Anne Paquet

Maitrise en mathématiques,
UQAM

2025/09

Direction de recherche:

  • Jean-Philippe Boucher, professeur au Département de mathématiques de l’Université du Québec à Montréal

Mémoire de maitrise (à venir):

Paquet, Anne (2025), « Modélisation de la fréquence de feu en assurance commerciale par le rebalancement de données et l’élicitation d’avis d’experts » Dir.: Jean-Philippe Boucher, Mémoire. Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en mathématiques.

Dans le monde de l’assurance, les différents assureurs font face à un défi de taille : obtenir la meilleure segmentation de risques possible. Cet enjeu peut compromettre la capacité d’un assureur à rester compétitif sur le marché, et ainsi diminuer sa part par rapport aux concurrents. De plus, en assurance commerciale spécifiquement, les différents risques contenus dans un portefeuille peuvent être très diversifiés. De ce fait, les méthodes de modélisation traditionnellement utilisées ne permettent pas toujours d’obtenir une solide segmentation. Cette réalité pousse donc les assureurs à constamment essayer d’innover leurs méthodes de segmentation. De plus, pour plusieurs lignes d’affaires dont l’assurance commerciale, la fréquence des réclamations est souvent très basse. De ce fait, la distribution de la variable d’intérêt se trouve être largement débalancée. Ce déséquilibre entraîne certains enjeux quant à l’utilisation des algorithmes de tarification traditionnels. Alors, pour faire face à ce problème, il peut être important de rebalancer l’échantillon utilisé. Nous avons structuré ce mémoire en deux volets. Le premier volet consiste à rebalancer la base de données de façon à équilibrer les différentes classes de la variable d’intérêt. Nous utilisons une méthode hybride, en appliquant l’algorithme de suréchantillonnage SMOTENC et l’algorithme de nettoyage Tomek Link. Ensuite, nous faisons une analyse de l’échantillon obtenu pour voir comment ce balancement a modifié le portefeuille de l’assureur. Dans le second volet, nous ajustons 4 différents modèles à cette base de données : un modèle n’incluant pas l’avis d’expert et trois autres modèles dans lesquels différents niveaux de précision de l’avis des experts sont inclus. Dans ces trois modèles, l’élicitation des experts se fait par la troncation de la distribution a posteriori des effets aléatoires du modèle. Finalement, nous évaluons la performance de ces modèles par l’utilisation de deux différentes métriques : l’aire sous la courbe ROC et l’aire sous la courbe de précision-rappel. Selon notre analyse, l’inclusion de l’avis des experts améliore la performance du modèle de référence, et ce pour les trois niveaux de précision. De plus, plus l’avis des experts est précis, plus la performance du modèle est élevée. Cette méthode a cependant ses limites. L’avis d’expert que nous utilisons ici est simulé. Il serait intéressant de recueillir une vraie élicitation d’expert et tester si les résultats sont toujours aussi concluants.

Présentations scientifiques

  • Including Expert Knowledge in Tarification: a Bayesian Approach, Actuarial Research Conference (ARC), Murfreesboro, USA (TN), 17 juillet 2024.

Implications

Présentations locales

  • Modélisation bayésienne en actuariat, Séminaire de la Chaire Co-operators en analyse des risques actuariels, UQAM, Montréal, Canada (QC), 28 septembre 2022.
  • Introduction aux statistiques bayésiennes, Séminaire d’été des étudiants en actuariat et en statistique, UQAM, Montréal, Canada (QC), 1er juillet 2022.

Démonstrations

Autres

  • Trésorière de l’Association étudiante des cycles supérieurs en mathématiques (AECSM) de l’UQAM (2022-2024)
  • Membre du comité d’organisation du XXVIe colloque de l’Institut des sciences mathématiques (2024)