Академический Документы
Профессиональный Документы
Культура Документы
Le modèle collectif
Pierre-E. THEROND
ptherond@jwa.fr
1. Introduction ...................................................................................................................... 2
2. Lois composés ................................................................................................................... 2
2.1. Loi de Poisson composée ........................................................................................... 2
2.2. Loi de Poisson mélange.............................................................................................. 3
2.3. Loi de Poisson mélange composée............................................................................. 4
3. Du modèle individuel au modèle collectif....................................................................... 5
3.1. Le modèle individuel.................................................................................................. 5
3.2. Le modèle collectif..................................................................................................... 6
3.3. Approximation collective du modèle individuel........................................................ 6
4. Discrétisation dans le modèle collectif............................................................................ 8
4.1. Discrétisation pour calculer une probabilité de ruine................................................. 9
4.2. Discrétisation pour calculer une prime stop-loss ....................................................... 9
5. Algorithme de Panjer..................................................................................................... 10
5.1. Calcul direct de la fonction de répartition discrétisée .............................................. 10
5.2. Algorithme de Panjer ............................................................................................... 10
5.3. Calcul des primes stop-loss ...................................................................................... 11
6. Méthodes d’approximation de la loi de Scoll ................................................................. 12
6.1. Fast Fourier Tranform .............................................................................................. 13
6.2. Approximation Gamma de Bowers.......................................................................... 14
Bibliographie........................................................................................................................... 16
Exercices.................................................................................................................................. 16
-1-
1. Introduction
Lorsque l’assureur s’intéresse à la charge globale des sinistres engendrés par un portefeuille,
il lui est souvent impossible en pratique d’analyser le risque police par police alors qu’il est
plus vraisemblable de l’analyser au niveau du portefeuille de contrats par le biais de la charge
∑i=1 Si
n
globale de sinistres de ce portefeuille S = où n est le nombre de polices et Si la
charge de sinistres provenant de la police n°i. Le modèle collectif est un outil qui nous permet
d’approcher la loi de S.
2. Lois composés
Si N désigne le nombre de sinistres survenus sur la période considérée et X1, X 2, K les
montants de ceux-ci, le montant de S la charge globale de sinistres sur la période est donné
par :
N
S= ∑
i =1
Xi .
Dans la suite, nous supposerons que les variables aléatoires X1, X 2, K , N sont mutuellement
indépendantes et que X1, X 2, K est un i.i.d. de même loi que X.
Dans ce cas, on a :
+∞ λk
G ( s ) = Pr[ S ≤ s ] = ∑ e −λ
F *(k)(s) , s ≥ 0 ,
i =0 k!
E [S ] = λ E [ X ] ,
Var [ S ] = λ Var [ X ] + λ E2 [ X ] = λ E X 2 , [ ]
et
L S (t) = exp {λ ( LX (t) − 1)} , t ≥ 0 .
Il est rappelé que LX la transformée Laplace d’une variable aléatoire X est donnée par
∀ t ≥ 0, LX (t) = E [exp {− tX }] .
Formellement, on a :
1
Pr [Θ = θ1 ] = Pr [Θ = θ2 ] =
2
1
E [Θ Θ = θ1 ] = E [Θ Θ = θ2 ] .
3
Comme
E [Θ ] = Pr [Θ = θ1 ] * E [Θ Θ = θ1 ] + Pr [Θ = θ2 ] * E [Θ Θ = θ2 ] = 1 ,
il vient
1
* {E [Θ Θ = θ1 ] + E [Θ Θ = θ2 ]} = 1 .
2
Donc
1
E [Θ Θ = θ1 ] = θ1 =
2
3
E [Θ Θ = θ 2 ] = θ 2 = .
2
La probabilité qu’une police dont on ne sait pas s’il s’agit d’un « bon » ou d’un « mauvais »
risque produise k sinistres est alors donnée par :
λ (λ / 2) 3λ ( 3λ / 2 )
k k
1 1
Pr [ N = k ] = exp − + exp − .
