Slides cirm-assurance

4,191 views
4,017 views

Published on

Published in: Technology, Education
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
4,191
On SlideShare
0
From Embeds
0
Number of Embeds
1,778
Actions
Shares
0
Downloads
89
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide

Slides cirm-assurance

  1. 1. Arthur CHARPENTIER, JES 2010, assurance Risque et assurance Arthur Charpentier Université Rennes 1 arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.fr/ Journées d’Études Statistique, Luminy, Novembre 2010. 1
  2. 2. Arthur CHARPENTIER, JES 2010, assurance 1 Prise en compte de la dynamique en assurance 1.1 La problématique du provisionnment en assurance [25], “les provisions techniques sont les provisions destinées à permettre le règlement intégral des engagements pris envers les assurés et bénéficiaires de contrats. Elles sont liées à la technique même de l’assurance, et imposées par la règlementation”. A la date t, la compagnie d’assurance est tenue de constituer une provision pour les sinistres survenus avant la date t qu’elle sera tenu d’indemniser. cf. diagramme de Lexis de la vie des sinistres, 2
  3. 3. Arthur CHARPENTIER, JES 2010, assurance q q q q q q q q q q q 2006 2008 2010 2012 2014 0246810 Temps calendaire Annéesdedéveloppement qq qq q qqq qq q 3
  4. 4. Arthur CHARPENTIER, JES 2010, assurance Réglements en n n + 1 n + 2 n + 3 n + 4 Multirisque habitation 55% 90% 94% 95% 96% Automobile 55% 79% 84% 99% 90% dont corporel 13% 38% 50% 65% 72% Responsabilité civile 10% 25% 35% 40% 45% Table 1 – Cadences de paiements, pour quelques branches d’activité (source [7]). 4
  5. 5. Arthur CHARPENTIER, JES 2010, assurance 5
  6. 6. Arthur CHARPENTIER, JES 2010, assurance 6
  7. 7. Arthur CHARPENTIER, JES 2010, assurance 7
  8. 8. Arthur CHARPENTIER, JES 2010, assurance 1.2 Quelques définitions et notations, aspects règlementaires et comptables On notera – i (en ligne) l’année de survenance, i = 1, · · · , n, – j (en colonne) l’année de développement, j = 0, · · · , n − 1, – Yi,j les incréments de paiments, pour l’année de développement j, pour les sinistres survenus l’année i, tableau 2 – Ci,j les paiments cumulés, au sens où Ci,j = Yi,0 + Yi,1 + · · · + Yi,j, pour l’année de survenance j, tableau 3 – Pi la prime acquise pour l’année i, tableau 4 – Ni,j le nombre cumulé de sinistres pour l’année de survenance i vu au bout de j années, tableau 5 8
  9. 9. Arthur CHARPENTIER, JES 2010, assurance 0 1 2 3 4 5 1 3209 1163 39 17 7 21 2 3367 1292 37 24 10 3 3871 1474 53 22 4 4239 1678 103 5 4929 1865 6 5217 Table 2 – Triangle des incréments de paiements, Y = (Yi,j). 9
  10. 10. Arthur CHARPENTIER, JES 2010, assurance 0 1 2 3 4 5 1 3209 4372 4411 4428 4435 4456 2 3367 4659 4696 4720 4730 3 3871 5345 5398 5420 4 4239 5917 6020 5 4929 6794 6 5217 Table 3 – Triangle des paiements cumulés, C = (Ci,j). Year i 1 2 3 4 5 6 Pi 4591 4672 4863 5175 5673 6431 Table 4 – Vecteur des primes acquises, P = (Pi). 10
  11. 11. Arthur CHARPENTIER, JES 2010, assurance 0 1 2 3 4 5 1 1043.4 1045.5 1047.5 1047.7 1047.7 1047.7 2 1043.0 1027.1 1028.7 1028.9 1028.7 3 965.1 967.9 967.8 970.1 4 977.0 984.7 986.8 5 1099.0 1118.5 6 1076.3 Table 5 – Triangle des nombres de sinistres, cumulés, en milliers, N = (Ni,j). 11
  12. 12. Arthur CHARPENTIER, JES 2010, assurance 1.3 Formalisation du problème du provisionnement Le provisionnement est un problème de prédiction, conditionnelle à Hn l’information disponible à la date n, Hn = {(Yi,j), i + j ≤ n} = {(Ci,j), i + j ≤ n} Si l’on se focalise sur une année de survenance particulière, osn pourra noter Fi,n−i = {(Yi,j), j = 0, · · · , n − i)} = {(Ci,j), j = 0, · · · , n − i)} 12
  13. 13. Arthur CHARPENTIER, JES 2010, assurance Hn Fi,n−i Figure 1 – Les informations disponibles pour faire de la prédiction. On cherchera par la suite à prédire le montant des sinistres à payer pour l’année i, i.e. C (n−i) i,n = E[Ci,n|Fi,n−i] et la différence entre ce montant et le montant déjà payé constituera la provision pour sinistres à payer, Ri = C (n−i) i,n − Ci,n−i. 13
  14. 14. Arthur CHARPENTIER, JES 2010, assurance On cherche mse[Ci,n|Fi,n−i] ou mse[C (n−i) i,n ], ce que l’on appelera incertitude à horizon ultime. Solvabilité II : mesurer une incertitude à un an. Dans un an, on prédira C (n−i+1) i,n = E[Ci,n|Fi,n−i+1] i.e. changement dans l’estimation de la charge ultime ∆n i = C (n−i+1) i,n − C (n−i) i,n . Si cette différence est positive, on parle de mali (il faudra gonfler la provision afin de pouvoir payer les sinistres), et si elle est négative, on parle de boni. E[∆n i |Fi,n−i] = 0, Solvabilité II : calculer mse[∆n i |Fi,n−i]. 14
  15. 15. Arthur CHARPENTIER, JES 2010, assurance 15
  16. 16. Arthur CHARPENTIER, JES 2010, assurance 16
  17. 17. Arthur CHARPENTIER, JES 2010, assurance 17
  18. 18. Arthur CHARPENTIER, JES 2010, assurance Montant(paiementsetréserves) 3500400045005000550060006500 0 1 2 3 4 Figure 2 – Estimation de la charge ultime Ci,n deux années consécutives. 18
  19. 19. Arthur CHARPENTIER, JES 2010, assurance 1.4 Lecture transversale et longitudiligne des tables de mortalité démographie & assurance-vie, probabilité qu’une personne en vie à l’âge x soit en vie à l’âge x + h P(T > x + h|T > x) = Lx+h Lx où Lj désigne le nombre de survivants d’âge j, dans une table de mortalité. Si on se place l’année t, la probabilité précédante devrait s’écrire Pt(T > x + h|T > x) = Pt(T > x + 1|T > x) · Pt+1(T > x + 2|T > x + 1) · · · · · · Pt+h−1(T > x + h|T > x + h − 1) soit, si Lt,j désigne le nombre de survivants d’âge j, observés l’année t, Pt(T > x + h|T > x) = Lt,x+1 Lt,x · Lt+1,x+2 Lt+1,x+1 · · · Lt+h−1,x+h Lt+h−1,x+h−1 . Besoin d’extrapoler ces données. 19
  20. 20. Arthur CHARPENTIER, JES 2010, assurance qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq 1960 1980 2000 2020 020406080 Temps calendaire Age q qq q qq qqq qq q 20
  21. 21. Arthur CHARPENTIER, JES 2010, assurance Modèle de Lee & Carter, [15] : on suppose pour cela que le taux de décès, à la date t pour une personne d’âge x dépend de trois facteurs, µx,t = exp[αx + βx · κt], où α = (αx) désigne l’évolution moyenne de la mortalité en fonction de l’âge, et où κ = (κt) permet de modéliser l’évolution de la mortalité dans le temps (traduisant une globale amélioration des conditions de vie). Toutefois, en multipliant par β = (βx), on peut prendre en compte le fait que les gains ne sont pas identiques pour tous les âges. 21
  22. 22. Arthur CHARPENTIER, JES 2010, assurance in life insurance in nonlife insurance 22
  23. 23. Arthur CHARPENTIER, JES 2010, assurance in life insurance in nonlife insurance 23
  24. 24. Arthur CHARPENTIER, JES 2010, assurance in life insurance in nonlife insurance 24
  25. 25. Arthur CHARPENTIER, JES 2010, assurance in life insurance in nonlife insurance 25
  26. 26. Arthur CHARPENTIER, JES 2010, assurance in life insurance in nonlife insurance 26
  27. 27. Arthur CHARPENTIER, JES 2010, assurance in life insurance in nonlife insurance 27
  28. 28. Arthur CHARPENTIER, JES 2010, assurance in life insurance in nonlife insurance 28
  29. 29. Arthur CHARPENTIER, JES 2010, assurance 2 LES 2 Les cadences de paiements et la méthode Chain Ladder L’utilisation des cadences de paiements pour estimer la charge future date des années 30. On suppose qu’il existe une relation de récurrence de la forme Ci,j+1 = λj · Ci,j pour tout i, j = 1, · · · , n. Un estimateur naturel pour λj, basé sur l’expérience passée est alors λj = n−j i=1 Ci,j+1 n−j i=1 Ci,j pour tout j = 1, · · · , n − 1. Il s’agit tout simplement du ratio moyen entre les années de développement j et j + 1. De telle sorte que l’on peut alors prédire la charge pour la partie non-observée dans le triangle, Ci,j = λn−i...λj−1 Ci,n+1−i. 29
  30. 30. Arthur CHARPENTIER, JES 2010, assurance 2 LES 2.1 Des réécritudes du modèle Notons qu’au lieu de calculer les facteurs de développement, on peut aussi des taux de développement, cumulés ou non. Autrement dit, au lieu d’écrire Ci,j+1 = λjCi,j pour tout i, j = 1, · · · , n, on suppose que Ci,j = γjCi,n ou Yi,j = ϕjCi,n. On notera que γj = n k=j+1 1 λk et ϕj =    γ1 si j = 1 γj − γj−1 si j > 1 Ces valeurs ont été calculées dans le Tableau 6. 30
  31. 31. Arthur CHARPENTIER, JES 2010, assurance 2 LES 0 1 2 3 4 5 λj 1,38093 1,01143 1,00434 1,00186 1,00474 1,0000 γj 70,819% 97,796% 98,914% 99,344% 99,529% 100,000% ϕj 70,819% 26,977% 1,118% 0,430% 0,185% 0,000% Table 6 – Facteurs de développement, λ = (λi), exprimés en cadence de paiements par rapport à la charge utlime, en cumulé (i.e. γ), puis en incréments (i.e. ϕ). Enfin, un peu de réecriture montre qu’il est possible de voir l’estimateur Chain-Ladder comme une moyenne pondérée des facteurs de transition individuels, i.e. λj = n−j i=1 ωi,jλi,j où ωi,j = Ci,j n−j i=1 Ci,j et λi,j = Ci,j+1 Ci,j . Aussi, on peut obtenir ces coefficients à l’aide de régressions linéaires pondérées 31
