Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Gestion quantitative du risque en nance et assurance

Tarication et hétérogénéité : la théorie de la crédibilité
Di Bernardino

elena.di_bernardino@cnam.fr

CNAM, 292 rue Saint-Martin, 75003 Paris, FRANCE,

A.A. 2017-2018

STA217 A.A. 2017-2018

1 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Introduction

Nous présentons des approches semi-paramétriques de tarication qui tiennent

compte de :

L'hétérogénéité au sein d'un portefeuille entre les classes de risque;

L'hétérogénéité résiduelle au sein d'une classe de risque.

Ces approches sont basées sur des modèles à variables cachées et sont connues
dans la littérature actuarielle sous le terme de modèles de crédibilité.

Nous allons présenter :

Le Modèle de Bühlmann-Straub où le niveau du risque de la classe de risque

dans le portefeuille est une fonction d'une variable cachée.

Le Modèle de Jewel où le niveau du risque de l'assuré dans le portefeuille est

une fonction de deux variables cachées, l'une donnant le niveau pour la
classe, l'autre donnant le niveau à l'intérieur de la classe.

STA217 A.A. 2017-2018

2 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Modélisation de l'hétérogénéité entre les classes :

modèle de Bühlmann-Straub

On considère un portefeuille d'assurance scindé en K classes de risque homogènes

et observé sur T périodes. On note n , le nombre d'individus de la classe I ,
k t k

pour la période t = 1, . . . , T . Les individus ne sont pas nécessairement les mêmes

d'une période à l'autre.

On note Y k,
i t la variable aléatoire relative aux sinistres de l'individu ik, pour
ik = 1, . . . , nk ,t , de la classe I
k pour la période t. Y k,i t peut être un nombre
de sinistres, un montant de sinistres, un rapport sinistre sur prime, etc. On
considèrera ici comme un montant de sinistres.

Θk est une variable aléatoire cachée (non-observable) caractérisant le niveau

du risque de la classe I . Les variables aléatoires Y k , pour i = 1, . . . , n ,
k i t k k t

et t = 1, . . . , T , conditionnellement à Θ = θ , sont indépendantes et de

k k

même loi.

STA217 A.A. 2017-2018

3 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Les hypothèses du modèle :

(H1) Il existe des fonctions µ et σ2 et telles que pour ik ∈ Ik :

E[Yik ,t |Θk = θk ] = µ(θk ), Cov [Y k , , Y k ,

i t i t0 |Θk = θk ] = δtt 0 σ 2 (θk ), où:

t 6= t 0

0, si
δtt 0 =
si t = t
0
1,

(H2) Pour k = 1, . . . , K et p = 1, . . . , K , avec k 6= p , les vecteurs aléatoires

(Θk , Yik ,t ; ik = 1, . . . , nk ,t , t = 1, . . . , T ) et (Θp , Yip ,t ; ip = 1, . . . , np ,t , t = 1, . . . , T )

sont indèpendants. Les variables aléatoires Θ1 , . . . , ΘK sont indépendantes

et de même loi.

STA217 A.A. 2017-2018

4 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Pnk ,t
Soit X ,
k t = 1
kt
n , i k =1
Y k,i t le montant moyen des sinistres de la classe I
k pour la

période t. On a :

2
E[Xk ,t |Θk = θk ] = µ(θk ), Cov [X , Xk ,t 0 |Θk = θk ] = δtt 0 σn(θk ) .
,
k t
k ,t
On adoptera les notations classiques suivantes :

Paramètres structuraux

m = E[µ(Θ )] = E[X , ] k k t

a = V [E[X , |Θ ]] = V [µ(Θ
k t k k )],
σ 2 (Θ ) = V (Y k , |Θ ),
k i t k

2
s 2 = E[σ2 (Θ k )] (alors : E[V [Xk ,t |Θk ]] = s

kt
n ,
)

On notera que :

2
V [X ,
k t ] = V [E[Xk ,t |Θk )]] + E[V [Xk ,t |Θk ]] = a + s

kt
n ,
.

STA217 A.A. 2017-2018

5 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Variables aléatoires pondérées

Soit (nk ,t )k =1,...,K ; t =1,...,T la structure du portefeuille, on note :

nk · = Tt=1 nk ,t
P

n·· = n n
PK PT PK
k =1 t =1 ,
k t = k =1 k ·

X =
PT k tX
n ,
k · t =1 k k ,t
n ·

X ·· =
PK PT k tX
n ,
=
PK k
n ·
X
k =1 t =1 n·· ,
k t k =1 n·· k ·

STA217 A.A. 2017-2018

6 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimation des primes par classe de risque

La prime pure théorique des assurés de la classe I k est µ(θk ). Ni µ ni

θk ne sont connus et ne peuvent être utilisés pour se donner une idée de la
valeur de cette prime. On va donc chercher à estimer directement à partir
des observations.