2 2 k! 2 2 k!
Ce théorème nous indique que la superposition d’une erreur Θ à la moyenne λ a pour effet
d’augmenter les masses de probabilité en 0 et pour les grandes valeurs par rapport à la loi de
Poisson de même moyenne λ .
Si S ~ PMC ( λ, Θ, F ) , on a
[ ]
Var [ S ] = λ E X 2 + λ2 E2 [ X ] Var [Θ ] .
Le premier terme du membre de droite de cette égalité peut se voir comme Var [ P( λ ) E [ X ]]
c’est à dire comme la variance du montant global de sinistre si les sinistres étaient tous de
montant égal à leur moyenne et comme si leur nombre était une loi de Poisson. Le deuxième
terme peut se réécrire1 Var [∑ λ
i =1
]
X i et peut se voir comme la contribution des montants de
sinistres à la variabilité totale. Le troisième terme peut donc être vu comme la variabilité
ajoutée par la mélangeante.
→ E [ S ] lorsque λ → +∞ .
Pr
S
S Loi
→ Θ lorsque λ → +∞ .
E [S ]
Le ratio sinistres à primes a donc pour loi limite la mélangeante décrivant l’hétérogénéité du
risque en fréquence.
1
Cette écriture est formelle dans la mesure où λ n’est pas nécessairement entier.
où Si désigne la charge totale des sinistres ayant atteint la police i sur la période considérée.
Fi ( x ) = pi 1x≥0 + qi Bi ( x ) , x > 0
et
Fi ( x ) − Fi ( 0 )
Bi ( x ) = , x > 0.
1 − Fi ( 0 )
Les deux premiers moments de la charge globale de sinistre s’expriment aisément en fonction
des deux premiers moments (lorsqu’ils existent) des montants de sinistres par police :
[ ]
n
E S ind
= ∑
i =1
E[ Si ]
[ ]
n
Var S ind = ∑ Var[ Si ].
i =1
Si = Ii Yi ,
Les variables aléatoires I1, I2, …,In, Y1, Y2, …,Yn sont supposées mutuellement indépendantes.
Sous cette hypothèse, le montant de la prime pure est donné par
Gind = F1 * F2 * K * Fn .
Cette fonction de répartition est toutefois difficile à calculer. Le passage au modèle collectif
va permettre de l’approcher.
N
S coll = ∑
i =1
Xi .
n n
LS ind (t ) = ∏ LSi (t ) = ∏ ( pi + qi LYi ( t ) ) .
i =1 i =1
n
pi + qi = 1 ⇒ LS ind ( t ) = ∏ {1 + qi ( LYi (t ) − 1)} .
i =1
n
ln LS ind ( t ) = ∑ ln {1 + qi ( LYi ( t ) − 1)}
i =1
n +∞ ( − 1)k +1
= ∑∑ {qi (LY (t ) − 1)}k .
i
i =1 k =1 k
n 1 n
où λ = ∑ qi et LX (t) =
i =1 λ
∑
i =1
qi LY (t) .
i
~
En approximant la fonction de répartition Fi de Si par Fi définie par :
+∞ λ k
~
Fi (x) = exp ( − λi )∑ i Bi*(k)(x) ,
k =0 k!
~
on peut, pour chaque police i, approximer Si par Si ~ PC ( λi, Bi ) donné par :
Ni
~
Si = ∑
k =1
Yi,k .
Il vient alors la charge totale dans le modèle collectif Scoll qui peut s’écrire
n~ N
S coll = ∑ Si =
i =1
∑
k =1
X i ~ PC ( λ, F ) .
+∞ λki
G coll
(x) = exp ( − λ )∑ F *(k)(x) ,
k =0 k!
n 1 n
où λ = ∑
i =1
λi et F(x) =
λ
∑
i =1
λi Bi(x) .