  32. 32. Arthur CHARPENTIER, JES 2010, assurance 2 LES sans constantes, en régressant les C·,j+1 sur les C·,j, λj = argmin λ∈R n−j i=1 Ci,j λ − Ci,j+1 Ci,j 2 , ou encore λj = argmin λ∈R n−j i=1 1 Ci,j [λCi,j − Ci,j+1] 2 . A partir du calcul des facteurs de transition λ = (λi), on complète alors le triangle, en remontant d’année de survenance en année de survenance, en commençant par j = 1, puis j = 2, etc (d’échelon en échelon, d’où le nom de cette méthode). Le triangle complété est présenté dans le Tableau 2.1. 32
  33. 33. Arthur CHARPENTIER, JES 2010, assurance 2 LES 0 1 2 3 4 5 1 3209 4372 4411 4428 4435 4456 2 3367 4659 4696 4720 4730 4752.4 3 3871 5345 5398 5420 5430.1 5455.8 4 4239 5917 6020 6046.15 6057.4 6086.1 5 4929 6794 6871.7 6901.5 6914.3 6947.1 6 5217 7204.3 7286.7 7318.3 7331.9 7366.7 Table 7 – Triangle des paiements cumulés, C = (Ci,j)i+j≤n avec leur projection future C = (Ci,j)i+j>n. 33
  34. 34. Arthur CHARPENTIER, JES 2010, assurance 2 LES 2.2 Une approche par sommes marginales Au delà de l’approche Markovienne du problème de provisionnement que l’on vient de voir (et qui sera reprise dans la section 3), il existe une caractérisation particulièment intéressante, que l’on retrouvera dans la section 4. En fait, si l’on cherche des vecteurs A = (A0, · · · , An) et B = (B0, · · · , Bn), avec B0 + · · · + Bn = 1, tels que n−j i=1 AiBj = n−j i=1 Yi,j pour tout j, et n−i j=0 AiBj = n−i j=0 Yi,j pour tout i, (on ne somme que sur la partie observée du triangle) les montants prédits dans la partie inférieure du triangles, i.e. (AiBj)i+j>n, coïncident avec les quantités prédites par la méthode Chain Ladder ([23]). 34
  35. 35. Arthur CHARPENTIER, JES 2010, assurance 2 LES Proposition1 S’il existe A = (A0, · · · , An) et B = (B0, · · · , Bn), avec B0 + · · · + Bn = 1, tels que n−j i=1 AiBj = n−j i=1 Yi,j pour tout j, et n−i j=0 AiBj = n−i j=0 Yi,j pour tout i, alors Ci,n = Ai = Ci,n−i · n−1 k=n−i λk où Bk = n−1 j=k 1 λj − n−1 j=k−1 1 λj , avec B0 = n−1 j=k 1 λj . Autrement dit, le montant de provision coïncide avec l’estimateur obtenu par la méthode Chain Ladder. cf. méthode des marges ([2]). 35
  36. 36. Arthur CHARPENTIER, JES 2010, assurance 2 LES Remarque1 L’idée de cette méthode remonte aux années 30. Comme le note [1], décrivant la méthode Chain-Ladder, ”son apparente rigueur mathématique et sa simplicité semblent résoudre sans effort toutes les difficultés. Il n’en est malheureusement rien. [...] La cadence de règlements ne peut être constante que si l’assureur prend en charge un nombre de sinistres suffisant pour que la loi des grands nombres puisse jouer. Les changements de jurisprudence qui aggravent la responsabilité des assurés et les dépréciations monétaires aboutissement à une augmentation des indemnités allouées, et ralentissent la cadence des règlements des exercices antérieurs dont les sinistres non encore réglés se trouvent majorés”. Et plus précisément, [11] remarquait que ”la méthode de la cadence numérique appliquée aux éléments statistiques que nous possédons nous paraît donc devoir donner des résultats empreints d’une assez grande incertitude.” 36
  37. 37. Arthur CHARPENTIER, JES 2010, assurance 3 De Mack à Merz & Wüthrich 3.1 Quantifier l’incertitude dans une prédiction On souhaite comparer R et R (où R n’est pas inconnu mais aléatoire). Le mse de prédiction, peut s’écrire (en faisant une approximation au premier ordre), E([R − R]2 ) ≈ E([R − E(R)]2 ) mse(R) + E([R − E(R)]2 ) Var(R) En fait, en toute rigueur (et nous en aurons besoin par la suite), on cherche un msep conditionnel à l’information dont on dispose au bout de n années, msepn(R) = E([R − R]2 |Hn). 37
  38. 38. Arthur CHARPENTIER, JES 2010, assurance 3.2 Le formalisme de Mack [17] a proposé un cadre probabiliste afin de justifier l’utilisation de la méthode Chain-Ladder. Pour cela, on suppose que (Ci,j)j≥0 est un processus Markovien, et qu’il existe λ = (λj) et σ = (σ2 j ) tels que    E(Ci,j+1|Hi+j) = E(Ci,j+1|Ci,j) = λj · Ci,j Var(Ci,j+1|Hi+j) = Var(Ci,j+1|Ci,j) = σ2 j · Ci,j On note que sous ces hypothèses, E(Ci,j+k|Hi+j) = E(Ci,j+k|Ci,j) = λj · λj+1 · · · λj+k−1Ci,j [17] rajoute une hypothèse supplémentaire d’indépendance entre les années de survenance, (Ci,j)j=1,...,n et (Ci ,j)j=1,...,n sont indépendant pour tout i = i . Une réécriture du modèle est alors de supposer que Ci,j+1 = λjCi,j + σj Ci,jεi,j 38
  39. 39. Arthur CHARPENTIER, JES 2010, assurance où les résidus (εi,j) sont i.i.d., centrés et de variance unitaire. =⇒ méthodes des moindres carrés pondérés pour estimer ces coefficients, avec des poids inversement proportionnels à la variance, Ci,j, i.e. à j donné, on cherche à résoudre min n−j i=1 1 Ci,j (Ci,j+1 − λjCi,j) 2 Pour tester ces deux premières hypothèses, on commence par représenter les C·,j+1 en fonction des C·,j à j donné. Si la première hypothèse est vérifiée, les points doivent être alignés suivant une droite passant par l’origine. Pour la seconde hypothèse, on peut étudier les résidus standardisés ([17] parle de weighted residuals), i,j = Ci,j+1 − λjCi,j Ci,j . 39
  40. 40. Arthur CHARPENTIER, JES 2010, assurance λj = n−j i=1 Ci,j+1 n−j i=1 Ci,j , ∀j = 1, · · · , n − 1. est un estimateur sans biais de λj. L’utilisation des résidus standardisés nous donnent d’ailleurs une idée simple pour estimer le paramètre de volatilité. σ2 j = 1 n − j − 1 n−j−1 i=1 Ci,j+1 − λjCi,j Ci,j 2 ce qui peut aussi s’écrire σ2 j = 1 n − j − 1 n−j−1 i=1 Ci,j+1 Ci,j − λj 2 · Ci,j (ce qui est à rapprocher de l’écriture du facteur de transition λ comme moyenne pondérée des facteurs de transitions observés). Cette méthode permet d’estimer les différents paramètres intervenants dans le modèle de Mack. 40
  41. 41. Arthur CHARPENTIER, JES 2010, assurance 3.3 La notion de tail factor Classiquement on suppose que la première ligne de notre triangle est close : il n’y a plus de sinistres ouverts Cette hypothèse est trop forte pour les branches à déroulement long. On supposera ([18]) qu’il existe λ∞ > 1 tel que Ci,∞ = Ci,n × λ∞. Une méthode qui a souvent été utilisée a reposé sur l’idée que l’on pouvait projeter les λi par une extrapolation exponentielle (ou une extrapolation linéaire des log(λk − 1)), puis on pose λ∞ = k≥n λk Exemple1 Sur notre triangle, cette méthode prévoit de rajouter 0.07% de charge par rapport à la prédiction faite par les méthodes classiques (en supposant la première année close). 41
  42. 42. Arthur CHARPENTIER, JES 2010, assurance q q q q q 2 4 6 8 10 −12−10−8−6−4−2 Année de développment Figure 3 – Ajustement linéaire sur le nuage {(k, log(λk − 1))}. 42
  43. 43. Arthur CHARPENTIER, JES 2010, assurance 3.4 De l’incertitude sur Ri et R L’incertitude est ici quantifiée à l’aide du mean squared error, mse(Ri) = mse(Ci,n − Ci,n−i) = mse(Ci,n) = E Ci,n − Ci,n 2 |Hn Proposition2 Le mean squared error du montant de provision mse(Ri), pour une année de survenance i, peut être estimé par mse(Ri) = C2 i,n n−1 k=n−i σ2 k λ2 k 1 Ci,k + 1 n−k j=1 Cj,k . Toutefois, une compagnie doit au minimum provisionner pour la branche d’activité, et par par année. Il faut ensuite calculer le mse pour 43
  44. 44. Arthur CHARPENTIER, JES 2010, assurance R = R1 + · · · + Rn. En fait, on notera que mse(R) = E   n i=2 Ri − n i=2 Ri 2 |Hn   Proposition3 Le mean squared error du montant de provision mse(R), pour l’ensemble des années de survenance, peut être estimé par mse(R) = n i=2 mse(Ri) + 2 2≤i<j≤n Ci,nCj,n n−1 k=n−i σ2 k/λ2 k n−k l=1 Cl,k . Cette vision est parfois appelée vision à l’ultime de l’incertitude relative au montant de provision. Exemple2 Sur le triangle 2 mse(R) = 79.30, alors que mse(Rn) = 68.45, mse(Rn−1) = 31.3 ou mse(Rn−2) = 5.05. 44
  45. 45. Arthur CHARPENTIER, JES 2010, assurance 3.5 L’incertitude à un an de Merz & Wüthrich Pour comprendre la notion d’incertitude à un an, plaçons nous un an en arrière. A la fin de l’année n − 1, nous disposions du triangle sans la dernière diagonale, que l’on avait alors complété par la méthode Chain Ladder (Tableau 3.5). Si l’on ne s’intéresse qu’aux années antérieures, i = 1, · · · , n − 1, à la fin de l’année n, nous avions obtenu un triangle avec une diagonale supplémentaire que l’on avait alors complété par la méthode Chain Ladder (Tableau 3.5). 45
