Continuous-time modeling and bootstrap for Schnieper's reserving

Each language version is independently generated for its own context, not a direct translation.

🌧️ Le Prévisionniste de la Pluie : Une nouvelle façon de compter les dégâts

Imaginez que vous êtes le responsable d'une grande assurance automobile. Votre travail consiste à répondre à une question angoissante : « Combien d'argent allons-nous devoir payer dans le futur pour les accidents qui sont déjà arrivés, mais dont on ne connaît pas encore le montant final ? »

En jargon d'assureur, on appelle cela les réserves IBNR (Incurred But Not Reported) et IBNER (Incurred But Not Enough Reported).

L'article de Nicolas Baradel propose une nouvelle méthode mathématique pour répondre à cette question, en mélangeant deux mondes : celui des événements soudains (comme des éclairs) et celui des fluctuations douces (comme le niveau de l'eau dans une rivière).

1. Le problème : Deux types de surprises

Pour comprendre la méthode, il faut distinguer deux sources d'incertitude dans les réserves d'assurance :

Les nouvelles gouttes (True IBNR) : Ce sont les accidents qui se sont produits mais qui n'ont même pas encore été signalés à l'assurance. C'est comme attendre qu'une nouvelle goutte de pluie tombe sur votre toit. C'est un événement soudain et discret.
Les ajustements de niveau (IBNER) : Ce sont les accidents déjà déclarés, mais dont le coût final change. Par exemple, une voiture écrasée coûte 5 000 € au début, puis l'expert découvre un moteur cassé et le prix passe à 15 000 €. C'est une évolution continue, comme le niveau d'eau qui monte doucement dans une baignoire.

Les méthodes classiques traitent souvent ces deux choses de manière séparée ou trop simpliste (comme si tout était une ligne droite).

2. La solution : Un modèle "Hybride" en temps réel

Nicolas Baradel propose de ne plus regarder les données par "tranches" (mois par mois, année par année), mais de les voir comme un film en continu.

Il utilise deux outils mathématiques pour simuler ce film :

Pour les nouvelles gouttes (les accidents non signalés) : Il utilise une mesure de Poisson.
- L'analogie : Imaginez un distributeur de bonbons qui fonctionne aléatoirement. Parfois, il en donne un, parfois deux, parfois aucun. On ne sait pas quand exactement ils vont tomber, mais on connaît la fréquence moyenne. C'est parfait pour modéliser l'arrivée imprévisible de nouveaux sinistres.
Pour les ajustements (les coûts qui changent) : Il utilise un mouvement brownien (comme le mouvement d'une particule de pollen dans l'eau).
- L'analogie : Imaginez un ballon de baudruche gonflé. Vous pouvez le gonfler ou le dégonfler doucement, mais il ne peut pas devenir négatif (il ne peut pas avoir un volume de -5 cm³). Cela permet de modéliser les variations de coûts de manière fluide, tout en garantissant que le montant restera toujours positif.

3. La magie du "Bootstrap" : Simuler des milliers de futurs

Le plus gros défi en assurance est de dire : « Quelle est la probabilité que nous ayons une très mauvaise année ? » (le risque de catastrophe).

L'auteur utilise une technique appelée Bootstrap.

L'analogie : Imaginez que vous avez un sac rempli de billes représentant vos données passées. Au lieu de faire un seul calcul, vous videz le sac, vous le remplissez au hasard (en tirant des billes avec remise), vous refaites le calcul, puis vous videz à nouveau, et vous recommencez des milliers de fois.
À la fin, vous avez des milliers de scénarios possibles. Certains sont optimistes, d'autres catastrophiques. Cela vous donne une carte complète des risques, y compris les scénarios rares mais dangereux (les "queues de distribution").

4. Pourquoi c'est mieux que les anciennes méthodes ?

Les anciennes méthodes avaient deux gros défauts :

Elles pouvaient prédire des nombres négatifs (ce qui est absurde pour de l'argent à payer).
Elles étaient trop "lisses" et ne prenaient pas assez en compte les surprises brutales.

La nouvelle méthode de Baradel :

Garantit que le résultat est toujours positif (on ne peut pas devoir de l'argent à l'assurance !).
Capture l'asymétrie : Elle sait que les mauvaises surprises (des coûts qui explosent) sont plus probables et plus graves que les bonnes surprises (des coûts qui baissent).
Respecte la réalité : Elle combine la nature "soudaine" des nouveaux accidents avec la nature "fluctuante" des coûts connus.

5. Le résultat dans la vraie vie

L'auteur a testé sa méthode sur de vraies données d'assurance (des accidents de voiture).
Il a comparé sa méthode avec d'autres techniques connues. Résultat ?