La première idée est de proposer un estimateur basé sur les observations de

la sinistralité de cette classe, comme la moyenne empirique

b(θk ) = X k ·
µ

On pourra remarquer qu'il s'agit de la régression linéaire de µ(Θk ) sur

l'espace vectoriel engendré par (Xk ,t )t =1,...,T sous la contrainte que
l'espérance de la régression est égale à m(= E[µ(Θk )]).

On se propose de calculer les régressions linéaires de µ(Θk ) sur les espaces

vectoriels engendrés par (1, (Xk ,t )k =1,...,K ; t =1,...,T ) et ((Xk ,t )k =1,...,K ; t =1,...,T ).

Elles seront appelées respectivement estimateur de crédibilité non homogène

(C T (µ(θk ))) et estimateur de crédibilité homogène ( C T
h
(µ(θk ))).
STA217 A.A. 2017-2018
7 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimateur de crédibilité non homogène

Sous les hypothèses (H1) et (H2), l'estimateur de crédibilité (non homogène) de

µ(θk ) à partir des observations (Xk ,t )k =1,...,K ; t =1,...,T est égal à :

C T (µ(θk )) = (1 − zk )m + zk X k ·

où le coecient de crédibilité zk est déni par zk = an ·

s2
k
+a nk · .

L'erreur d'approximation est donnée par

2
e 2 (T ) = E[(C
k T (µ(θk )) − µ(θk ))2 ] = a(1 − zk ) = s2
as
+a nk · .

Remarques :

L'estimateur de crédibilité C T (µ(θk ) est une moyenne pondérée entre la

moyenne empirique de la classe X k · et la moyenne théorique générale
(indépendante des classes) m. Le facteur de pondération est le coecient de
crédibilité z
k. Ce facteur est d'autant plus grand que le nombre
d'observations de la classe est grand.

STA217 A.A. 2017-2018

8 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Remarques :

Si a = 0 et s 2 > 0, on a µ(Θ k )=m p.s et toutes les classes ont la même

prime pure. Il n'y a pas d'hétérogénéité entre les classes. La meilleure
approximation de µ(θk ) est donc m lorsque l'on s'autorise à régresser sur les
constantes. Dans ce cas, il est logique que z = 0 et e 2 (T ) = 0.
k k

De la même façon, si a > 0 et s 2 →∞ (très grand par rapport à a), les

observations sont beaucoup plus dispersées autour de µ(θk ) que µ(Θk )
autour de m. On choisira d'approximer µ(θ k ) par m et on prendra zk ≈ 0.

Si a > 0 et s 2 = 0, c'est que V [X ,

k t |Θk = θk ] = 0 et donc X k ,t = µ(θk ) p.s.
Toutes les variables d'un classes sont identiques et égales à µ(θk ). Il est
alors naturel d'approximer µ(θk ) par X k · et de choisir z k = 1.

De la même façon, si a → ∞ et s 2 > 0 (a très grand par rapport à s 2 ), la

dispersion de autour de la valeur moyenne m est grande (i.e. il y a une
grande hétérogénéité entre les classes) ⇒ m ne peut être un bon estimateur
de µ(θk ). Comme la variabilité des observations dans la classe est moindre,
il est préférable d'estimer µ(θk ) par X k · et de prendre z k ≈ 1.

STA217 A.A. 2017-2018

9 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimateur de crédibilité homogène

L'estimateur de crédibilité homogène C T

h
(µ(θk )) est obtenu comme la régression
de µ(Θk ) sur l'espace vectoriel engendré par ((Xk ,t )k =1,...,K ; t =1,...,T ) sous la
contrainte que E[CTh (µ(θk ))] = m.
Nous introduisons les notations suivantes :

z· = z
PK
k =1 K ,

ζ=
PK z kX m
k =1 z· k · (ζ est l'estimateur sans biais de )

Sous les hypothèses (H1) et (H2), l'estimateur de crédibilité linéaire homogène de

µ(θk ) à partir des observations (Xk ,t )k =1,...,K ; t =1,...,T est égal à :

