A Note on the Generalized Cape Cod Reserving Method

1. Énoncé du problème

La provision pour sinistres à payer est une tâche critique dans l'assurance non-vie, impliquant l'estimation des sinistres ultimes et la quantification de l'incertitude de prédiction. Bien que des cadres stochastiques et des formules d'erreur quadratique moyenne de prédiction (MSEP) existent pour la méthode Chain-Ladder (CL) (par exemple, le modèle de Mack) et la méthode Bornhuetter–Ferguson (BF), une formule analytique rigoureuse de MSEP pour la méthode Generalized Cape Cod (GCC) faisait défaut.

• Le Vide : La méthode GCC (et son prédécesseur, le Cape Cod de Bühlmann) est largement utilisée en pratique car elle offre un juste milieu entre les méthodes CL entièrement basées sur l'observation et les méthodes BF basées sur des a priori. Cependant, les traitements stochastiques existants (par exemple, Saluz, 2017) soit ne s'alignent pas sur l'estimation des paramètres standard de l'industrie (utilisant des motifs de développement implicites à la CL), soit manquent d'un estimateur MSEP sous forme close qui reflète le processus réel de constitution des provisions.
• Le Défi : Les praticiens constituent souvent des provisions en utilisant les méthodes GCC ou BF, mais rapportent l'incertitude en utilisant la formule CL de Mack ou le bootstrap. Cela crée un décalage : la quantification de l'incertitude s'applique à un prédicteur différent de celui effectivement provisionné. De plus, les estimateurs MSEP de la BF nécessitent souvent des spécifications probabilistes explicites des ratios de sinistralité a priori, qui sont rarement formalisés dans les processus de planification de l'industrie.

2. Méthodologie

Les auteurs développent un cadre stochastique unifié pour la méthode GCC en utilisant la technique de propagation des erreurs (initialement appliquée par Röhr, 2018, à la méthode CL).

A. Le cadre Generalized Cape Cod (GCC)

L'article définit le prédicteur GCC comme une fonction des facteurs de développement Chain-Ladder ($f_j$) et d'un paramètre de tendance $\lambda \in [0, 1]$.

• Cape Cod (CC) : Utilise une moyenne pondérée des ratios de sinistralité observés sur toutes les années de survenance pour estimer un ratio de sinistralité unique ($\kappa$), en supposant la stationnarité.
• Extension GCC : Introduit un facteur de pondération exponentielle $\lambda^{|i-l|}$ pour permettre une tendance. Cela permet à l'estimation du ratio de sinistralité pour l'année de survenance $i$ de dépendre plus fortement des années voisines, corrigeant ainsi des erreurs de spécification de l'exposition ou des tendances en fréquence/sévérité.
• Cas limites :
  • $\lambda = 0$ : La méthode GCC se réduit à la méthode Chain-Ladder.
  • $\lambda = 1$ : La méthode GCC se réduit à la méthode Cape Cod de Bühlmann.

B. Déduction de l'incertitude de prédiction (MSEP)

La contribution technique centrale est la dérivation de la MSEP en utilisant une développement de Taylor du premier ordre (propagation des erreurs) à l'échelle logarithmique.

1. Décomposition : La MSEP totale est décomposée en Incertitude de Processus ($\Psi^2$) et Erreur d'Estimation des Paramètres ($\Delta^2$).
2. Analyse de Sensibilité : Les auteurs traitent le prédicteur GCC comme une fonction des facteurs de développement CL ($f_j$). Ils calculent la sensibilité du prédicteur GCC aux perturbations de ces facteurs.
3. Solution sous forme close : En appliquant la méthode de propagation des erreurs, ils dérivent une formule analytique sous forme close pour l'erreur d'estimation des paramètres ($\hat{\Delta}^2_{GCC}$) qui est cohérente avec la pratique standard de l'industrie consistant à estimer les motifs de développement à l'aide de facteurs CL.

