La Chaire recrute un Postdoc en Data Science & Machine Learning

La Chaire DAMI propose un poste de chercheur postdoctoral expert en Data Science et Machine Learning. En partenariat avec BNP Paribas Cardif, partenaire industriel, le Postdoc mènera des recherches en Data Analytics avancée et algorithmes de Machine Learning pour l’actuariat et l’assurance. Plus particulièrement, les travaux porteront sur l’optimisation de la tarification « Risk-based » et le développement de l’analyse prédictive.

Lieu d’exercice : Lyon et Paris
Durée et période : 1 an (éventuellement 2) à compter de septembre 2018
Veuillez consulter l’offre et les compétences attendues
Contact : christian.robert[at]univ-lyon1.fr

A post-doctoral fellowship in the areas of data science and machine learning is available at the DAMI research chair at the Claude Bernard Lyon 1 University.
The post-doctoral fellow, in collaboration with the industry partner, will conduct research of advanced analytics and machine learning algorithms for actuarial sciences and insurance, and in particular, for improving risk-based pricing, and for developing predictive analytics.
The position is for one year (possibly two years), starting in September/October 2018.
Read more
Contact: christian.robert[at]univ-lyon1.fr

Retour sur le petit déjeuner thématique « Projection de la mortalité : Peut-on faire mieux que Lee-Carter ? » par Yahia SALHI

La chaire DAMI a organisé mardi 6 mars son petit déjeuner thématique sur le thème de la Projection de la mortalité: Peut-on faire mieux que Lee-Carter?  70 personnes ont assisté à la présentation par Yahia Salhi d’une nouvelle approche de modélisation de la dynamique des taux de mortalité. La présentation était basée sur l’article « A Class of Random Field Memory Models for Mortality Forecasting », élu Best Paper Award dans la catégorie Demographic Change and Longevity au Congrès Internationale des Actuaires de Berlin (ICA2018).

Yahia Salhi a présenté la modélisation de la surface des taux d’amélioration de la mortalité par des champs auto-régressifs prenant en compte les principaux faits stylisés repérés ces deux dernières décennies: l’effet cohorte, l’inter-dépendance générationnelle et l’hétéroscédasticité des taux d’amélioration. L’approche proposée reproduit tous ces phénomènes avec moins de paramètres que le modèle de Lee-Carter et permet également de prédire des probabilités de décès plus proche des réalisations avec moins de paramètres que le modèle de Lee-Carter.  L’approche propose également une procédure de sélection du « meilleur » modèle pour une meilleure adéquation aux données empiriques en captant les faits stylisés propres à chaque population.

Retrouvez les Slides de la présentation ainsi que la vidéo de la conférence !

Lire l’article

Risque de longévité et « Longevity megafunds »

par Frédéric Planchet

Les assureurs « retraite » et les fonds de pension sont soumis à un risque de longévité dont la mesure est délicate (cf. Debonneuil et al. [2016]).
La couverture de ce risque peut être envisagée de différentes manières : souscription de couvertures de réassurance, titrisation, diversification avec le risque de décès, etc.
Le développement de fonds mutualisant des recherches médicales constitue une nouvelle approche, initialement développée pour le financement de la recherche sur le cancer et qui connaît maintenant des variantes spécifiques pour les recherches sur la longévité, au travers des « longevity megafunds ».
La capacité de ce nouvel outil de financement à fournir un instrument de couverture efficace du risque de longévité est étudiée dans Debonneuil et al. [2017] : la conclusion est assez prometteuse, il reste à voir comment intégrer ces outils dans le calcul du besoin en capital pour le risque de souscription dans Solvabilité 2.

Références
Debonneuil E., Loisel S., Planchet F. [2017] « Conditions of interest of a longevity megafund for pension funds » , Document de travail, ISFA.
Debonneuil E., Loisel S., Planchet F. [2016] « Do actuaries believe in longevity deceleration? » , Insurance: Mathematics and Economics, to appear.

Lire l’article

Séminaire petit déjeuner du 6 mars 2018 : « A Class of Random Field Memory Models for Mortality Forecasting »

Yahia Salhi, Chaire DAMI / Laboratoire SAF

Projection de la mortalité: Peut-on faire mieux que Lee-Carter?  

Dans cette présentation nous introduisons une approche alternative, cohérente et parcimonieuse pour modéliser la dynamique des taux de mortalité. Plus précisément, nous considérons la modélisation des améliorations (vitesses de baisse) de la mortalité en utilisant une spécification de champ aléatoire avec une structure causale. Une telle classe de modèles introduit des dépendances parmi les cohortes adjacentes visant à capturer, entre autres, l’effet cohorte et les corrélations entre générations. Le modèle décrit également l’hétéroscédasticité conditionnelle de la mortalité contrairement aux modèles classiques de type Lee-Carter. Le cadre étant général, nous proposons une procédure d’estimation pour les paramètres et nous introduisons une méthodologie de selection du meilleur modèle afin de capter les différents faits stylisés (effet cohorte, dépendance inter-générationnelle et hétéroscédasticité) propre à chaque population. Des applications aux populations générales française, anglaise et américaine sont proposées.