  46. 46. Arthur CHARPENTIER, JES 2010, assurance 0 1 2 3 4 1 3209 4372 4411 4428 4435 2 3367 4659 4696 4720 4727.4 3 3871 5345 5398 5422.3 5430.9 4 4239 5917 5970.0 5996.9 6006.4 5 4929 6810.8 6871.9 6902.9 6939.0 Table 8 – Triangle des paiements cumulés sur les années antérieures, C = (Ci,j)i+j≤n−1,i≤n−1 avec les projection future C = (Ci,j)i+j>n−1. 46
  47. 47. Arthur CHARPENTIER, JES 2010, assurance 0 1 2 3 4 5 1 3209 4372 4411 4428 4435 4456 2 3367 4659 4696 4720 4730 4752.4 3 3871 5345 5398 5420 5430.1 5455.8 4 4239 5917 6020 6046.15 6057.4 6086.1 5 4929 6794 6871.7 6901.5 6914.3 6947.1 Table 9 – Triangle des paiements cumulés sur les années antérieures, C = (Ci,j)i+j≤n,i≤n−1 avec les projection future C = (Ci,j)i+j>n. 47
  48. 48. Arthur CHARPENTIER, JES 2010, assurance A la fin de l’année n − 1, le montant de provisions constitué était de 2114, 61, pour ces n − 1 premières années. Au final, on pensait payer 27513, 61 (toutes années confondues). A la fin de l’année n, la charge totale était revue à la hausse, passant à 27697, 33. Cette augmentation de 183, 72 est appelée mali. C’est l’incertitude associée à cet quantité qui est aujourd’hui demandé dans Solvabilité II. Formellement, il convient d’introduire dans les notations la date à laquelle est faite l’estimation. Par exemple, on distinguera λn j = n−i−1 i=1 Ci,j+1 n−i−1 i=1 Ci,j et λn+1 j = n−i i=1 Ci,j+1 n−i i=1 Ci,j La section précédante permet de monter que E(λn j |Hn) = λj et E(λn+1 j |Hn+1) = λj. Sauf qu’ici, on se place toujours à la date n. Il convient alors de calculer E(λn+1 j |Hn) 48
  49. 49. Arthur CHARPENTIER, JES 2010, assurance Notons que si l’on pose Sn j = C1,j + C2,j + · · · , Cj,n−j, λn+1 j = n−i i=1 Ci,j+1 n−i i=1 Ci,j = n−i i=1 Ci,j+1 Sn+1 j = n−1−i i=1 Ci,j+1 Sn+1 j + Cn−j,j+1 Sn+1 j soit simplement λn+1 j = Sn j · λn j Sn+1 j + Cn−j,j+1 Sn+1 j . Lemme1 Sous les hypothèses du modèles de Mack, E(λn+1 j |Hn) = Sn j Sn+1 j · λn j + λj · Cn−j,n Sn+1 j . On en déduit en particulier que E(Cn+1 i,j |Hn) = Ci,n−i · λn−i · j−1 k=n−i+1 E λn+1 k |Hn . 49
  50. 50. Arthur CHARPENTIER, JES 2010, assurance En reprenant les notations de [19], on peut étudier la variation du boni/mali d’une année sur l’autre, c’est à dire du changement dans la prédiction de la charge totale, entre deux années. Pour cela, on introduit le concept suivant Définition1 Le claims development result CDRi(n + 1), pour l’année de survenance i, entre les dates n et n + 1, aussi appelé boni ou mali (suivant qu’il est positif ou négatif), est CDRi(n + 1) = E(Rn i |Hn) − Yi,n−i+1 + E(Rn+1 i |Hn+1) , où Yi,n−i+1 correspond à l’incrément de paiements, Yi,n−i+1 = Ci,n−i+1 − Ci,n−i. On notera que CDRi(n + 1) est une martingale Hn+1-mesurable, et que l’on peut réécrire CDRi(n + 1) = E(Ci,n|Hn) − E(Ci,n|Hn+1). En transpirant un peu, on arrive finalement à la propriété suivante 50
  51. 51. Arthur CHARPENTIER, JES 2010, assurance Lemme2 Sous les hypothèses du modèle de Mack, un estimateur de E(CDRi(n + 1)2 |Hn) mse(CDRi(n + 1)|Hn) = C2 i,n Γi,n + ∆i,n où ∆i,n = σ2 n−i+1 λ2 n−i+1Sn+1 n−i+1 + n−1 j=n−i+2 Cn−j+1,j Sn+1 j 2 σ2 j λ2 j Sn j et Γi,n = 1 + σ2 n−i+1 λ2 n−i+1Ci,n−i+1 n−1 j=n−i+2 1 + σ2 j λ2 j [Sn+1 j ]2 Cn−j+1,j − 1 Remarque2 On peut noter que C2 i,n∆i,n est un estimateur de E [E(CDRi(n + 1)|Hn)]2 |Hn . 51
  52. 52. Arthur CHARPENTIER, JES 2010, assurance En revanche C2 i,nΓi,n est un estimateur de Var(CDRi(n + 1)|Hn). [19] ont alors approché ce dernier terme terme par Γi,n ≈ σ2 n−i+1 λ2 n−i+1Ci,n−i+1 + n−1 j=n−i+2 Cn−j+1,j Sn+1 j 2 σ2 j λ2 j Cn−j+1,j en faisant tout simplement un développement de la forme (1 + ui) ≈ 1 + ui, mais qui n’est valide que si ui est petit, soit ici σ2 j λ2 j << Cn−j+1,j. Pour l’erreur d’estimation, on parle également d’erreur de prédiction rétrospective, il convient de calculer, puis d’estimer E [CDRi(n + 1) − CDRi(n + 1)]2 |Hn , 52
  53. 53. Arthur CHARPENTIER, JES 2010, assurance et pas seulement E(CDRi(n + 1)2 |Hn) comme nous venons de le faire. Mais comme nous le rappelerons par la suite, la règlementation ne tient pas compte de ce terme, car il est illégal de supposer CDRi(n + 1) = 0. Toutefois, pour ce terme, il est possible de montrer la propriété suivante Lemme3 Sous les hypothèses du modèle de Mack, un estimateur de E([CDRi(n + 1) − CDRi(n + 1)]2 |Hn) est mse(CDRi(n + 1)|Hn) = C2 i,n Φi,n + ∆i,n où Φi,n = 1 + σ2 n−i+1 λ2 n−i+1Ci,n−i+1   n−1 j=n−i+2 1 + σ2 j λ2 j [Sn+1 j ]2 Cn−j+1,j − 1   . 53
  54. 54. Arthur CHARPENTIER, JES 2010, assurance [19] ont alors approché ce dernier terme terme par Φi,n ≈ n−1 j=n−i+2 [σn j ]2 [λn j ]2Cn−j+1,j Cn−j+1,j Sn+1 j 2 , en faisant là encore un développement de la forme (1 + ui) ≈ 1 + ui, mais qui n’est valide que si ui est petit, soit ici σ2 j λ2 j << Cn−j+1,j. En considérant ces approximations, et en supposant qu’il est légalement impossible de prédire autre chose que CDRi(n + 1) = 0, on peut finallement réécrire 54
  55. 55. Arthur CHARPENTIER, JES 2010, assurance Proposition4 Sous les hypothèses du modèle de Mack, msen(CDRi(n + 1)) ≈ [Cn i,n]2 [σn n−i+1]2 [λn n−i+1]2 1 Ci,n−i+1 + 1 Sn n−i+1 + n−1 j=n−i+2 [σn j ]2 [λn j ]2   1 Sn j Cn−j+1,j Sn+1 j 2   . Pour rappel, la formule de Mack proposait msen(Ri) = [Cn i,n]2 [σn n−i+1]2 [λn n−i+1]2 1 Ci,n−i+1 + 1 Sn n−i+1 + n−1 j=n−i+2 [σn j ]2 [λn j ]2 1 Ci,j + 1 Sn j . Autrement dit, dans le mse du CDR, seulement le première terme de l’erreur de modèle de la formule de Mack est considérée, et pour l’erreur d’estimation, on ne considère que la première diagonale i + j = n + 1 (les termes suivants étant écrasés par le facteur Cn−j+1,j/Sn+1 j ). 55
  56. 56. Arthur CHARPENTIER, JES 2010, assurance Enfin, si l’on regarde finalement ce qui se passe toutes années de survenance confondues, on a une formule qui peut encore se rapprocher de celle proposée par Mack, à savoir msen(CDR(n + 1)) ≈ n i=1 msen(CDRi(n + 1)) +2 i<l Cn i,nCn l,n   [σn n−i]2 /[λn n−i]2 i−1 k=0 Ck,n−i + n−1 j=n−i+1 Cn−j,j n−j k=0 Ck,j [σn j ]2 /[λn j ]2 n−j−1 k=0 Ck,j   . Cette approximation n’est toutefois valide que si Cn−j+1,j ≤ Sn+1 j . Exemple3 Sur le triangle 2 msen(CDR(n + 1)) = 72.57, alors que msen(CDRn(n + 1)) = 60.83, msen(CDRn−1(n + 1)) = 30.92 ou encore msen(CDRn−2(n + 1)) = 4.48. La formule approchée donne des résultats semblables. 56
  57. 57. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4 Régression Poissonnienne et approches économétriques Dans cette section, nous nous éloignerons des modèles récursifs inspirés de la méthode Chain Ladder, et nous reviendrons sur des classes de modèles très utilisés dans les années 70, appelés modèles à facteurs, remis au goût du jour en proposant une lecture économétrique de ces modèles, permettant ainsi d’obtenir des intervalles de confiance des différentes grandeurs. 57
  58. 58. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4.1 Les modèles à facteurs, un introduction historique Avant de présenter l’utilisation des modèles de régression, on peut commencer par évoquer des modèles plus anciens. Par exemple [26] supposait que Yi,j = rj · µi+j, pour tout i, j i.e. le paiement effectué l’année i + j pour les sinistres survenus l’année i est function d’un effet colonne (de cadence de paiement) et un effet diagonal, que Taylor interprète comme un facteur d’inflation. Ce modèle peut se réécrire, dès lors qu’il n’y a pas d’incrément positif, log Yi,j = αi + γi+j qui prend alors une forme linéaire. Comme nous l’avons noté un modèle de la forme Yi,j = ai × bj pourra se rapprocher du modèle Chain Ladder. 58
  59. 59. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4.2 Les modèles Gaussiens de de Vylder et de Christophides Considèrerons un modèle Yi,j ∼ N(αiβj, σ2 ), ∀i, j On peut estimer les coefficients par moindres carrés, (α, β) = argmin    i,j [Yi,j − αiβj]2    . Les équations normales s’écrivent ici αi = j Yi,jβj j β2 j et βj = i Yi,jαi i α2 i , ce qui ne résoud pas explicitement. Pour le résoudre, [4] a suggéré de le réécrire comme un modèle log-linéaire, i.e. log Yi,j ∼ N(ai + bj, σ2 ), ∀i, j 59
  60. 60. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4.3 La régression poissonnienne de Hachemeister & Stanard [10], [13] et enfin [16] ont montré que dans une régression log-Poisson sur les incréments, la somme des prédictions des paiments à venir correspond à l’estimateur Chain Ladder. On suppose ici que E(Yi,j) = µi,j = exp[ri + cj] = ai · bj. Il y a ici un 2n paramètres à estimer, a = (a0, · · · , an) et b = (b0, · · · , bn), avec une contrainte de la forme b0 + · · · + bn = 1 (car il nous reste un degré de liberté). C une fois estimés ces paramètres, il est possible de prédire la partie inférieure du triangle très simplement, i.e. Yi,j = µi,j = exp[ri + cj] = ai · bj. Exemple4 Sur le triangle 2, on obtient la sortie de régression suivante, en régressant sur un facteur 60