3. Contributions Clés

1. Première MSEP Analytique pour GCC : L'article fournit la première formule analytique sous forme close pour l'incertitude de prédiction de la méthode Generalized Cape Cod.
2. Cohérence Méthodologique : L'estimateur MSEP dérivé est entièrement cohérent avec les estimations de paramètres implicites à la Chain-Ladder utilisées dans l'industrie. Contrairement aux tentatives précédentes (par exemple, Saluz), qui utilisaient des estimations basées sur la vraisemblance s'écartant de la pratique standard, cette approche garantit que la mesure d'incertitude correspond exactement aux provisions constituées par les praticiens.
3. Unification de CL et CC : Le cadre démontre que la méthode GCC interpole continûment entre les méthodes CL et CC. Par conséquent, la formule MSEP dérivée converge naturellement vers :
   • La MSEP CL de Mack lorsque $\lambda \to 0$.
   • Une nouvelle MSEP Cape Cod cohérente lorsque $\lambda \to 1$.
4. Interprétation de Crédibilité : L'article propose une reformulation en termes de crédibilité du prédicteur GCC, le présentant comme une moyenne pondérée de prédicteurs CL à travers les années de survenance, ajustée pour les niveaux de primes et la proximité temporelle.

4. Résultats et Exemple Numérique

Les auteurs valident leur théorie en utilisant un exemple numérique basé sur des données de sinistres standard (Wüthrich–Merz).

• Sensibilité des Provisions : À mesure que $\lambda$ augmente de 0 (CL) à 1 (CC), les provisions estimées augmentent. Cela s'explique par le fait que les données présentent une tendance temporelle où les ratios de sinistralité individuels diminuent au fil du temps, ce que la méthode CL standard capture, mais que la méthode CC (en supposant la stationnarité) surestime en moyennant sur la tendance.
• Composantes de l'Incertitude :
  • Erreur d'Estimation des Paramètres ($\Delta^2$) : Diminue à mesure que $\lambda$ augmente. Cela s'explique par le fait qu'un $\lambda$ plus élevé repose davantage sur la structure « a priori » (basée sur les primes), réduisant ainsi la sensibilité du modèle au bruit dans les observations des années de survenance individuelles.
  • Incertitude de Processus ($\Psi^2$) : Augmente légèrement avec $\lambda$ car le montant total des provisions (le dénominateur dans le calcul de la variance) croît.
• $\lambda$ Optimal : Dans l'exemple, la MSEP totale minimale se produit autour de $\lambda = 0,55$. Cependant, les auteurs mettent en garde contre le fait que la minimisation de la MSEP ne garantit pas le modèle « véritablement » optimal, car la MSEP est sensible aux hypothèses du modèle.
• Comparaison avec Saluz (2017) : L'article souligne que les provisions CC de Saluz sont plus élevées et que sa MSEP est différente car elle utilise une méthode d'estimation différente pour le motif de développement. L'approche des auteurs s'aligne sur la norme de l'industrie (motifs implicites à la CL), aboutissant à des estimations de provisions plus faibles et plus réalistes pour cet ensemble de données spécifique.

5. Signification et Implications Pratiques

• Combler le Vide : Ce travail comble un vide significatif dans la littérature en fournissant un modèle stochastique pour la GCC qui correspond à l'algorithme déterministe utilisé en pratique.
• Proxy pour Bornhuetter–Ferguson : Puisque la méthode GCC est souvent utilisée comme un proxy algorithmique robuste pour la méthode BF (remplaçant l'a priori subjectif par une moyenne pondérée de ratios implicites à la CL), cet estimateur MSEP fournit efficacement une mesure d'incertitude rigoureuse pour la constitution de provisions de style BF, sans nécessiter la spécification probabiliste difficile à définir d'un ratio de sinistralité a priori.
• Utilité Réglementaire et de Gestion : La MSEP dérivée permet aux assureurs de rapporter une incertitude de prédiction mathématiquement cohérente avec leurs provisions constituées. Cela est crucial pour les rapports de solvabilité (par exemple, IFRS 17, Solvabilité II) et la prise de décision de gestion, remplaçant la pratique actuelle consistant à utiliser l'incertitude CL de Mack (qui s'applique à un prédicteur différent) ou des facteurs d'échelle ad hoc.

En résumé, Richman et Wüthrich étendent avec succès le cadre de provisionnement stochastique à la méthode Generalized Cape Cod, fournissant un outil robuste et sous forme close pour quantifier l'incertitude de prédiction directement applicable aux pratiques réelles de provisionnement en assurance.