modèles paramétriques standards sont confrontés à la parcimonie dans la queue des triangles de sinistres (années d'exercice et de développement récentes), où les observations sont limitées et les effets fixes peuvent être faiblement identifiés. Bien que les approches par réseaux de neurones (ex. : Deep Triangle) offrent un pouvoir prédictif, elles manquent souvent d'interprétabilité concernant les structures de dépendance et les effets de diversification. Il existe un besoin pour un cadre capable de gérer simultanément des données hiérarchiques provenant de plusieurs entreprises, de modéliser la dépendance résiduelle entre les LoB avec des paramètres spécifiques à chaque entreprise, et de stabiliser l'estimation dans les régions de données parcimonieuses grâce à la régularisation.

Méthodologie

Les auteurs proposent un Modèle Mixte de Copules Généralisées Pénalisé (pGCMM) pour le provisionnement multivarié interentreprises.

Spécification du Modèle

Le modèle décompose les sinistres payés incrémentaux standardisés $Y_{ijc}^{(\ell)}$ pour la LoB $\ell$ , l'année d'exercice $i$ , l'année de développement $j$ , et l'entreprise $c$ en trois composantes :

Effets Systématiques : Effets fixes pour les schémas d'années d'exercice et d'années de développement ( $\beta^{(\ell)}$ ) communs à l'industrie.
Hétérogénéité de l'Assureur : Effets aléatoires spécifiques à l'entreprise ( $b_c^{(\ell)}$ ) tirés d'une distribution normale, capturant la variation non observée au niveau de l'assureur.
Dépendance Résiduelle : Une composante de copule modélisant la dépendance entre les LoB après conditionnement sur les effets systématiques et aléatoires. Crucialement, le paramètre de copule $\theta_c$ est autorisé à varier selon l'entreprise, capturant ainsi les schémas de diversification propres à chaque assureur.

Les distributions marginales pour chaque LoB sont choisies parmi la famille exponentielle (ex. : Gamma ou Log-normale) selon des critères d'ajustement (goodness-of-fit).

Procédure d'Estimation

En raison de la complexité computationnelle de la maximisation de la vraisemblance jointe (qui implique l'intégration du terme de copule sur les effets aléatoires), les auteurs emploient une procédure d'estimation itérative en deux étapes :

Étape 1 (Estimation Marginale) : Estimer les paramètres des modèles mixtes marginaux ( $\beta, \sigma, \tau$ ) conditionnellement aux paramètres de copule actuels. Dans la version pénalisée (pGCMM), une pénalité $L_1$ (LASSO) est appliquée aux effets fixes $\beta$ pour induire la parcimonie et stabiliser l'estimation dans la queue des triangles. L'optimisation est réalisée via une descente de coordonnées.
Étape 2 (Estimation de la Copule) : Avec les paramètres marginaux fixés, calculer les pseudo-résidus et les transformer en pseudo-observations basées sur les rangs. Mettre à jour les paramètres de copule spécifiques à l'entreprise $\theta_c$ en maximisant une pseudo-vraisemblance basée sur les rangs.
L'algorithme itère jusqu'à convergence.

Distribution Prédictive et Capital de Risque

Pour générer les distributions de réserves prédictives et évaluer le capital de risque (ex. : TVaR), les auteurs adaptent une procédure de bootstrap modifiée (Chatterjee et Lahiri, 2011). Cette approche :

Seuil les petits coefficients à zéro pour gérer la non-différentiabilité de la pénalité $L_1$ .
Rééchantillonne les résidus sur la base de leurs rangs empiriques pour préserver la structure de dépendance.
Réajuste le modèle pénalisé sur les échantillons de bootstrap pour générer une distribution des réserves totales.

Principales Contributions

Le document souligne cinq contributions primaires :

Extension du Cadre : Introduction d'un Modèle Mixte de Copules Généralisées (GCMM) pour le provisionnement multivarié interentreprises qui prend en compte l'hétérogénéité inter-assureurs et la dépendance inter-LoB.
Dépendance Spécifique à l'Entreprise : Autoriser les paramètres de dépendance de la copule à varier par entreprise, capturant ainsi les schémas de diversification qui seraient occultés par un paramètre commun.
Estimation Itérative : Développement d'une procédure en deux étapes combinant l'estimation de modèle mixte marginal avec l'estimation de copule basée sur les rangs utilisant des pseudo-observations de résidus.
Pénalisation : Incorporation d'une pénalité $L_1$ sur les effets fixes pour stabiliser les paramètres faiblement identifiés dans les queues de triangles de données parcimonieuses et produire un modèle parcimonieux.
Quantification de l'Incertitude : Adaptation du bootstrap des résidus pour générer des distributions de réserves prédictives et évaluer le capital de risque sous le cadre pénalisé.

Résultats Empiriques

Le modèle a été appliqué à des données Schedule P de la National Association of Insurance Commissioners (NAIC), comprenant 30 paires de triangles de sinistres pour les lignes d'automobiles personnelles et commerciales.

Précision des Réserves : Le pGCMM et le GCMM non pénalisé ont produit des estimations de réserves par ligne stables. Bien que le benchmark de référence à effets fixes (Copula-FE) fournisse l'estimation ponctuelle agrégée la plus proche pour une entreprise spécifique, il présentait des surestimations plus importantes pour certaines lignes. Les modèles à effets mixtes ont fourni des allocations plus équilibrées.
Stabilité et Variabilité : L'analyse de bootstrap a révélé que le Silo-GLMM (modélisant les LoB séparément) produisait la variabilité la plus élevée. Les modèles de copules à effets mixtes (GCMM et pGCMM) ont produit les coefficients de variation les plus faibles, démontissant que le fait de s'appuyer sur la force des autres entreprises et de modéliser la dépendance réduit l'incertitude prédictive.
Capital de Risque : La modélisation de la dépendance inter-LoB a considérablement réduit le capital de risque requis par rapport au benchmark de silo. Le pGCMM et le GCMM ont réalisé les gains les plus importants, réduisant le capital de queue incrémental (par rapport au Silo-GLMM) d'environ 32 % au niveau du TVaR à 99 %.
Récupération des Paramètres : Des études de simulation ont confirmé que l'estimateur récupère correctement les coefficients non nuls et réduit les coefficients réellement nuls vers zéro. Le cadre est resté robuste à la spécification erronée de la distribution des effets aléatoires (ex. : distributions t à queues lourdes), bien que la variabilité ait légèrement augmenté.

Signification et Revendications

Les auteurs positionnent le pGCMM comme un cadre interprétable et flexible servant d'extension de type « crédibilité » de la régression par copule. Sa signification réside dans :

Décomposition : Il sépare clairement l'hétérogénéité au niveau de l'assureur de la dépendance résiduelle inter-LoB, permettant une quantification directe des effets de diversification.
Stabilité : La pénalité $L_1$ stabilise l'estimation dans les régions de données parcimonieuses sans sacrifier la capacité à modéliser des structures de dépendance complexes.
Évaluation du Capital : En tenant compte à la fois de l'hétérogénéité et de la dépendance, le modèle fournit une base plus stable pour l'évaluation du capital de risque que les approches traditionnelles de silo ou à effets fixes.

Le document conclut que, bien que le cadre soit démontré sur deux LoB, il s'étend naturellement à des dimensions plus élevées en utilisant des copules elliptiques ou de type "vine". Les auteurs reconnaissent des limites, telles que l'accent mis sur deux LoB et la nécessité potentielle d'architectures hybrides (ex. : intégration de réseaux de neurones récurrents) pour mieux capturer la dynamique séquentielle du développement des sinistres dans des travaux futurs.