  61. 61. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR ligne, et un facteur colonne. Call: glm(formula = Y ~ lig + col, family = poisson("log"), data = base) Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 8.05697 0.01551 519.426 < 2e-16 *** lig2 0.06440 0.02090 3.081 0.00206 ** lig3 0.20242 0.02025 9.995 < 2e-16 *** lig4 0.31175 0.01980 15.744 < 2e-16 *** lig5 0.44407 0.01933 22.971 < 2e-16 *** lig6 0.50271 0.02079 24.179 < 2e-16 *** col2 -0.96513 0.01359 -70.994 < 2e-16 *** col3 -4.14853 0.06613 -62.729 < 2e-16 *** col4 -5.10499 0.12632 -40.413 < 2e-16 *** col5 -5.94962 0.24279 -24.505 < 2e-16 *** col6 -5.01244 0.21877 -22.912 < 2e-16 *** 61
  62. 62. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR --- Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1 (Dispersion parameter for poisson family taken to be 1) Null deviance: 46695.269 on 20 degrees of freedom Residual deviance: 30.214 on 10 degrees of freedom (15 observations deleted due to missingness) AIC: 209.52 Number of Fisher Scoring iterations: 4 Les prédictions Yi,j sont indiquées dans le tableau 4.3. 62
  63. 63. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 0 1 2 3 4 5 1 3209 4372 4411 4428 4435 4456 2 3367 4659 4696 4720 4730 4752.4 3 3871 5345 5398 5420 5430.1 5455.8 4 4239 5917 6020 6046.15 6057.4 6086.1 5 4929 6794 6871.7 6901.5 6914.3 6947.1 6 5217 7204.3 7286.7 7318.3 7331.9 7366.7 Table 10 – Triangle des prédictions d’incréments de paiements, Y = (Yi,j)0≤i,j≤n par une régression log-Poisson. 63
  64. 64. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR the occurrence factor αi the development factor βj 64
  65. 65. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR Yi,j = exp[αi + βj] Yi,j = exp[αi + βj] on past observations on the future 65
  66. 66. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4.4 Incertitude dans un modèle de régression Nous avions noté auparavant qu’obtenir une estimation du montant de sinistres restant à payer ne suffisait pas, et qu’il fallait avoir un intervalle de confiance, ou - au moins - une mesure de la dispersion du vrai montant autour de cette valeur prédite. 66
  67. 67. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR q q q q 0 2 4 6 8 10 02468 q q q q q 67
  68. 68. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4.4.1 Les formules économétriques fermées Les modèles de régressions pourraient paraître très intéressants car il existe des formules fermés pour toutes sortes de prédictions. Par exemple, dans une régression GLM avec un lien logarithmique, rappelons que E(Yi,j|Hn) = µi,j = exp[ηi,j] ou encore Yi,j = µi,j = exp[ηi,j]. La delta method nous permet d’écrire que Var(Yi,j) ≈ ∂µi,j ∂ηi,j 2 · Var(ηi,j), ce qui se simplifie dans le cas où le lien est logarithmique, i.e. ∂µi,j ∂ηi,j = µi,j 68
  69. 69. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR Aussi, pour une loi de Poisson surdispersée (comme dans [20]), E [Yi,j − Yi,j]2 ≈ φ · µi,j + µ2 i,j · Var(ηi,j) pour la partie inférieure du triangle. Et en notant que Cov(Yi,j, Yk,l) ≈ µi,j · µk,l · Cov(ηi,j, ηk,l). on peut calculer E [R − R]2 ≈   i+j>n φ · µi,j   + µ · Var(η) · µ Remarque3 Cette formule est malheureusement asymptotique, ce qui est rarement le cas en provisionnement où l’on dispose de très peu de données. Exemple5 Sur notre triangle, on obtient un mean squared error de l’ordre de 131.77. 69
  70. 70. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4.4.2 Les méthodes de simulations Les méthodes de simulation sont une bonne alternative si on dispose de trop peu de données pour invoquer des théorèmes asymptotiques. Rappelons, comme le notait [17] qu’il existe 2 sources d’incertitude, – l’erreur de modèle (on parle de process error) – l’erreur d’estimation (on parle de variance error) Il sera alors nécessaire d’utiliser deux algorithmes pour quantifier ces deux erreurs. Afin de quantifier l’erreur d’estimation, il est naturel de simuler des faux triangles (supérieurs), puis de regarder la distribution des estimateurs de montant de provisions obtenus pour chaque triangles. A l’étape b, on génère un pseudo triangle à l’aide des résidus de Pearson. Rappelons que pour une régression de Poisson, εi,j = Yi,j − µi,j µi,j . Les erreurs de Peqrson obtenues peuvent être visualisées dans le Tableau 4.4.2 70
  71. 71. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 0 1 2 3 4 5 1 0.948 -1.128 -1.533 -0.489 -0.427 0.000 2 0.024 0.277 -2.213 0.792 0.414 3 0.116 0.056 -1.024 -0.297 4 -1.082 0.891 4.237 5 0.130 -0.211 6 0.000 Table 11 – Le triangle des résidus de Pearson, ε où εi,j = µ −1/2 i,j · [Yi,j − µi,j]. On considère les erreurs de Pearson de manière à normaliser les résidus (que l’on pourra alors supposer i.i.d). Remarque4 Les résidus de Pearson ne sont générallement pas Gaussien. 71
  72. 72. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR Densité Résidus −2 0 2 4 0.00.10.20.30.40.5 −2 0 2 40.00.20.40.60.81.0 Fonction de répartition Résidus q q q q q q q q q q q q q q q q q q q q q Figure 4 – Distribution empirique des résdus de Pearson. 72
  73. 73. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR En simulant des erreurs (qui sont supposées indépendantes et identiquement distribuée), ˜εb = (˜εb i,j), on pose alors Y b i,j = µi,j + µi,j · ˜εb i,j. Pour générer des erreurs, la méthode la plus usuelle est d’utiliser une simulation nonparamétrique, c’est à dire que l’on va bootstrapper les résidus parmi les pseudorésidus obtenus ε. Sinon il est aussi possible d’utiliser un modèle paramétrique (par exemple supposer une loi normale, même si rien - théoriquement - ne justifie cette méthode). Le Tableau 4.4.2 présente un triangle simulé Y b = (Y b i,j). 73
  74. 74. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 0 1 2 3 4 5 1 3155.7 1216.4 42.2 18.2 9.0 22.9 2 3381.7 1245.4 84.0 18.2 11.1 3 3726.1 1432.5 61.44 23.44 4 4337.3 1642.8 74.6 5 4929.0 1879.8 6 5186.1 Table 12 – Triangle de paiements bootstrapé, Y b = (Y b i,j). 74
  75. 75. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 0 1 2 3 4 5 1 0.00 0.414 -1.082 -0.211 0.0277 0.414 2 0.277 -1.024 4.237 -0.489 0.792 3 -2.213 -1.024 0.056 0.000 4 0.414 0.024 0.792 5 0.130 0.130 6 -0.427 Table 13 – Triangle de résidus simulé par bootstrap, εb = (εb i,j). Une fois simulé un pseudo triangle d’incréments de paiments, on prédit un montant de provision Rb (par exemple via une méthode Chain Ladder, ou en refaisant une modélisation log-Poisson si les incréments de paiements sont tous positifs). La variance des Rb correspond à l’erreur d’estimation. 75
  76. 76. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR Le Tableau 14 présente la modélisation du triangle simulé 4.4.2 par un modèle log-Poisson Y b = (Y b i,j). La somme des termes dans la partie inférieure donne une valeur possible pour l’estimation du montant de provision Rb = 2448.175. 0 1 2 3 4 5 1 3157.5 1199.1 56.7 18.4 9.7 22.8 2 3369.9 1279.8 60.5 19.6 10.3 24.4 3 3735.8 1418.7 67.1 21.7 11.5 27.0 4 4331.7 1645.1 77.8 25.2 13.3 31.4 5 4934.6 1874.0 88.6 28.7 15.2 35.7 6 5186.1 1969.5 93.1 30.2 16.0 37.6 Table 14 – Triangle des prédictions Y b = (Y b i,j) obtenues sur le triangle simulé, Y b = (Y b i,j). 76
  77. 77. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR Afin de prendre en compte l’erreur de modèle, plusieurs méthodes peuvent être utilisées. La première, et la plus simple, consiste à noter qu’à partir du pseudo triangle Y b i,j, peut obtenir des prédictions pour la partie inférieure, Y b i,j. Compte tenu du modèle Poissonnien, on peut alors simuler une trajectoire possible d’incréments de paiements en simulant les Y b i,j à l’aide de loi de Poisson de paramètre Y b i,j. Le Tableau 4.4.2 une simulation de paiements futurs à partir du triangle simulé 4.4.2 Y b ∼ P(Y b ). La somme des termes dans la partie inférieure dans une valeur possible pour les paiements restant à faire Rb . 77
  78. 78. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 0 1 2 3 4 5 1 2 29 3 10 24 4 27 11 37 5 94 34 16 40 6 1956 102 26 15 36 Table 15 – Triangle de paiements simulés, Y b ∼ P(Y b ). La seconde méthode est d’utiliser une relecture du modèle de [17], proposée par [8]. A partir du pseudo triangle, on va utiliser les facteurs de développement λj et les variances associés σ2 j obtenus sur le triangle initial. On prolonge alors le 78
  79. 79. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR triangle dans la partie inférience via le modèle dynamique Cb i,j+1|(Cb i,j, · · · , Cb i,0) ∼ N(λjCb i,j, σ2 j Cb i,j). Exemple6 Sur le triangle 2 la variance empirique de R nous permet d’avoir un bon estimateur de mse(R). Ici, à l’aide de 100 000 simulations, on obtient la distribution pour R donnée sur la Figure 5. Sur cet exemple, on obtient un écart-type (empirique) pour les simulations de Rb de l’ordre de 84.12 (ce qui se rapproche davantage des 79.3 de la méthode de Mack, que des 131.7 obtenus par développements asymptotiques). 79