Cette présentation repose sur le papier « A Class of Random Field Memory Models for Mortality Forecasting », Best Paper Award dans la catégorie Demographic Change and Longevity au prochain Congrès Internationale des Actuaires – ICA18

Abstract: This article proposes a parsimonious alternative approach for modeling the stochastic dynamics of mortality rates. Instead of the commonly used factor-based decomposition framework, we consider modeling mortality improvements using a random field specification with a given causal structure. Such a class of models introduces dependencies among adjacent cohorts aiming at capturing, among others, the cohort effects and cross generations correlations. It also describes the conditional heteroskedasticity of mortality. The proposed model is a generalization of the now widely used AR-ARCH models for random processes. For such a class of models, we propose an estimation procedure for the parameters. Formally, we use the quasi-maximum likelihood estimator (QMLE) and show its statistical consistency and the asymptotic normality of the estimated parameters. The framework being general, we investigate and illustrate a simple variant, called the three-level memory model, in order to fully understand and assess the effectiveness of the approach for modeling mortality dynamics.

Inscrivez-vous en ligne

Application de Machine Learning pour le calcul des réserves, retour sur la présentation du 28 novembre 2017

Maximilien Baudry et Christian Robert ont présenté leurs premiers travaux de recherche sur l’application du Machine Learning au calcul des réserves… Une nouvelle façon de comprendre le risque porté par des polices d’assurance dans le portefeuille d’une compagnie.

Le Machine Learning se présente ainsi comme un nouvel outil de gestion des risques qui, en parallèle du Chain Ladder utilisé traditionnellement, apporter un angle d’analyse complémentaire pour le calcul des réserves.

102 personnes ont assisté à la conférence dans l’auditorium de BNP Paribas Bergère, où le sujet a soulevé de nombreuses questions sur l’utilisation en pratique et les potentielles mises en production.

Voir les diapos de la présentation

Lire l’article publié

Présentation à l’atelier 100% Data Science

Organisé par l’Institut des Actuaires, 100% Data Science est un atelier ouvert aux professionnels de l’actuariat, de la gestion des risques et de la Data Science.
L’événement est dédié à la Data Science, aux techniques prédictives, mais aussi aux nouveaux métiers qui émergent.
Christian Robert et Maximilien
Baudry présenteront les travaux de la Chaire DAMI sur les «méthodes de provisionnement individuel à l’aide du machine Learning».
Les montants des réserves des compagnies d’assurance constituent un élément important de leur bilan et une évaluation best-estimate est nécessaire. Ces montants sont généralement évalués à l’aide de modèles de niveau macro et sur des données agrégées dans des triangles en run-off. Au cours des dernières années, une littérature
proposant des modèles d’évaluation à partir des données individuelles de sinistralités est apparue.
Elle propose la plupart du temps des modèles paramétriques pour lesquels il est nécessaire de faire des hypothèses très fortes qui ne sont pas toujours simples à vérifier au regard des données.
Dans cet atelier, ils vont proposer des outils non paramétriques (apprentissage par machine principalement) pour estimer les réserves de type IBNR et RBNS pour chaque
contrat d’assurance sous ‘exposition’ en incluant toutes les variables pertinentes liées au contrat, à l’assuré, ou au sinistre (expertise, paiements, …).
Ces évaluations sont assez complexes à mettre en œuvre car la variable cible (sévérité des sinistres) est censurée à droite la plupart du temps. La performance de cette approche est évaluée en comparant les valeurs prédites avec leurs valeurs réelles sur un grand nombre de données simulées. Des comparaisons sont également proposées
entre cette nouvelle approche individuelle et les méthodes agrégées classiques telles que mack/Chain Ladder.

100% Data Science – programme 2017

Premier Hackaton Data sponsorié par la chaire DAMI

UN ETUDIANT ISFA DANS L’EQUIPE GAGNANTE
Durant 2 jours, des équipes pluridisciplinaires issues de l’écosystème web, les équipes du groupe APRIL et d’autres partenaires parmi lesquels la Chaire DAMI, Keyrus et l’ISFA ont travaillé sur le thème de l’expérience client afin d’imaginer un parcours assurantiel qui soit encore plus simple et plus fluide.
L’objectif était de mettre à l’honneur la «data» sous toutes ses formes, en lançant le premier hackaton data sur des projets open source.