C h
T
(µ(θk )) = (1 − zk ) ζ + zk X k ·

L'erreur d'approximation est donnée par

1−zk
(ekh (T ))2 = E[(CTh (µ(θk )) − µ(θk ))2 ] = a(1 − zk )(1 + z·
)

STA217 A.A. 2017-2018

10 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Remarque :

L'estimateur de crédibilité homogène C h

T
(µ(θk )) a la même forme que celui non
homogène où m est remplacé par ζ . On peut montrer que ζ est l'estimateur
sans biais de m de variance minimale parmi les fonctions linéaires des X · k

Avant de discuter de l'estimation des paramètres structuraux du modèle, on

pourra noter que :

si lim inf T →∞ n kT > 0, alors

X X ·· = 1 PK
limT →∞ k · = µ(θk ) et limT →∞
K k =1 µ(θk ), p.s.

STA217 A.A. 2017-2018

11 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimation des paramètres structuraux dans le

modèle de Bühlmann-Straub
Les estimateurs de crédibilitéC (µ(θ )) et C (µ(θ )) sont fonction des
T k
h
T k

paramètres structuraux a, m et s qui sont inconnus. Il faut donc les estimer

2

à partir des observations (X , ) =1,..., ; =1,..., .

k t k K t T

On peut montrer que :

la statistique X ·· et ζ sont des estimateurs sans biais de m et

V (X ·· ) ≥ V (ζ)
la statistique
PK PT
SK
2
= K (T1−1) k= 1 t= 1
nkt (Xkt − X k · ) 2

est un estimateur sans biais de s 2

;
la statistique
AK K nk · (X k · − X ·· ) − (K − 1)SK2
P 
1 2
=
n

PK  nk · 2

k= 1
·· 1− k =1 n
··

est un estimateur sans biais de a;

STA217 A.A. 2017-2018

12 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Modélisation de l'hétérogénéité entre les individus :

Le Modèle de Jewel

On considère un portefeuille d'assurance scindé en K classes de risque et observé

sur T périodes.

On note n k le nombre d'individus de la classe I , k = 1, . . . , K .

k Ces
individus demeurent au cours du temps dans le portefeuille. Il n'y a pas
d'entrées, ni de sorties.

On note Y k,i t le montant des sinistres de l'individu i k = 1, . . . , nk de la

classe I
k pour la période t.
ΘK est une variable aléatoire cachée (non-observable) caractérisant le niveau
du risque de la classe I
k dans le portefeuille.

ΛiK est une variable aléatoire cachée (non-observable) caractérisant le niveau

du risque de l'individu i
k dans la classe Ik.

STA217 A.A. 2017-2018

13 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Les hypothèses du modèle :

(H1) Il existe des fonctions µ0 , µ et σ2 et telles que pour i

k ∈ Ik :

* E[Yik ,t |Θk = θk ] = µ0 (θk ),

* E[Yik ,t |Θk = θk , Λik = λik ] = µ(θk , λik ),
* Cov [Yik ,t , Yik ,t 0 |Θk = θk , Λik = λik ] = δtt 0 σ2 (θk , λiK ),
où:
t 6= t 0

0, si
δtt 0 =
si t = t
0
1,

(H2) Pour k = 1, . . . , K et p = 1, . . . , K , avec k 6= p , les vecteurs aléatoires

* (Θk , Λ , Y k , ; i = 1, . . . , n , , t = 1, . . . , T ), et
ik i t k k t

* (Θp , Λ , Y p , ; i = 1, . . . , n , , t = 1, . . . , T )
ip i t p p t

sont indèpendants. Les couples de variables aléatoires (Θ1 , Λi 1 ), . . . ,

(ΘK , ΛiK ) sont indépendantes et de même loi.

STA217 A.A. 2017-2018

14 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Les hypothèses du modèle :

(H3) Pour k = 1, . . . , K , conditionnellement à Θ = θ les contrats i = 1, . . . , n

k k k k

sont indépendants ; c'est-à-dire que les n suites de variables aléatoires

k

(Λik , Yik ,t ; t = 1, . . . , T ), avec i

k = 1, . . . , nk ,

sont indépendantes conditionnellement à Θk = θ k .

(H4) Pour k = 1, . . . , K et ik = 1, . . . , nk ,

les variables aléatoires Y k,

i t pour t = 1, . . . , T sont indépendantes,

conditionnellement à Θk = θ k et Λik = λik .

STA217 A.A. 2017-2018

15 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

X 1
Y k, I
P
Soit = k ∈Ik
le montant moyen des sinistres de la classe pour la
,
k t
kt
n , i i t k

période t. On a :

E[Xk ,t |Θk = θk ] = µ0 (θk ).