  80. 80. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 2200 2300 2400 2500 2600 2700 0.0000.0010.0020.0030.0040.005 Montant de provisions Figure 5 – Distribution de R, par simulation et par la méthode de Mack (sous hypothèse de normalité de R) 80
  81. 81. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4.5 Quel modèle de régression ? Nous avions justifié l’utilisation de la loi de Poisson, car le montant de provisions prédit coïncidait avec l’estimateur Chain Ladder. Mais rien ne permet de justifier statistiquement l’adéquation de la loi de Poisson a nos données. 4.5.1 Prise en compte d’une éventuelle surdispersion En fait, la régression quasi Poisson peut éventuellement être plus adaptée (comme cela est mentionné par exemple dans [24]). Exemple7 Sur le triangle 2 une modélisation par une loi quasiPoisson donne la sortie suivante Call: glm(formula = Y ~ lig + col, family = quasipoisson("log"), data = base) Coefficients: Estimate Std. Error t value Pr(>|t|) 81
  82. 82. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR (Intercept) 8.05697 0.02769 290.995 < 2e-16 *** lig2 0.06440 0.03731 1.726 0.115054 lig3 0.20242 0.03615 5.599 0.000228 *** lig4 0.31175 0.03535 8.820 4.96e-06 *** lig5 0.44407 0.03451 12.869 1.51e-07 *** lig6 0.50271 0.03711 13.546 9.28e-08 *** col2 -0.96513 0.02427 -39.772 2.41e-12 *** col3 -4.14853 0.11805 -35.142 8.26e-12 *** col4 -5.10499 0.22548 -22.641 6.36e-10 *** col5 -5.94962 0.43338 -13.728 8.17e-08 *** col6 -5.01244 0.39050 -12.836 1.55e-07 *** --- Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1 (Dispersion parameter for quasipoisson family taken to be 3.18623) Null deviance: 46695.269 on 20 degrees of freedom 82
  83. 83. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR Residual deviance: 30.214 on 10 degrees of freedom (15 observations deleted due to missingness) AIC: NA Number of Fisher Scoring iterations: 4 Le paramètre de surdispersion φ vaut ici 3.18 (qui est significativement supérieur à 1). L’estimation (mais pas la significativité) donne les mêmes résulats que la régression de Poisson, toutefois, il faut alors pour simuler une loi quasi Poisson. La simulatin de cette quasi loi, se fait généralement suivant une des deux méthodes suivantes. La première idée est d’utiliser une approximation par une loi binomiale négative BN(r, p). Et l’autre est d’utiliser une approximation par une loi Gamma (dont on pourra prendre la partie entière). 83
  84. 84. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 2200 2300 2400 2500 2600 2700 2800 0.0000.0010.0020.0030.0040.005 Montant de provisions Figure 6 – Distribution de R, avec simulations quasi Poisson. 84
  85. 85. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR 4.5.2 Entre un modèle Poisson et un modèle Gamma Si les modèles GLM sont générallement présentés comme des modèles où une hypothèse de loi est faite (la loi de la variable dépendante Y devant appartenir à la famille exponentielle), rappelons les modèles GLM peuvent être caractérisés par une modélisation des deux premiers moments, E(Y |X) = h(Xβ) et Var(Y |X) = V (E(Y |X)) = g((Xβ)), où – la fonction lien, h, qui lie la prédiction aux facteurs, ici Yi,j = E(Yi,j|Hn) = exp[γ + αi + βj], – la loi ou la fonction variance, V , qui donne la forme de la dispersion, ici Var(Yi,j|Hn) = φ · E(Yi,j|Hn). L’unique motivation du modèle précédent (loi de Poisson, i.e. fonction variance identité, et lien logarithmique) est qu’il permet d’obtenir exactement le même montant que la méthode Chain Ladder. Mais aucun critère statistique n’a été évoqué, pour l’instant, afin de légitimer ce modèle. 85
  86. 86. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR Les modèles Tweedie sont une famille de sur-modèle, incluant le modèle Poissonnien. On suppose que – la fonction lien, est une fonction puissance, ou plutôt une tranformée de Box-Cox, Yi,j = g−1 λ [γ + αi + βj] où gλ(x) = λ−1 [xλ − 1] si λ > 0, avec le cas limite g0(x) = log(x). – la fonction variance, qui donne la forme de l’intervalle de confiance, ici Var(Yi,j|Hn) = φ · E(Yi,j|Hn)κ où les paramètres λ et κ sont inconnus. Remarque5 Formellement, dans les modèles GLM, on suppose que la loi de Yi,j appartient à la famille exponentielle, i.e. de densité f(y; θi,j, φ) = exp yθi,j − b(θi,j) φ + c(y, φ) . La fonction variance est ici V (µ) = b ([b ]−1 )(µ). Pour reprendre les notations de [12], 86
  87. 87. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR on se limite ici aux formes V (µ) = µκ . Cela signifie que b(θ) = 1 2 − κ [(1 − κ)θ] 2−κ 1−κ , pour κ = 1, 2, avec les cas particulier b(θ) = exp[θ] pour κ = 1 (on a alors une loi quasi-Poisson) et b(θ) = − log[−θ] pour κ = 2 (on a alors une loi Gamma). Si l’on supppose que une forme multiplicative Ai · Bj pour modéliser les incréments de paiements, on aura alors θi,j = log[Ai · Bj] si κ = 1 et θi,j = [Ai · Bj]1−κ 1 − κ sinon. Afin de juger de la pertinance de l’ajustement, on peut calculer la log-vraisemblance profilée du modèle, en gardant un lien logarithmique par exemple (ce qui est parfois plus simple au niveau numérique, mais aussi au niveau de l’interprétation), ou le critère d’Akaike. 87
  88. 88. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR q q q q q q q q q q q q q q q q q q q q 1.0 1.2 1.4 1.6 1.8 2.0 −104−102−100−98−96−94 Puissance de la fonction variance Logvraisemblance Figure 7 – Évolution de la log-vraisemblance profilée en fonction de κ. 88
  89. 89. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR q q q q q q q q q q q q q q q q q q q q q 1.0 1.2 1.4 1.6 1.8 2.0 243024352440 Puissance de la fonction variance Montantdeprovisions(total) Figure 8 – Évolution du montant total de provision R, en fonction de κ. 89
  90. 90. Arthur CHARPENTIER, JES 2010, assurance 4 RÉGR Exemple8 Si l’on souhaite garder un lien logarithmique, le paramètre le plus vraisemblable pour la fonction variance compris entre 1 et 2, est κ = 1, ce qui correspond à un modèle de Poisson (ou plutôt quasi-Poisson). Remarque6 Ces méthodes de simulations sont suffisement souples pour pouvoir être adaptées, en particulier pour quantifier l’incertitude à un an. Toutefois, cette approche repose sur l’utilsation de régression GLM (Poisson ou Gamma), ce qui n’est possible que si les Yi,j sont positifs. En théorie, il s’agit d’incréments de paiements, qui doivent être positifs, mais en pratique, il n’est pas rare que de incréments négatifs soient observés. C’est d’ailleurs possible de générer un pseudo triangle possédant des incréments négatifs (e.g. [6] ou [14]). 90
  91. 91. Arthur CHARPENTIER, JES 2010, assurance 5 5 Modélisation et prédiction de la mortalité future De même que le provisionnement posait le problème de la dynamique de la vie des sinistres (dont le montant n’est pas connu le jour de la survenance du sinistre), les contrats d’assurance vie sont liés à des probabilités de décès (ou de survie) dans un futur plus ou moins lointain. 91
  92. 92. Arthur CHARPENTIER, JES 2010, assurance 5 5.1 Modélisation statique des contrats d’assurance vie En assurance vie, nous allons ici calculer calculer des grandeurs de la forme E ∞ k=1 Ck (1 + i)Tk 1(paiement à la date Tk) où l’assureur s’est engagé à verser un capital Ci à des dates Ti, à condition qu’une hypothèse soit vérifiée à la date Ti. Compte tenu de la linéarité de l’espérance, si l’on suppose le taux d’actualisation non aléatoire, on peut réécrire cette dernière expression sous la forme : ∞ k=1 Ck (1 + i)Tk P(paiement à la date Ti). La valeur actuelle probable s’écrit, de manière très générale, k j=1 Cjpj (1 + i)j 92
  93. 93. Arthur CHARPENTIER, JES 2010, assurance 5 où C = (C1, · · · , Ck) est l’ensemble des montants à verser, i est est le taux d’actualisation, et p = (p1, · · · , pk) est le vecteur des probabilité de verser le capital aux différentes dates. Exemple9 Le plus simple est probablement la valeur actuelle probable d’un capital différé (pure endowment) kEx, correspondant à la valeur actuelle probable d’un capital de 1 dans le cas où une personne actuellement d’âge x soit encore en vie à au bout de k années, i.e. kEx = 1 (1 + i)k P(T > x + k|T > x) = 1 (1 + i)k kpx où kpx désigne la probabilité qu’un individu d’âge x atteigne l’âge x + k. 93
