Statistics Seminar by Jeroen Rombouts

Abstract coming soon

Applied Statistics Workshop by Marie-Pier Côté

16:00 - "A flexible hierarchical insurance claims model with gradient boosting and copulas" 

Marie-Pier Côté (l’université Laval) 

A flexible hierarchical insurance claims model with gradient boosting and copulas 

Abstract:
Predicting future claims is an important task for actuaries, and sophisticating the claim modeling process allows insurers to be more competitive and to stay financially sound. We propose a hierarchical claim model that refines traditional methods by considering dependence between payment occurrences with a multinomial distribution and between payment amounts with copulas. We perform prediction with covariates using XGBoost, a scalable gradient boosting algorithm, gaining predictive power over the frequently used generalized linear models. The model construction and fitting is illustrated with a real auto insurance dataset from a large Canadian insurance company. The use of XGBoost is well suited for such big data containing a lot of insureds and covariates. Since the validity of the copula inference with gradient boosting margins has not been demonstrated in past literature, we perform a simulation study to assess the performance of methods based on ranks of residuals. We show some applications of our model and compare the performance with reference models

Applied Statistics Workshop by Joelle Desterbecq

14:30 - "Un modèle hiérarchique flexible pour les réclamations d'assurance combinant gradient boosting et copules" 

Joelle Desterbecq (UCLouvain) 

Un modèle hiérarchique flexible pour les réclamations d'assurance combinant gradient boosting et copules 

Abstract: 
Nous proposons un modèle hiérarchique pour les réclamations en assurance de dommage qui affine les méthodes traditionnelles en tenant compte de la dépendance entre les occurrences de paiement, avec une distribution multinomiale, et entre les montants de paiement, avec des copules. Nous effectuons une prévision qui dépend de variables explicatives en utilisant XGBoost, un algorithme performant de gradient boosting, ce qui nous permet d'améliorer la performance prédictive par rapport aux modèles linéaires généralisés usuels. La construction et l'ajustement du modèle sont illustrés sur des données réelles d’assurance automobile provenant d'une grande compagnie d'assurance canadienne. L'utilisation de XGBoost est bien adaptée à ces données volumineuses contenant un grand nombre d'assurés et de covariables. Les méthodes d’inférence basées sur les rangs pour les copules sont standards, mais leur validité lorsque les distributions marginales sont obtenues par gradient boosting n'a pas été démontrée dans la littérature antérieure. Nous réalisons donc une étude de simulation pour évaluer la performance des méthodes basées sur les rangs des résidus pour l’estimation de la structure de dépendance. Nous montrons quelques applications de notre modèle. Dans une comparaison avec des modèles de référence, nous concluons que les composantes de dépendance de notre modèle améliorent la segmentation et reproduisent mieux le comportement aléatoire global.

Emeritat Prof. Rainer von Sachs

• Morning session / scientific presentations
• Lunch
• Afternoon session / scientific presentations
• Drink

Registration coming soon 

Deadline for registration : May 31, 2025