Sa méthode donne des prévisions plus réalistes.
Elle évite les erreurs grossières (comme prédire des pertes négatives).
Elle permet de mieux se préparer aux pires scénarios (le "99,5% quantile"), ce qui est crucial pour que l'assurance ne fasse pas faillite en cas de tempête.

En résumé

Nicolas Baradel a créé un simulateur de réalité pour les assureurs. Au lieu de deviner le futur avec une règle simple, il utilise un modèle mathématique sophistiqué qui mélange le hasard des éclairs (nouveaux accidents) et la douceur des vagues (ajustements de coûts). Grâce à des milliers de simulations, il permet aux assureurs de voir non seulement le futur le plus probable, mais aussi les tempêtes potentielles, afin de mieux se protéger.

Each language version is independently generated for its own context, not a direct translation.

Voici un résumé technique détaillé de l'article « Continuous-time modeling and bootstrap for Schnieper's reserving » de Nicolas Baradel.

1. Problématique et Contexte

L'article s'intéresse au problème de la provision pour sinistres à payer (IBNR - Incurred But Not Reported) dans le contexte de la réassurance excédent de perte. L'auteur revisite le modèle de Schnieper, qui décompose les réserves IBNR en deux composantes distinctes :

IBNR « vrai » : Les sinistres survenus mais non encore déclarés.
IBNER (Incurred But Not Enough Reported) : Les variations (réestimations) du coût ultime des sinistres déjà déclarés.

Bien que le modèle de Schnieper soit théoriquement robuste, la littérature existante repose principalement sur des approches discrètes (triangles de développement) et des méthodes de rééchantillonnage (bootstrap) basées sur des résidus. Ces méthodes peuvent parfois générer des valeurs négatives pour les processus cumulés ou ne pas respecter correctement les bornes intrinsèques du problème (ex: un sinistre ne peut pas avoir un coût négatif).

L'objectif de l'article est de proposer un modèle stochastique en temps continu pour le processus de sinistres agrégés, cohérent avec les hypothèses de Schnieper, afin de développer une méthode de bootstrap capable de capturer l'asymétrie, d'assurer la non-négativité et de respecter les contraintes naturelles du modèle sans ajustements ad hoc.

2. Méthodologie

L'approche proposée repose sur la construction d'un processus stochastique continu $(C_t^i)_{0 \le t \le n}$ pour chaque année d'accident $i$ , piloté par deux mécanismes distincts :

A. Modélisation Stochastique en Temps Continu

Le modèle combine deux types de processus pour reproduire la dynamique de Schnieper :

Arrivée des nouveaux sinistres (Composante IBNR) : Modélisée par une mesure de Poisson aléatoire $\Pi^i(dt, dz)$ . Cela capture l'arrivée discrète et aléatoire de nouveaux sinistres. La taille des sauts $Z$ est une variable aléatoire positive.
Évolution du coût des sinistres déclarés (Composante IBNER) : Modélisée par un mouvement brownien $W^i$ et un terme de dérive. Cela capture la fluctuation continue des estimations de coûts ultimes.

L'équation différentielle stochastique (EDS) gouvernant le processus cumulé $C_t^i$ est :
$C_t^i = C_s^i + \int_s^t \int_{\mathbb{R}_+^*} z \Pi^i(du, dz) - \int_s^t \delta_u C_u^i du + \int_s^t \tau_u \sqrt{C_u^i} dW_u^i$
où :

Le terme d'intégrale de Poisson représente les nouveaux sinistres.
Le terme $-\delta_u C_u^i$ représente la dérive (réestimation à la baisse ou à la hausse).
Le terme de diffusion $\tau_u \sqrt{C_u^i} dW_u^i$ assure la cohérence avec la variance conditionnelle du modèle de Schnieper.

Propriétés clés :

Le modèle garantit que le processus reste non-négatif (les coefficients de dérive et de diffusion s'annulent lorsque $C_t \to 0$ ).
Il est démontré que ce modèle continu satisfait les hypothèses de moments conditionnels (H1, H2, H3) du modèle discret de Schnieper.
Une représentation en loi (Lemma 3.6) permet de décomposer le processus en branches indépendantes issues de chaque saut (propriété de branchement).