  94. 94. Arthur CHARPENTIER, JES 2010, assurance 5 Exemple10 Considérons le cas du versement d’une unité monnétaire, commençant dès aujourd’hui, et continuant tant que l’assuré sera vivant (on parlera d’annuité vie entière). On supposera l’annuité payable d’avance. On peut montrer que äx = ∞ k=0 1 (1 + i)k kpx = ∞ k=0 kEx Plus généralement, on veut considérer non pas des assurance annuelles, mais temporaires, d’une durée de n années, i.e. näx = n−1 k=0 1 (1 + i)k kpx = n−1 k=0 kEx Notons que l’on peut également différer de h années, h|näx = h+n−1 k=h 1 (1 + i)k kpx = h+n−1 k=h kEx 94
  95. 95. Arthur CHARPENTIER, JES 2010, assurance 5 Une table de mortalité est souvent présenté comme le suivi d’une cohorte dans le temps, avec L0 individus à la naissance. Lk est le nombre de survivants - au sein de la cohorte - à l’âge k. Classiquement, kpx = Lx+k Lx alors que kqx = Lx − Lx+k Lx . Par la suite, on utilisera le taux de hasard, kpx = Pt(T > x) = exp x 0 µydy ou, si on ne considère que des valeurs discrètes kpx = Pt(T > x) = exp x y=0 µy où µy = log Dy Ey . 95
  96. 96. Arthur CHARPENTIER, JES 2010, assurance 5 5.2 Extention dans un cadre dynamique Dans le cadre statique, toutes les grandeurs pouvaient être construites à partir des Lx, ou des 1px, où x était l’âge des individus (au moment où ils souscrivaient une police d’assurance). Ici, nous allons intégrer la dimension temporelle, en notant qu’une table de mortalité est construite à une date t. Aussi, formellement, on notera Lx,t le nombre de personnes d’âge x en vie à la date t. Nous disposons ici de données françaises, avec la mortalité des femmes, des hommes, et de l’ensemble, entre 1899 et 2005. Ici on dispose de Dx,t le nombre de personnes décédée à l’âge x l’année t, et Ex,t l’exposition. Pour commencer, on peut visualiser l’évolution de la surface du taux de mortalité, afin de mieux comprendre la nécessité d’une analyse dynamique de la démographie, où µx,t = log Dx,t Ex,t 96
  97. 97. Arthur CHARPENTIER, JES 2010, assurance 5 Age 0 20 40 60 80 Année 1900 1920 1940 1960 1980 2000 tauxdemortalité −8 −6 −4 −2 97
  98. 98. Arthur CHARPENTIER, JES 2010, assurance 5 0 20 40 60 80 100 −8−6−4−20 Age Tauxdemortalité Hommes Femmes Figure 9 – Taux de hasard x → µx,t en t = 2000. 98
  99. 99. Arthur CHARPENTIER, JES 2010, assurance 5 Compte tenu du lien entre le taux de hasard et les fonctions de survie, on peut en déduire les fonctions de survie à la naissance (c’est à dire x = 0), 99
  100. 100. Arthur CHARPENTIER, JES 2010, assurance 5 0 20 40 60 80 100 0.00.20.40.60.81.0 Age Fonctiondesurvie(àlanaissance) Hommes Femmes Figure 10 – Survie (à la naissance), en t = 2000, i.e. x → Pt(T > x). 100
  101. 101. Arthur CHARPENTIER, JES 2010, assurance 5 0 20 40 60 80 100 120 0.00.20.40.60.81.0 Age Fonctiondesurvie(àlanaissance) 1910 1920 1930 1940 1950 1960 1970 1980 1990 Figure 11 – Rectangularisation des fonctions de survie à la naissance. 101
  102. 102. Arthur CHARPENTIER, JES 2010, assurance 5 5.3 La lecture transversale des tables En fait, cette lecture transversale des tables - bien que correspondant à ce que nous avions fait jusqu’à présent - ne paraît pas valide. Aussi, afin de lire la fonction de survie pour un individu (ou une cohorte), on ne lit plus la base par année, mais suivant une diagonale. 102
  103. 103. Arthur CHARPENTIER, JES 2010, assurance 6 Le modèle de Lee & Carter La modélisation retenue pour le taux instantané de mortalité est log µx,t = αx + βxκt + εx,t, avec les variables aléatoires εx,t i.i.d. ; l’idée du modèle est donc d’ajuster à la série (doublement indicée par x et t) des logarithmes des taux instantanés de décès une structure paramétrique (déterministe) à laquelle s’ajoute un phénomène aléatoire ; le critère d’optimisation retenu va consister à maximiser la variance expliquée par le modèle, ce qui revient à minimiser la variance des erreurs. On retient en général les deux contraintes d’identifiabilité suivantes : 120 x=0 βx = 1 et 2005 t=1900 κt = 0. 103
  104. 104. Arthur CHARPENTIER, JES 2010, assurance the age factors (αx, βx) the time factor t 104
  105. 105. Arthur CHARPENTIER, JES 2010, assurance exp[αj + βjγt] exp[αj + βj ˜γt] on past observations on the future 105
  106. 106. Arthur CHARPENTIER, JES 2010, assurance L’estimation des paramètres s’effectue en résolvant (numériquement) ˆα, ˆβ, κ = arg min x,t (log µxt − αx − βxκt) 2 , où α = (αx), β = (βx) et κ = (κt). Ces cooefficients sont représentés sur la Figure 12. 106
  107. 107. Arthur CHARPENTIER, JES 2010, assurance q q q q q q q qqqqqq q q q q q q qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq qq qq q qq q q q qq qqqqqqqqqqqqqqqqq q q 0 20 40 60 80 100 −7−6−5−4−3−2−1 Age q q q q q q q q qqq q q q q q q q q q q qqqqqqqq qq qq q q q q q q q q q q q q q q q qqq qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq qqq qqq qq q q 0 20 40 60 80 100 0.0050.0100.0150.0200.025 Age Figure 12 – Estimation des coefficients ˆα = (ˆαx) et ˆβ = (ˆβx). 107
  108. 108. Arthur CHARPENTIER, JES 2010, assurance Une fois l’ajustement réalisé sur les données disponibles, on peut réaliser des projections de la mortalité future, c’est à dire du coefficient κt, comme sur la Figure 13 108
  109. 109. Arthur CHARPENTIER, JES 2010, assurance qq qqqqqqqqq q q qq q q q q q q qqqqqqq qq q qqqqqqqqqq q qq q q q qq q q qq q q qqqq qqq q qq qqqqqq qqqqqqq qqqqqqqqqq qqqqqqq qqqqqqqqqq qq 1900 1950 2000 2050 2100 −300−200−1000100 Années Figure 13 – Estimation et projection des coefficients κ = (κt). 109
  110. 110. Arthur CHARPENTIER, JES 2010, assurance On peut utiliser ces prédictions (en l’occurence à l’aide d’un processus ARIMA(1, 1, 0) pour prédire l’évolution l’espérance de vie des assurés, 110
  111. 111. Arthur CHARPENTIER, JES 2010, assurance 0 20 40 60 80 100 020406080 Age Espérancedevierésiduelle Figure 14 – Espérances de vie (résiduelle) à l’âge x, à la date t = 2000. 111
  112. 112. Arthur CHARPENTIER, JES 2010, assurance Mais au delà des travaux sur les µx,t, on peut également travailler sur une modélisation des nombres de décès Dx,t. Et le modèle de Lee & Carter (qui repose sur une idée de modèle Gaussien pour µx,t peut alors servir de base. L’approche proposée par [3], [9], [5] ou encore [21] consiste à supposer (comme sur les modèles de provisions) que l’on peut modéliser le nombre de décès à l’aide d’un modèle GLM Poissonnien. Or compte tenu de l’analyse précédante sur les taux de décès µx,t, il est légitime de considérer un modèle Dx,t ∼ P(Ex,t exp[µx,t]). On considère alors une régression Poissonnienne, avec le logarithme de l’exposition comme variable offset, mais compte tenu du modèle de Lee & Carter, il ne s’agit plus d’un modèle GLM, les facteurs α, β et κ n’intervenant plus de manière linéaire. Mais il est toujours possible d’estimer les paramètres à l’aide d’algorithmes numériques. Et de même que pour les modèles de provisionnement on peut alors commencer une analyse des résidus, 112
  113. 113. Arthur CHARPENTIER, JES 2010, assurance Résidus de Pearson , εx,t = Dx,t − Dx,t Dx,t , en fonction de l’âge x q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q qq q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q 0 20 40 60 80 100 1910 1920 1930 1940 1950 1960 1970 1980 1990 113
  114. 114. Arthur CHARPENTIER, JES 2010, assurance Résidus de Pearson , εj,t = Dj,t − Dj,t Dj,t , en fonction du temps t q q qq qqqqqq q q q qq q qqq qq qq q qq qqq q qq qq q q q q qq qq q q q q qq q qq qq qq q q q q qqq qq qq q q q q q qq q q q qq q q q qq q qqqqq q qqqqq q q qq q q qqqq q q q qqqqqq qqqq q qq qqq q qqqq q qq qq q qqqqq q q q qq qq qqq q q q q qq q q qqq q qq q q q qq q qq q q q q qq q qqqqq q qqqqq q q qqqq qqqq q q q qq qqqqqqqq q qq qqqq q qqq q q q qqqqqqq q q q qqqqqqqq q q q qqqqqqqq q q q q qqq q q q q q q q q q qqqqq qq q qqqqq q q qqqqqqqq q q q qqqqqqqq qq q qqq qq qqq qq q qq q qqqqqq q q qq q qqqqq qq q q q q q q qqq q q q q q q qqq qq q q q q q q qqqqqq q q qqqqq q q qqqqqqqq q q q qqqqqqqqqq q qq qqq qq qqq q q q q qqqqqqq q qq qq qq q qqq q q q qqqqqq q q q q q qqq q q qq q q q q qqqqqqq q q qqqqq q q qqqqqqqq q q q qq qqqqqqqq q qq q qqqqqqq q q q qqqqqqq q q q q qqq qqqq q q q qqqqqqqqq q q q q qqqqqq q q q q qqqq qqqq q q qqqq q q qqqqqqqq q q q qq qqqqq qqq q qq qq qqqqqq q qq qqqqqqqq q qqq qqqqq q q q qqqqqqqqq q q q q q qqq q qq q q q qqq qqqqqq q qqqq q q q qqqqqqqq q q q qq qqqqq qqq q qq qqq qqq qq q qq qqqqqq q q q qqqq qqq qq q q q q q qqq qqq q q q q q q qqq q q q q q q qqqqqqqq q q q qqq qq qqqqqqqq q q q qqqqq qqqqq q qqq qqq qqqq q qqq qqqqqqqqq qq qqqqqq qqqqqqq qqqqqqqqq qqq qqqqqqqqqqqqqq q q qqqqq q q qqqqqqqq q q q qqqqqqqqqq q qqqq qqq qqq q qqq qqqq qqq q qq qqqq qqqqq q qqq qqq qq qq qqqqqqq qqq q qqqqqqqqqq q qqqqq q q qqqqqqqq q q q q qq q qqq qqq q qqqqqqqq q q q q qqq q