Dans la même rubrique
-
Partager cette page
Julie HUYGHE - Faculté des Sciences
Publié le 13 novembre 2026
– Mis à jour le 18 novembre 2026
Soutenance publique de thèse en vue de l'obtention du grade de Doctorat en Sciences
Titre de la thèse: "Beyond Accuracy in Nonlife Insurance Pricing: Adaptive Boosting Trees, Autocalibration, and Stochastic-Order Model Comparison"
Résumé:
Cette thèse porte sur l'estimation de la prime pure en assurance non-vie. La prime pure est la partie de la prime destinée à couvrir les sinistres, avant tout chargement de sécurité, de gestion ou de marge. Pour un assuré de caractéristiques X et un coût de sinistre Y, elle se définit comme l'espérance conditionnelle μ(X)=E[Y|X]. Ce choix se justifie par le fait que μ(X) minimise l'erreur de prédiction attendue pour toute divergence de Bregman, dont l'erreur quadratique est un cas particulier. La thèse défend l'idée qu'une bonne prime ne se juge pas à sa seule précision. Elle doit aussi satisfaire des propriétés d'équilibre, qui garantissent que les primes perçues correspondent aux sinistres attendus, tant globalement que par sous-groupe d'assurés. Le manuscrit s'organise en trois parties et rassemble trois contributions originales, complétées par plusieurs chapitres de mise en contexte et de revue de la littérature.
La première partie définit la prime pure et justifie le choix de l'espérance conditionnelle comme cible des modèles statistiques. Elle passe en revue les méthodes classiques d'estimation, principalement les modèles linéaires généralisés (GLM) et les modèles additifs généralisés (GAM). Elle rappelle pourquoi, au sein de la famille de dispersion exponentielle, la déviance unitaire est une divergence de Bregman, de sorte que sa minimisation vise exactement la moyenne conditionnelle.
La deuxième partie étudie les méthodes d'apprentissage automatique fondées sur les arbres de régression, et en particulier le boosting. La première contribution y introduit la machine Adaptive Boosting Tree (ABT). Celle-ci combine une étape de boosting exacte, valable pour la famille de Tweedie sous lien logarithmique, avec l'élagage par complexité de coût. L'algorithme fixe lui-même le nombre d'arbres, ce qui supprime une étape de validation croisée.
La troisième partie va au-delà de la précision et étudie les propriétés d'équilibre d'une tarification, à travers la notion d'autocalibration. Un prédicteur π ̂ est autocalibré lorsque E[Y | π ̂(X)] = π ̂(X). La deuxième contribution construit le premier test statistique d'autocalibration dans le cas continu, fondé sur les courbes de concentration et de Lorenz. La troisième contribution compare les modèles autocalibrés au moyen des ordres stochastiques. Elle montre que la dominance de Bregman y correspond à l'ordre convexe, tandis que la dominance de Tweedie correspond à l'ordre de la transformée de Laplace, strictement plus faible. Un dernier chapitre passe en revue des développements récents, dont la multicalibration et les bandes de calibration.
Ensemble, ces travaux suivent un fil conducteur unique, qui parcourt les grandes étapes de la tarification. On part de la définition de la prime pure, on passe à sa modélisation, puis à l'étude et à la vérification de ses propriétés d'équilibre, et l'on termine par la comparaison de différents modèles.
Résumé:
Cette thèse porte sur l'estimation de la prime pure en assurance non-vie. La prime pure est la partie de la prime destinée à couvrir les sinistres, avant tout chargement de sécurité, de gestion ou de marge. Pour un assuré de caractéristiques X et un coût de sinistre Y, elle se définit comme l'espérance conditionnelle μ(X)=E[Y|X]. Ce choix se justifie par le fait que μ(X) minimise l'erreur de prédiction attendue pour toute divergence de Bregman, dont l'erreur quadratique est un cas particulier. La thèse défend l'idée qu'une bonne prime ne se juge pas à sa seule précision. Elle doit aussi satisfaire des propriétés d'équilibre, qui garantissent que les primes perçues correspondent aux sinistres attendus, tant globalement que par sous-groupe d'assurés. Le manuscrit s'organise en trois parties et rassemble trois contributions originales, complétées par plusieurs chapitres de mise en contexte et de revue de la littérature.
La première partie définit la prime pure et justifie le choix de l'espérance conditionnelle comme cible des modèles statistiques. Elle passe en revue les méthodes classiques d'estimation, principalement les modèles linéaires généralisés (GLM) et les modèles additifs généralisés (GAM). Elle rappelle pourquoi, au sein de la famille de dispersion exponentielle, la déviance unitaire est une divergence de Bregman, de sorte que sa minimisation vise exactement la moyenne conditionnelle.
La deuxième partie étudie les méthodes d'apprentissage automatique fondées sur les arbres de régression, et en particulier le boosting. La première contribution y introduit la machine Adaptive Boosting Tree (ABT). Celle-ci combine une étape de boosting exacte, valable pour la famille de Tweedie sous lien logarithmique, avec l'élagage par complexité de coût. L'algorithme fixe lui-même le nombre d'arbres, ce qui supprime une étape de validation croisée.
La troisième partie va au-delà de la précision et étudie les propriétés d'équilibre d'une tarification, à travers la notion d'autocalibration. Un prédicteur π ̂ est autocalibré lorsque E[Y | π ̂(X)] = π ̂(X). La deuxième contribution construit le premier test statistique d'autocalibration dans le cas continu, fondé sur les courbes de concentration et de Lorenz. La troisième contribution compare les modèles autocalibrés au moyen des ordres stochastiques. Elle montre que la dominance de Bregman y correspond à l'ordre convexe, tandis que la dominance de Tweedie correspond à l'ordre de la transformée de Laplace, strictement plus faible. Un dernier chapitre passe en revue des développements récents, dont la multicalibration et les bandes de calibration.
Ensemble, ces travaux suivent un fil conducteur unique, qui parcourt les grandes étapes de la tarification. On part de la définition de la prime pure, on passe à sa modélisation, puis à l'étude et à la vérification de ses propriétés d'équilibre, et l'on termine par la comparaison de différents modèles.
Date(s)
Le 4 décembre 2026
FRIDAY, 4 DECEMBER 2026 4:00 PM CET (BRUSSELS TIME)
- Huyghe_Public Announcement.pdf PDF, 195 Ko