B. Méthode de Bootstrap

L'auteur propose une procédure de bootstrap en deux étapes pour estimer la distribution prédictive complète des réserves :

Bootstrap des paramètres : Simulation des incréments futurs ( $N, D$ ) conditionnellement aux données observées en utilisant les paramètres estimés ( $\hat{\lambda}, \hat{\delta}, \hat{\tau}$ ) et la distribution estimée de la taille des sauts $\hat{P}_Z$ . Cela permet de capturer l'erreur d'estimation des paramètres.
Simulation du processus : Utilisation des paramètres bootstrappés pour simuler le triangle inférieur (les développements futurs) via la représentation explicite du processus continu. Cela intègre l'erreur de processus.

Estimation de la distribution des sauts ( $Z$ ) :
Puisque les données agrégées ne permettent pas d'identifier directement la loi de $Z$ , l'auteur propose d'estimer le rapport $\frac{E[Z^2]}{E[Z]}$ via une régression linéaire pondérée. Une loi Gamma est ensuite utilisée comme exemple pour fixer la distribution de $Z$ en fonction de ce rapport et d'une hypothèse sur $E[Z]$ .

3. Résultats Principaux

L'article illustre la méthode sur un jeu de données réel (réassurance excédent de perte automobile, tiré de [11]) et compare les résultats avec trois autres approches :

Schnieper avec approximation Log-normale (Mack-like).
Schnieper avec Bootstrap classique (rééchantillonnage des résidus).
Modèle de série temporelle avec Bootstrap.

Comparaison des performances (Tableau 5) :

MSEP (Erreur quadratique moyenne de prédiction) : Le modèle en temps continu offre une incertitude (racine du MSEP) comparable aux autres méthodes (environ 43% de la réserve estimée), légèrement supérieure au bootstrap Schnieper classique (38%) mais inférieure à l'approche Log-normale (43% vs 42% ici, mais avec des queues différentes).
Quantile à 99,5% : Le modèle en temps continu donne un excès de quantile de 136,7%.
- L'approche Log-normale surestime fortement la queue (165%).
- Le Bootstrap Schnieper classique sous-estime la queue (103%).
- Le modèle de série temporelle donne 114%.

Avantages spécifiques du modèle continu :

Non-négativité garantie : Contrairement au Bootstrap Schnieper classique qui génère des valeurs négatives pour $N_{i,j}$ dans ~66% des simulations, et à la série temporelle qui peut violer la contrainte $D_{i,j+1} \le C_{i,j}$ (6% des cas), le modèle continu respecte strictement les bornes physiques ( $C_t \ge 0$ et $D_{i,j+1} \le C_{i,j}$ ).
Asymétrie naturelle : La distribution des réserves simulée capture naturellement l'asymétrie des données de sinistres sans hypothèse de normalité.
Sensibilité à $E[Z]$ : L'étude de sensibilité montre que les résultats (MSEP et quantiles) dépendent de l'hypothèse faite sur l'espérance de la taille des sauts $E[Z]$ . Une valeur plus faible de $E[Z]$ (correspondant à une loi Gamma avec des paramètres de forme plus petits) augmente l'épaisseur de la queue de distribution.

4. Contributions Clés

Unification Temps Continu / Discret : L'article établit un lien rigoureux entre un processus stochastique continu (EDS avec sauts et diffusion) et le modèle discret de Schnieper, montrant que les moments conditionnels sont identiques sous des paramètres appropriés.
Méthode de Bootstrap Robuste : Développement d'un algorithme de bootstrap qui évite les artefacts numériques (valeurs négatives) tout en respectant la structure de dépendance du modèle de Schnieper.
Gestion de l'incertitude paramétrique et de processus : La méthode intègre simultanément l'erreur d'estimation des paramètres et l'erreur stochastique future, fournissant une distribution prédictive complète.
Flexibilité de la loi des sauts : Le cadre permet d'incorporer différentes lois pour la taille des nouveaux sinistres (via le paramètre $Z$ ), ce qui influence directement la queue de distribution des réserves, un aspect souvent négligé dans les modèles paramétriques standards.

5. Signification et Conclusion

Ce travail représente une avancée significative dans la modélisation des réserves d'assurance. En passant d'une approche discrète basée sur des triangles à un cadre continu, l'auteur parvient à :

Éliminer le besoin d'ajustements post-simulation pour corriger les valeurs négatives.
Fournir une estimation plus réaliste du risque de queue (quantiles élevés), cruciale pour la solvabilité (Solvabilité II, IFRS 17).
Offrir un cadre théorique solide pour l'extension future des modèles de réserves, notamment en intégrant des données individuelles de sinistres pour mieux estimer la distribution de $Z$ .

L'article conclut que le modèle en temps continu est une alternative supérieure aux méthodes de bootstrap classiques pour le modèle de Schnieper, offrant un meilleur équilibre entre réalisme mathématique, respect des contraintes physiques et précision de l'estimation du risque.