qqqqqqqqqqqqqqqqqq q qqq qqqqq q qqqqqqq q qqqqqqqqqqqqq q qqqqq q q qqqq q qqq q q q qqqqqq qqqq q qqqqqq qqq q q qqqqqqqqqqq qqqqqqqqqq q qqq qqqqqqq q qqqqqqqqq q q qqqqqqqqqq q qqqqq q q qqqq qqqq q q q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqqqqqqqq qq qqqqqqq q qqq qqq qq qqqqqqqq q qq qqqqqqqqqqqqqqq q q q qqqqqqq q q q qqqqqqq qqq q q q qqqqq q qq q qqqq qqqqqq q qqqqqqqqq q q qqqqqqqq q qq qqq qqqqq qq q qqqqqqqqqq q qqqqq q q qqqqqqq q q q q qqqqqqqqqq q q qqqqqq qqq q qqqq q q qqq q q qqqqqqq qq q q qqqqqq q qq qqqq qq q q q qqq q qq q qqqqqqq q qqq qq q q qqqqqqqq q q q q q q qq q q q qq q qq q q q q q qqq q q q qqq qq qqq q qqqqqqqqqq q qq qqqq q q qqq qq q qq qqqq qqq qqqqqqqqq q qqqqq q q qqqqq qqq q q q q q q q qqqq qq q q qqq q q q q q q q q q q q qqqq qq q qqqqqqqqqq q q qqqqqqq q qq q q qq qq qqqq q q qq qqqqqqq q q qqqq q q qqqqqqqq q q q q q q q q qqqq q q q qqqq q q q q q q qqq q qqqqq q q q qqqqqqqqq qqqqqqqqqq qq qqqqqqqqq qq qqqqqqqqqq q q qqqq q q qqqqqq q q q q q q q q qq q qqqq q qqqqqq q q qq q qqqqq qqqqq qqqqqqqqqqq qq qqqqqqqqq qqq q qqq qq qqqqqqqqqqqqq q qqqqq q q qqqq qq q q q q q q q q qq q qqqq q qq q q qq q q q q q q q q q q qqqqq q qq qqqq qq q q q qq qq qq qqqq q q q qq q qq qq q q q qq qqq qq qq q qqqqq q q qqqq qqqq qq q qqq q qqqqqqqqqqqqqqq q q q qqqqqqq qq qq q qqqqqqqqq q qqqqqqqqqq q qqqqqqqq q q q qqqqqqqqqq q qqqqq q q qqqqq qqq q q q q q qqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q q qqqqqqqq q q qqqqqqqqqq q qqqqq q q qqqqqqqq qq q q qqqqqqqqq q qqqqqqqqqq q qqqq qqqqqq q qqqqqqqqqq q qqqqqqqqqq q qq q qqqq q q q q qqqqqqqqqq q qqqqq q qqqqqqqqq q q q qqq qqqqqqq q qqq qqqq qqq qqqqqqqqqqq qqqqqqqqqqq q qqq qqqqqq q qqqq q q qqqqq q qqqqqqqqqqqqqqqq q q qqqqqqqq q q q q qqqqqqqqq q qqqq qqqqq qqqqqqqqqqqqqq qqqqqq qq qqqqqqq qqq qqqqqqq q qqqqqq qq qqqqqqqqqqqqqq q q qqqq qqqq q q q q qqqqqqqqq q qqqqqqqq qqqqqqqqqqqqq q qqqqqqqq qq q qqqqqqqqqq q qqqqqq qqqq qqqqqqq q qqq q qqqqq q q qqqqq qqq q q q q qqqqqqqqq q qqqqqqqqqqqqqqqqqqqq q qqqq qqqqqqq q qqqqqqqqqq qq qqqq q q q qq q qqqqqqqqqq q qqqqq q q q qqq qqqq q q q q qqqqqqqqq q qqqqqqqq qqqqqqqqqqqqqqqqqq qqqqqqqqqqqq qqqqq qqqqqqq q q qqqqqqqqqqqqq qqqqqq q q qqqq qqqq q q q qqqqqqqqqq q qqqqqqq qq q q qqqqqqq qqqqqqqqq qq q qq q qqqqqq q q qq q q q qqqq q qq qq qqqqqq q q qqqqq qqq q q qqq qqq q q q q q q qqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqq qqqqq qqqqqqqqq qq qqqq qqqq q qq q qqqqq q qqqqqqqqq q q qqqq qqqq q q q q qqqqqqqqq q qqqqqqq qq qqq qqqqqqq q qqqq q qq q q qq q qq qqqqqqqqq q qqqqqqqqqq q qqqqqqqqqqqqqqqq q q q qqqq qqq q q q qqqqqqqqqq q qqqqqqqqqqqqqqqqqqqq q qqqqqqqqq qqqqqqqqqqqqq q qqqq qqqq qq q q q qqqqqqqq q qqqqq q q qq qqqq qq q q q qq qqqqqqqq q qqqqqqqqqqqqqqqqqqqqq qqqq qqqqqq qqq qqqqq qqqq qq qqq q qq qqq q qq q qqqqqqqqqqqqq q q qqq qqqq q q q q qqqqqqqqqq q qqqqqqqqqqqqqq qqqqqqqqqqqqqqqqqq qqqqqqqq qqq qqqqqqqq qqqqqq q q qqqq qq q qqqqq q q qqqq qqq qq q q qqqq qqqqqq q qqqqqqqqqqq q qqqqqqqqq q qqqq qqq qqq q q qqqqq qqqq q qqqqqqqqq q qqqqqqqqqqqqqqqqq q q qqqqq q qq qq q qqqqqqqqqq q qqqqqqqqq qqqqqqqqqqqqqq qqqqqqqqq qq q qqqqqqq q qqqqq qqq qqq q qqqqq qqqqq q qqqqq q qqq q qqq qqq q qqqqqqqqqqq q qqqqqqqqqq q qqqqqqq qqq q qqqqqqqq q q q qqq qqqqqqq q qqqq qqqq qq qq qqqqqqqqqqqqqqq q q qqqqqq q qq q q q q qqqqqqqq q qqqqqq qqqq q qqqqqqqqqq q qqqqq qqqqq q qqq q qqqqqq q qqqq qqqqqq qqqqqqq q q qqqqqqqq q q qqqqqqqq qqqq qqqqqqqqq qqqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqq q qqq q q q qqqqqqqqqq q qqqqqqqqqq q qqqqq q qqqqqqqqqqq qqq q q qqqqqqqqqqqqq qqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqq qqqq q qq q qqqqqqq qqqqqqqqqqq qqqqqq qqqqqqqqqq qqqqqq qq qqqqqqqqqqqqqqqq q qqqqqqqqqq q qqqqqqqq qq q qqqqqqq qq q q qqqqqq q qqq q qqqqqqqqqqq qqqqq q q qqqqqqqq q q q q q q q qq q qqq q q q qqqq qqq q q qqqqqq q qqq q qqqqqqqqqq q q qqqqqq q q q q q q q qqq qq qq q qqq qqqqqqq q qqqqq qq qqqqqqqq qq q q qqqqqqqqqq qqqqqqq qqq q qqqqqqqqqq q q q q qqqqqqq q q qqqqqqqq q q qq qq qqq qq q q q qqqqqqq qq q qqqqq q q qqqqqqqq qq q q qq qqq qq qq qqqqqqqqqqqqqqqqqqqqqq q qqqqqqqqqq q qqqqqqqqq q q q qq qq q qqqq q qqqqqqqqqq q qqqqq q q qqqqqqq q q q q qq q q q qq q q q q q qqqqqqqqq q qq qqq qqqqqq qqqqqqqqqq q qqqqqqqqqq q qqqq qq qq qq q qqqqqqqqqq q qqqqq q q qqqqqqqq q q q qqq q qq qq q q q q q qqqqq qqq q qqqqqqq qqq q q qqqqqqqqqq qqq qqqq qqq q q q q qq q q q q q q q qqqqqqqqq q qqqqq q q qqqqqqq q q q qq q qqq q qqq q q q q qq qqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqq q qqqqq q qqqq qqq qq q q qqqqqqqqqqqqqq qq q q qqqqqqqqqq q qqq qqqqq qq q qq qqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqq q qqqq q qqq q qqqqqqqqqqqqqqqqqqqqqqq q qqqqqqqqq qq q qqqqqqqq q qqqqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q q qqqqqqqqqq q qqqq q qqqq qqqqqqqqqqqqqqqqq q qqqqqq qqqqq q qqqqqqqq q qqqq q q qqqqqqqqqqqqqqqqqqqq qqqqqqqqqqqqqq qqq qq q qqqqqq q qqqqqq qqqq qqqqq qqqqq q qqqqqqq qq qq q qqqqqqqqq qq q qq q q qqqqq qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq q q q q q qqqq q qq q qqqq qqqqqq q qqqqq q qqqqqqqqq qqq qqqqqqqqqqqqqqqqq qqqqqqqqqqqqqqqq qqqqqqqqqq qqqqqqqqq qq q q qqqqqqq q q q qqqqqqqqqq q qqqqq q qqqqqqq qqqqq qqqqqqqqqqqq qqqqqqqqqqqqqqqqqqqq q qqqqqqqqqq q q q qqqqqqqq q q qqqq qqqq q q qqqqqqqqqq q qqqqq q q qqqqqqqqqq q qq qqqqqqqqq qq q q qq q q qq qqqqqqqqqqq q qqqqq qqqqq q qqqqqqqqqq q qq qqqq qqq q q q qq qqqqqqq q qqqqq q q qqqqqqqqqq q qqqqqqqqqqqqqq q qqqqqqqqqqqqq qqqq q qqqqqqq qqq q qqqqq qqqqq q qqqqqqqqqq q q q qq qqqqqq q qqqqq q q qqqqqqqqqq q qqqqqqqqqqqqqqq qqqqqqqqqqqqqqqq q q qqqqqqqqqq q qqqqqqqqqq q qqqq qqq qqq q qq q qqqqqqq q qqqqq q q qqqqqq qqqqqq qqqqqqqqqqqqqqq q qqq qqqqqqqqqqqq q qqqqqqqqqq q qqq qqqqqqq q qqqq q qqqqq q q qq q qqqqqq q qqqqq q q qqqqqqqqqqqq qq qqqqqqqqqqqqqq q qqqqq qqqqqqqqq q qqqqqqqqqq q q qqqqq qqqq q qqqqqq qqqq q qqqq q qqqqq q qqq qq q qqqqqqqqqqqq qqq qqqqqqqqqqqqqqq qq qqqqqqqqqqqq q qqqqqqqqqq q qqqqqqqqq q q qqqqqq q qqq q q qqqq q qqqq q qq qqq q qqqqqqqqqqqqq qq qqqqqqqqqqqqqqqq q q qqqqqqqqqqqq qqqqqqqqqq q qqqqqqqqqq q qqqq qqq q qq q qqqqqq qqqq q qqqqq q qqqqqqqqqqqqqqq qqqqqqqqqqqqqqqqqqq qqqqqqqqqqqqqqqqq qqqq q qqqqqqqqqq q q qqqqqqqq q q qqqq qqq q qq q qqqqq q q qqqqqqqqq qqqq qqqqqqqqqqqqqqqqqqqqq qqqq qqqqqqqqq qqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqq qq q qqqqq q q qqqqqqqqqq qqqq qqqqqqqqqqqqqqqqqqqq q qqqqqqqqqqqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqqq qq qqqqq q q qqqqqqqqqq qqqqqqqqqqqqqqqqqqqqqqqqqq q qqq q qqqqqqqqqqqqq q qqqqqqqqqq q qqqqqqqqq q q qqqqqqqqqq q qqqqq q q qqqqqqqqqq qq qqqqqqqqqqqqqqqqqqqqqqqqqqq q q q qqqqqqq qqqqq q qqq qqqq qqq q qqqqqqqqqq q qq q qqqqqqq q q qqqq q q qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq qq q qqqqqqqqqqqq q qqqqq qqqqq q qqqqqqqqqq q qqqq q qqqqq q qq qqq qq qqqqqqqqqq q qqqqqqqqqqqqqqqqqqqqqqqqqqq q q qq qq q qqqq qqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqq qq q q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqqqqqqqqq q qqqq q q qqqqqqqq q qqqqqqqqqq q qqqqqqq q qq q qqqqqqqqqq q qqqqq qq qqqqqqqq qq q q qqqqqqqqq qqqqqqqqqqqqqqqqq qq q qqqq q qqqqqqqq q qqqqqqqqqq q qqqqqqqq q q q qqqqqq q qqq q qq qqq qq qqqqqqqq qq q qqqqqqqqqqqqqqqqqqqqqqqqqqqqqq q qqqq q qqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqqq q qq q qqqqq q q qqqqqqqqq q q qq qqqqqqqq qqqqqqqqqqqqqqqqqqqqq q qqqq q qqqqqq q qqqqqq qqqq q qq qqqqqqqq q qqqqqqqq q q q qqqqq qq qqqqqqqq qq q qqqqqqqqqqq qqqqqqqqqqqqqqqqqqqqqqq qqq q qqqqqq qq qqqqqqqq q qqqqqqqqqq q qqqqqqqqqqq qqqqq q q qqqqqqqq qq q qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq q qqqq qqqqqq qqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq qqqqqq q q qqqqqqqq q q q q qqq qqqqqq q qqqqqqqqqqqqqqqqqqqqqqqq q q qq q q qqqqqqqqqqq qq q qqqqq qqqqq q qqqqqqqq qqqqqqqq q q qqqqqqqq q q q q qq q qqqqqq q qq q qqqqqqqqq qqqqqqqqqqqqq q q qqq q q qqqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqq q q qqqqqqqq q q q qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq q q qq q q qqqqqqqqqqq q qqqqqqqqqq q qqqq q qqqqq q qqqqq q q qqqqqqq q q q q qq qqqqqqqq qqqqqqqqqqqqqqqqqqqqqq q qqqqq q q qq q q q qqqq qqqqq q qqqqq qqqq q q qqqqqqqqqq q qqqqq q q qqqqqqqq q q q qqqqqq qqqq qqqqqqqqqqqqqqqqqqqqqqq qqqqqq q q qqq q q qqqq qqqq q qqqqqqqqqq qq qqqqq qqqq q qqqqq q q qqqqqqq q q q q qq qqqq qqqqqqqqqqqqqqqqqqq qqqqqqqqqqqqqqq q qqq q q qqqqq qqqq qqqqqqqqqq qqqqqqqqqqqqqqqqq q q qqqqqqqq qq q qq qqqqqqqqqqqqqqqq q qqqqqqqqqqqqqqqqqqqqqq q qqqq q q q q qqqqqqqqqqqqqqq q