Comparative Study of Sarima and Lstm Model to Forecast the Insurance Comprehensive Income (Loss) in Indonesia
Cette étude compare les modèles SARIMA et LSTM pour la prévision du revenu global des assurances en Indonésie, constatant que si le modèle SARIMA saisit mieux les tendances saisonnières, les deux modèles présentent une précision limitée, ce qui suggère que des approches hybrides futures et des variables externes sont nécessaires pour améliorer les performances de prévision.
Article original sous licence CC BY 4.0 (https://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
Imaginez que vous essayiez de prédire la météo pour une ville spécifique en Indonésie, mais qu'au lieu de la pluie et du soleil, vous prédisez la « santé financière » (plus précisément le Résultat Global Total ou la Perte) des compagnies d'assurance. L'auteur de cet article, Hiteash Mahajan, a cherché à voir lequel de deux différents « prévisionnistes météo » ferait un meilleur travail : un calculateur classique basé sur des règles appelé SARIMA ou un programme informatique moderne doté d'un cerveau artificiel appelé LSTM.
Voici un aperçu de ce que l'article a révélé, en utilisant des analogies simples.
Les deux prévisionnistes
1. SARIMA (L'almanach saisonnier)
Considérez SARIMA comme un almanach à l'ancienne. Il regarde le passé et dit : « L'année dernière, les chiffres ont augmenté en décembre et baissé en octobre. Par conséquent, cette année, ils feront probablement la même chose. »
- Comment cela fonctionne : Il est très doué pour repérer les motifs répétitifs (la saisonnalité). Il suppose que le futur ressemblera beaucoup au passé, avec seulement un léger décalage.
- Le verdict de l'article : SARIMA a remporté la course. Il a réussi à reconnaître la « danse » annuelle des finances des compagnies d'assurance. Il savait quand attendre les pics et les creux en fonction du calendrier.
2. LSTM (Le cerveau de l'apprentissage profond)
Considérez le LSTM comme un étudiant qui a lu tous les rapports financiers jamais écrits et qui essaie de comprendre le « ressenti » du marché. Il ne se contente pas de chercher des motifs répétitifs ; il essaie de comprendre les relations complexes, désordonnées et non linéaires, comme une tempête soudaine qui pourrait changer la météo de manière inattendue.
- Comment cela fonctionne : Il utilise un réseau de neurones (comme un cerveau humain simplifié) pour se souvenir des tendances à long terme et des pics à court terme.
- Le verdict de l'article : Étonnamment, le « cerveau intelligent » a eu du mal ici. Bien qu'il ait tenté d'apprendre les motifs, il s'est avéré trop prudent. Il a trop lissé les données, manquant les sauts et les chutes brusques et soudains qui se sont réellement produits.
Les résultats de la course
L'auteur a testé les deux modèles sur des données réelles de compagnies d'assurance indonésiennes de 2017 à 2025.
- L'almanach SARIMA : Il a fait un travail décent. Il a suivi la direction générale des flux d'argent et a correctement identifié les hauts et les bas saisonniers. Cependant, il n'était pas parfait. Il avait tendance à prédire un chemin « lisse », manquant certains pics ou chutes soudains et sauvages.
- Le cerveau LSTM : Il a moins bien performé que l'almanach. L'article note que le modèle LSTM a souffert de « sous-apprentissage » (underfitting). Imaginez un peintre essayant de copier une chaîne de montagnes escarpée mais ne peignant qu'une colline douce. Le modèle LSTM était trop lisse ; il n'a pas réussi à capturer la volatilité extrême (les grands pics et les krachs) des données financières. Son taux d'erreur était d'ailleurs plus élevé que celui du modèle plus simple.
La grande conclusion
La conclusion principale est un peu ironique : le modèle simple basé sur des règles (SARIMA) a battu le modèle complexe basé sur l'IA (LSTM) dans ce cas précis.
Pourquoi ? Parce que les données financières de ces compagnies d'assurance présentaient des motifs saisonniers très forts et prévisibles (comme un mécanisme d'horlogerie). SARIMA est conçu spécifiquement pour les horloges. Le LSTM, qui est excellent pour les données chaotiques et imprévisibles, a été confus par la nature spécifique de cet ensemble de données et n'a pas pu gérer les changements brusques et soudains.
Le « Mais... » (Limites)
L'auteur est honnête sur le fait qu'aucun des deux modèles n'était parfait.
- SARIMA était bon pour le « rythme saisonnier » mais manquait les « chocs soudains ».
- LSTM était trop lisse et manquait les « pics extrêmes ».
- Les deux présentaient des taux d'erreur élevés (spécifiquement une métrique appelée MAPE), ce qui signifie que leurs prédictions étaient encore assez éloignées des chiffres réels du monde réel.
Et après ?
L'article suggère qu'au lieu de choisir un seul modèle, la meilleure solution pourrait être un hybride. Imaginez engager l'Almanach (SARIMA) pour gérer les cycles annuels prévisibles et le Cerveau (LSTM) pour gérer le chaos étrange et imprévisible. En les combinant, ou en ajustant plus soigneusement les paramètres de l'IA, les futurs modèles pourraient enfin devenir assez précis pour être réellement utiles aux investisseurs et aux gestionnaires.
En bref : Pour ces données d'assurance indonésiennes spécifiques, le calculateur saisonnier « à l'ancienne » a surpassé le cerveau d'IA « moderne », mais les deux ont encore une marge de progression importante avant de pouvoir être considérés comme fiables pour prédire l'avenir avec une haute précision.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.