On adoptera les notations classiques suivantes :

Paramètres structuraux

m = E[µ0 (Θ )] = E[µ(Θ , Λ )] = E[X , ],

k k ik k t

a = E[V [µ(Θ , Λ )]|Θ ], k ik k hétérogénéité intra-classe

b = V [µ0 (Θ )], k hétérogénéité inter-classe

s 2 = E[σ2 (Θ , Λ )]. k ik

Le paramètre b mesure la dispersion de µ0 (Θ ) autour de m. k Si b = 0, cela

signie que les classes de risque ont le même paramètre θk = θ et qu'il n'y a pas
d'hétérogénéitê entre les classes de risque.
On déduit que :

V [µ(Θ k , Λik )] = E[V [µ(Θ , Λ )|Θ ]] + V [E[µ(Θ

k ik k k , Λik )|Θk )]]
= a + V [µ0 (Θ )] = a + b
k

STA217 A.A. 2017-2018

16 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimation des primes des classes de risque et

des individus

On a donc :

V [µ(Θ k , Λik )] = E[V [µ(Θk , Λik )|Θk ]] + V [E[µ(Θk , Λik )|Θk )]] = a + b ,

L'hétérogénéité des primes pures µ(θk , λik ) au niveau du portefeuille est mesurée
par la somme de l'hétérogénéité intra-classe a et de l'hétérogénéité inter-classe b.

On se propose d'estimer les primes pures des classes de risques et des individus par
les régressions linéaires de µ0 (Θk ) et de µ(Θk , Λik ) sur les espaces engendrés par :

(1, (Yik ,t )k =1,...,K ;ik =1,...,nk ; t =1,...,T , µ0 (Θk )k =1,...,K ) et

((Yik ,t )k =1,...,K ;ik =1,...,nk ; t =1,...,T ).

STA217 A.A. 2017-2018

17 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimateurs de crédibilité non homogène

Sous les hypothèses (H1) à (H4)

Pour la classe de risque I k, l'estimateur de crédibilité (non homogène)

µ0 (θk ) est égal à :

C T (µ0 (θk )) = (1 − zk )m + zk X k ·

avec m = E[µ0 (Θ k )] et le coecient de crédibilité zk.

L'erreur d'approximation est donnée par

e 2 (T ) = E[(C
k T (µ0 (Θk )) − µ0 (Θk ))2 ] = b (1 − zk ),

où b = V (µ0 (θ k )).

STA217 A.A. 2017-2018

18 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimateurs de crédibilité non homogène

Sous les hypothèses (H1) à (H4)

Pour l'individu i k de classe de risque Ik, l'estimateur de crédibilité non

homogène de µ(Θk , Λik ) est égal à :

C T z )µ0 (θk ) + ez X kik ,

(µ(Θk , Λik )) = (1 − e

où z = znk ·
e
k
et X ki
1 PT
k = T t =1
Yik ,t .
L'erreur d'approximation est donnée par :

e 2k (T ) = E[(C
i T (µ(Θk , Λik )) − µ(Θk , Λik ))2 ] = a(1 − e
z ),
où a = E[V [µ(Θ k , Λik )]|Θk ].

STA217 A.A. 2017-2018

19 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimateurs de crédibilité homogène

Sous les hypoth`eses (H1) à (H4),

Pour la classe de risque I k, l'estimateur de crédibilité homogène de µ0 (θk )

est égal à :

C h
T
(µ0 (θk )) = (1 − zk )ζ + zk X k ·

pour l'individu i k de classe de risque Ik, l'estimateur de crédibilité homogène

µ(Θk , Λik ) est égal à :

CT
h
z )X k · + ez X kik .
(µ(Θk , Λik )) = (1 − e

STA217 A.A. 2017-2018

20 / 21
N
Introduction Modèle de Bühlmann-Straub Modèle de Jewel

Estimation de paramètres structuraux dans le

modèle de Jewell

On peut montrer que :

La statistique X ·· et ζ sont des estimateurs sans biais de m et

V (X ·· ) ≥ V (ζ)
Conditionnellement à Θk = θk , la statistique X k · est un estimateur sans
biais de µ0 (θk )

La statistique

S2
PT Pnk
1
(Yik ,t − X kik )2
PK
K
= n (T −1) k =1 t =1 ik =1

est un estimateur sans biais de s2

On peut obtenir (en partant de z
e et ζ) des estimateurs sans biais de a et b.

STA217 A.A. 2017-2018

21 / 21
N