Fayçal alami, étudiant en m2 Actuariat à l’ISFA raconte sa participation au projet vainqueur : Wizyou always with you
La thématique abordée était : «Comment améliorer l’expérience assuré ?»
Notre équipe a pu remporter le 1er prix à travers sa solution : Wizyou.
Wizyou, est une solution à destination des séniors isolés, atteints, ou en rémission d’une maladie grave.
En effet, avec le rallongement de l’espérance de vie –problématique de longévité-, de plus en plus de seniors souffrent d’isolement. Cette situation est d’autant plus pénible
lorsqu’ils sont, ou ont été atteints d’une maladie grave.
Wizyou repose sur deux services complémentaires :
Tout d’abord, une assistante vocale interactive : Scarlett, qui réagit aux instructions vocales qui lui sont données. Celle-ci repose sur une plateforme collaborative qui permet également l’accompagnement des seniors à travers des alertes :
rappelant les rendez-vous médicaux, le renouvellement d’ordonnance, l’achat de médicaments…
Wizyou offre également une relation de proximité personnalisée à travers un
conseiller dédié pour un accompagnement au quotidien : Prise en charge des démarches administratives, mise à jour des calendriers…
Cette solution innovante permet donc d’améliorer l’expérience client auprès des assurés. Le métier d’assureur ne se limitera donc plus au remboursement des frais
de santé, mais consistera aussi à accompagner les patients dans leurs parcours de soins et lors de leur rémission, changeant ainsi le rapport assuré-assureur. De plus,
cette solution est tout à fait viable économiquement, étant donné son coût limité. Elle peut très bien être intégrée à un produit d’assurance santé, moyennant un surcoût limité.

Séminaire petit déjeuner du 28 novembre 2017 : « Méthodes de provisionnement individuel à l’aide du Machine Learning »

Christian ROBERT, Chaire DAMI / Laboratoire SAF
Maximilien BAUDRY, Chaire DAMI / Laboratoire SAF / DataLab BNP Paribas Cardif

Abstract : Les montants des réserves des compagnies d’assurance constituent un élément important de leur bilan et une évaluation best-estimate est nécessaire. Ces montants sont généralement évalués à l’aide de modèles de niveau macro et sur des données agrégées dans des triangles en run-off. Au cours des dernières années, une littérature proposant des modèles d’évaluation à partir des données individuelles de sinistralités est apparue. Elle propose la plupart du temps des modèles paramétriques pour lesquels il est nécessaire de faire des hypothèses très fortes qui ne sont pas toujours simples à vérifier au regard des données. Dans cet atelier, nous proposerons des outils non paramétriques (apprentissage par machine principalement) pour estimer les réserves de type IBNR et RBNS pour chaque contrat d’assurance sous ‘exposition’ en incluant toutes les variables pertinentes liées au contrat, à l’assuré, ou au sinistre (expertise, paiements, …). Ces évaluations sont assez complexes à mettre en œuvre car la variable cible (sévérité des sinistres) est censurée à droite la plupart du temps. La performance de notre approche est évaluée en comparant les valeurs prédites avec leurs valeurs réelles sur un grand nombre de données simulées. Nous comparons également notre approche individuelle avec des méthodes agrégées classiques telles que Mack/Chain Ladder et étudions plus spécifiquement le biais et la volatilité des estimations pour ces différentes approches.

Paris, mardi 28 novembre, 9h
Membres IA : 12 points PPC

Lire l’article complet

Détails et Inscriptions ici

La chaire DAMI, partenaire du premier Hackaton Data a BlendWebMix

L’objectif est de mettre à l’honneur la « data » sous toutes ses formes, en lançant le premier hackaton data sur des projets open source.
« Durant 2 jours, des équipes pluridisciplinaires issues de l’écosystème web, les équipes du groupe APRIL et d’autres partenaires parmi lesquels Keyrus et l’ISFA travailleront sur le thème de l’expérience client. Ceci afin d’imaginer un parcours assurantiel qui soit encore plus simple et plus fluide. »

Les membres de la chaire mèneront une équipe d’étudiants en lice dans la compétition.

« Le mot “Hackathon” vient de l’association des termes “hacking” et “marathon” et désigne un événement où des groupes de développeurs volontaires programment de manière collaborative et intensive sur une courte période de temps. Depuis, le format a été adapté et élargi pour devenir un processus créatif fréquemment utilisé dans le domaine de l’innovation »

Plus d’informations

Retour sur le Workshop  » Data Science in Finance and Insurance  » à Louvain la Neuve (Belgique)

La conférence a eu lieu le 15 septembre 2017 à Louvain la Neuve. Une centaine de personnes ont assisté à la conférence dont 28 académiques (organisateurs et speakers compris), 55 professionnels dont la majorité sont actuaires et travaillent dans des entreprises qui comptent sur le marché belge (Ageas, P&V, Axa, Ethias, DKV) et luxembourgeois (La Luxembourgeoise). Il y avait également de nombreux consultants (EY, Kpmg, reacfin, addactis), quelques personnes en réassurance (Sécura-re) et une délégation de la Banque nationale de Belgique.

Abstracts & slides