qqqqqqqqqqqqqqqq q q qqqqqqqq qq q qq qqqqqqqq q qqqqqqqqqqqqqqqqqqq qqqqqq qqqqqq q q q qq q q qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq q q qqqqqq qq q q q qqqqqqqqqq q qqqqqqqq qqqqqqqqqqqqqqqqqqq qqqqqq q q qq q q qqqq q qqqqqqqqqqq qqqqqqqqqqqqqq qq q q qqqqqqqq q q q qqqqqqqqqq q qqqqqqqqq q q qqqqqqqqqqqqqqqqqqqqqqq q q qq q q qqq q qqqqqqqqqqq qqqqqqqqqqqqqqqq q q qqqqqqqq q q q qqqqqq qqqq q qqqqqqqqqq qqqqq qqqqqqqqqqqqqqqqqqqq q qqq q q qq q qqqqq qqqqqqq q qqqqqqqqqqqqqq q q qqqqqqqq q q q qqqqqqq qqq q qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq qqq q q qq q q q q qqqqqqqqqqqqqqqqqqqqq q qqq qq q q qqqqqqqq q q q qqqqqqqqqq q qqqqq qqqqqqq qqqqqqqqqqqqqqqqqqqqqqqqq q q qq q qq qqqqqqqqq qqqqqqqqqqqqqqqqqq q q qqqqqqqq q q q qqqqqqqqqq q qqqqqqq qqqqqqqqq qqqqqqqqqqqqqqqqqqqqqq q q qq q qq qqqqqqqqqq qqqqqqqqqqq qqqq q q q qqqqqqqq q q q qqqqqqqqqq q qqqq qqqqqqqqqqqq qqqqqqqqqqqqqqqqqqqqqqq q q qq q q q qq q qqqqqqqqqqqqqqqqqqqqqq q q qqqqqqqq q q q qqq q qqqqqq q qqq qqqq qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq q qq q q q q qqqqqqq qqqqqqqqqq qqqq qqq q q qqqqqqqq q q q qqqqqqqqqq q qqqqqqqq qq qqqqqqqqqqq qqqqqqqqqqqqqq qqqqqq q q q qq q q qqqqqq q qqqqqqqqqq qqqqqq q q qqqqqqqq q q q qqqqqqq qqq q qqqqq qqq qq q qqqqqqqqq qqqqqqqqqqqq q qqqqqq qqq qq q qq q q qqqqq q qqqqqqqqqqqqqqqq q q qqqqqqqq q q q q qqqqqqq qq q qq qqqqq qq q q qqqqqqqqq q qqqqqqqqqqqq qqqqqqqqqq q q q qq q q qqqq q qqqqqqqqqqqqqqqq q q qqqqqqqq q q q qqqqqqq qqq q qqq qqq qqqq q qqqqqqqqqqq q qqqqqqqqq q qqqqqqqqqq q q q q qq q q q qq q qqqqqqqqqq q qqqqq q q qqqqqqqq q q q q qqqqqqq q q q qq qq qq qqqq q qqqqqqqqqqqq q qqqqqqqq q qqqqqqqqq q q q q q q qq q q qq q qqqqqqqqqq q qqqqq q q qqqqqqqq q q q qqq qqqqqqq q qqqqqqq qqq q qqqq qqqqqqq qq qqqqqqqqqqqqqqqqqqq q qqq q q qq q q q q qqqqqq qqqqq qqqqq q q qqqqqqqq q q q q q qqqqqqqq q qqqqqq qq q q q qqqqqqqqqqqqqq q qqqqqq q qqqqqqqqqq q qqqq q q qq q q q qqqqqqqqqq q qqqqq q q qqqqq qqq q q q qqqq q qqqqq q qqqqq qq qqq q qqqqq qqqqqqqqqq q qqqqq q qqqqqqqqqq q q qqqq q q qq q q q qqqqqqqqq q qqqqq q q qqqqqqqq q q q q q qqqqqqqq q qq qqqqqq qq q qqq qqqqqqqqqqqqq q qqqq q qqqqq q qqqq q qqqqqq q q qq q q q qqqqqqqq qqqqqq q q qqqqqqqq q q q q qqqq qqq qq q qqq qqqqqqq q qqqqqqqqqqqqqqqqq qqqq q qqqqqqqqqq q q qqqqqq q q q q q q q qqqqqqq q qqqqq q q qqqqqqqq q q q q qq qqqqq qq q qqqqqqqqqq q qqqqqqqqqqqqqq qqqqqqq qqqqqqqqq qq q qqqqqqqq q q q qq q q qqqqqq q q qqqq q q qqqqqqqq q q q qqqq qqqqqq q qqqqqqqqqq q qqqqqqqqqqqq qqqqqqq q q q qqqqqqqqqq q qqqqqqqqq q q q qq q q qqq qq qqqqqq q qqqqqqqqq q q q qqqqqqqqqq q qqqqqqqq qq q qqqqqqqqqqqqqqqqqqqqq q q q qqqqqqqq q qqq qqqqqqq q q q qq q q qqqq q qqqqq q q qq qqqqqq q q q q qqqqq q qqq q qqqq qqqqqq q qqqqqqqqqqqqqqqqqqqqq q q qqqqqqqqq q qqqqqqqqqq q q q q qq q q qqq q q qqqq q q qqqqqqqq q q q q qq qqqqqqq q qqq qqqqqqq q qqqqqqqqqq qqqqqqqqqqq q q q qqqqqqqq q qqqqqqqqqq q qq q q qq q q qq q qqqqq q q qqqqqqqq q q q qqqq qq qqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqqqqqqqqq q qqq qqqq qqq q qqq q q qq q q qq q qqq q q qqqqqqqqq q q q qqqqqqqqqq q qqq q qqqqqq q qqqqqqqqqq q qqqqqqqqqqq qqq qqqqqqq q qqqqqq qqqq q q qqq q q qq q qq qqqqq q qqqqqqqqq q q q qqq q qqq qqq q qqqqqqq qqq q q qqqqqqqqq q qqqqqqqqqq q q qqq q qqqqq q qqqqq qqqqq q qqqqq q q qq q q q qqqq 1900 1920 1940 1960 1980 2000 10 20 30 40 50 60 70 80 90 114
  115. 115. Arthur CHARPENTIER, JES 2010, assurance Outliers can simply be understood in a univariate context. To extend it in higher dimension, [27] defined the depth(y) = min u,u=0 1 n n i=1 1(Xi ∈ Hy,u) where Hy,u = {x ∈ Rd such that u x ≤ u y} and for α > 0.5, defined the depth set as Dα = {y ∈ R ∈ Rd such that depth(y) ≥ 1 − α}. The empirical version is called the bagplot function (see e.g. [22]). 115
  116. 116. Arthur CHARPENTIER, JES 2010, assurance −2 −1 0 1 −1.5−1.0−0.50.00.51.0 q q q q q q q q q q q q q q q q q q q q −2 −1 0 1 −1.5−1.0−0.50.00.51.0 q q q q q q q q q q q q q q q q q q q q where the blue set is the empirical estimation for Dα, α = 0.5. 116
  117. 117. Arthur CHARPENTIER, JES 2010, assurance It is possible to extend it to define (past) functional outliers, 0 20 40 60 80 −8−6−4−2 Age LogMortalityRate −10 −5 0 5 10 15 −101234 PC score 1 PCscore2 q q qq q q qqq q qqq qq q qqq q q q qq q q q q q q qqq q q q q q q qq q qq q q qq q q q q q q qq q qqq q q q q q q q q q q q q q q qq q q qqq q qqq qq q qqq q q q q q q q q q q q q q q q q q q q qq q q q q qq q q qq q q qqqq q q q q q q q q q qqq q qqq qq q qq q q q q qq q q q q q q q q q q q q q 1914 1915 1916 1917 1918 1919 1940 1942 1943 1944 (here male log-mortality rates in France from 1899 to 2005). 117
  118. 118. Arthur CHARPENTIER, JES 2010, assurance [1] E. Astesan. Les réserves techniques des sociétés d’assurance contre les accidents automobiles. Librarite Générale de Droit & de Jurisprudence, Paris, 1938. [2] R.A. Bailey. Insurance rates with minimum bias. Proceedings of the Society of Actuaries, 50 :4–11, 1963. [3] Natacha Brouhns, Michel Denuit, and Jeroen K. Vermunt. A poisson log-bilinear regression approach to the construction of projected lifetables. Insurance : Mathematics and Economics, 31(3) :373 – 393, 2002. [4] S. Christofides. Regression models based on log-incremental payments. In Institute of Actuaries, editor, Claims Reserving Manual, 1989. [5] Iain Currie, James Kirkby, Maria Durban, and Paul Eilers. Smooth lee-carter models and beyond. In Annual meeting. Society of Actuaries, 2004. [6] Enrique de Alba. Claims reserving when there are negative values in the runoff triangle : Bayesian analysis using the three-parameter log-normal distribution. N. Am. Actuar. J., 10(3) :45–59, 2006. 118
  119. 119. Arthur CHARPENTIER, JES 2010, assurance [7] M. Denuit and A. Charpentier. Mathématiques de l’assurance non-vie : Tarification et provisionnement. Tome 2. Economica, 2005. [8] P. D. England and R. J. Verrall. Analytic and bootstrap estimates of prediction errors in claims reserving. Insurance : Mathematics and Economics, 25 :281–293, 1999. [9] S. Haberman and A. Renshaw. Mortality, longevity and experiments with the lee-carter model. Lifetime Data Analysis, 2008. [10] C. A. Hachemeister and J. N. Stanard. Ibnr claims count estimation with static lag functions. In 12th ASTIN Colloquium, Portimao, Portugal, 1975. [11] Henry. 1937. [12] B. JØorgensen. The theory of dispersion models. Chapman & Hall, 1997. [13] E. Kremer. Ibnr claims and the two-way model of anova. Scandinavian Actuarial Journal, pages 47–55, 1982. [14] Michael Kunkler. Modelling negatives in stochastic reserving models. Insurance : Mathematics and Economics, 38(3) :540 – 555, 2006. 119
  120. 120. Arthur CHARPENTIER, JES 2010, assurance [15] Ronald D. Lee, Lawrence R. Carter, Robert McNown, and Juha M. Alho. Modeling and forecasting U.S. mortality. 87(419) :659– ? ?, September 1992. [16] T. Mack. A simple parametric model for rating automobile insurance or estimating ibnr claims reserves. ASTIN Bulletin, 21 :93–109, 1991. [17] T. Mack. Distribution-free calculation of the standard error of chain-ladder reserve estimates. ASTIN Bulletin, 15 :133–138, 1993. [18] T. Mack. The standard error of chain-ladder reserve estimates : Recursive calculation and inclusion of a tail factor. ASTIN Bulletin, 29 :361–366, 1993. [19] M. Merz and M. V Wüthrich. Modelling the claims development result for solvency purposes. CAS E-Forum, pages 542–568, 2008. [20] A. E. Renshaw and R. J. Verrall. A stochastic model underlying the chain-ladder technique. British Actuarial Journal, 4 :903–923, 1998. [21] A.E. Renshaw and S. Haberman. A cohort-based extension to the lee-carter model for mortality reduction factors. Insurance : Mathematics and Economics, 38(3) :556 – 570, 2006. 120
  121. 121. Arthur CHARPENTIER, JES 2010, assurance [22] Ruts I. Tukey J.W. Rousseeuw, P.J. The bagplot : A bivariate boxplot. Annals of Statistics, 53 :382–387, 1999. [23] Klaus Schmidt and Angela Wünsche. Chain ladder, marginal sum and maximum likelihood estimation. Blätter der DGVFM, 23 :267–277, 1998. 10.1007/BF02808289. [24] Klaus D. Schmidt. A note on the overdispersed poisson family. Insurance : Mathematics and Economics, 30(1) :21 – 25, 2002. [25] G. Simonet. Comptabilité des entreprises d’assurance. L’Argus de l’Assurance, 1998. [26] G. Taylor. Separation of inflation and other effects from the distribution of non-life insurance claims delays. ASTIN Bulletin, 9(1) :219–231, 1977. [27] J.W. Tukey. Mathematics and the picturing of data. Proceedings of the International Congress of Mathematicians, 2 :523–531, 1975. 121

×