Analyse et standardisation de méthodes de lissage pour une application globale à travers tous les risques d’un réassureur vie

Dans le domaine de la réassurance, l’asymétrie d’information entre l’assureur et le réassureur est un problème courant qui peut entraîner des tarifs de réassurance injustes. Pour remédier à cela, l’analyse d’expérience est utilisée pour fournir une meilleure compréhension des risques biométriques associés aux portefeuilles réassurés. Cependant, cette étude peut être chronophage et nécessiter des hypothèses fortes quant aux modèles d’estimation, ce qui peut impacter directement la tarification des traités de réassurance vie et santé. L’objectif de ce mémoire est alors de répondre à ces problématiques de modèles et d’estimations en présentant des méthodes d’estimation de taux de mortalité à partir de données d’expérience, puis de proposer des méthodes adaptatives de lissage de taux à partir de modèles simples qu’on confrontera à des modèles plus sophistiqués regroupant pour certains des méthodes dites de Machine Learning qui reposent sur des modèles de boosting contraints au travers de propriétés des Splines cubiques. Les modèles de boosting seront utilisés pour obtenir des taux de mortalité adaptatifs, en choisissant judicieusement les apprenants faibles. Des schémas « imbriqués » seront également présentés pour optimiser le critère de lissage retenu, en utilisant différents algorithmes d’optimisation en fonction de la méthode de lissage choisie. Une réflexion approfondie sur les avantages et les inconvénients des différentes méthodes au travers de nombreux critères statistiques sera présentée. Tout ce cheminement sera mis en évidence selon une trame d’analyse d’expérience qui tentera, à partir d’un portefeuille étudié, de donner des valeurs plus financières et opérationnelles de notre proposition adaptative.