Le choix le plus naturel pour les λi consiste à prendre λi = qi . Ce choix permet d’avoir
l’égalité entre le nombre de polices produisant des sinistres dans le modèle individuel et le
nombre moyen de sinistres dans le modèle collectif. En effet, avec ce choix
n n
∑ qi =
i =1
∑
i =1
λi = λ = E [ N ] .
Il est également fréquent d’utiliser λi = − ln(1 − qi ) . Ce choix permet de ne pas léser les bons
risques (les polices qui ne produisent pas de sinistre) puisque :
λi = − ln(1 − qi ) ⇔ exp ( − λi ) = pi
⇔ Pr [ Ni = 0 ] = Pr [ Si = 0 ] .
Ce choix apparaît prudent puisque, sur l’ensemble du portefeuille, il conduit à une prime pure
[ ] [
prudente : E S ind ≤ E S coll . ]
Pour tout x ≥ 0, on démontre (cf. DENUIT et CHARPENTIER [2004] pour le détail des calculs)
que :
n
[ ] [ ]
∑ min {0, pi − exp ( − λi )} ≤ Pr S ≤ x − Pr S ≤ x = G ( x ) − G ( x )
ind coll ind coll
i =1 n
G ind ( x ) − G coll ( x ) ≤ ∑ { pi − exp ( − λi ) + max {qi − λi exp ( − λi ) ,0}}.
i =1
1 n
Si λi = qi , on a : ∀x ∈ R + , Gind (x) − G coll(x) ≤ ∑
2 i =1
qi2 .
1 n
Si λi = − ln pi , on a : ∀x ∈ R + , 0 ≤ G ind (x) − G coll(x) ≤ ∑
2 i =1
( ln pi )2 .
Pr [ X ∆ = (i + 1)∆ ] = fi +1
= Pr [ X ∈ Ii ]
= F ( (i + 1)∆ ) − F ( i∆ )
+ 1 (i +1)∆ 1 (i +1)∆
fi =
∆ i∆
∫ {(i + 1)∆ − x}dF(x) = ∆ i∫∆{F(x) − F(i∆)}dx
(i +1)∆ (i +1)∆
f − = 1 {x − i∆}dF(x) = 1 {F ( (i + 1)∆ ) − F(x)}dx.
i +1 ∆ i∫∆ ∆ i∆
∫
Cette dernière inéquation assure que S coll p icx S∆coll (cf. notes de cours « Mesures et
comparaison de risques ») c’est à dire que la charge globale de sinistres dans le modèle
collectif discrétisé est plus dangereuse que la charge globale dans le modèle collectif non
discrétisé. On parle également de discrétisation en accord avec la TVaR.
Supposons que les montants de sinistres X1, X 2, K sont à valeurs dans N* et notons
fi = Pr [ X = i ] , f0 = 0 . On a :
k
fi*(k) = Pr ∑ X j = i , i > 0, k ≥ 0 .
j =1
Comme les X1, X 2, K sont > 0 , les fi*(k) peuvent être calculés par la récurrence suivante :
i − k +1
fi*(k) = ∑
j =1
fi*−(kj −1) f j , k > 0 .
Comme Scoll est à valeurs dans N puisque c’est une somme (éventuellement nulle) d’entiers
naturels strictement positifs, on notera dans la suite :
pk = Pr [ N = k ]
gi = Pr S coll = i [ ]
Alors
i
gi = ∑
k =0
pk fi*(k) ,
et
[x]
G(x) = ∑
j =0
gj , x ≥ 0,
Cette méthode nécessite un grand nombre d’opérations (calcul des produits de convolution
par récurrence, etc.) et peut s’avérer inutilisable en pratique. Aussi au début des années 1980,
Harry Panjer a proposé un algorithme récursif plus rapide pour calculer les gj qui porte
désormais son nom.
En particulier les lois de Poisson (a = 0 , b > 0 ) , binomiale négative (0 < a < 1 , a + b > 0 )
et binomiale (a < 0 , b = −a (m + 1) , pour un certain m ∈ N ) appartiennent à la classe de
Panjer.
exp ( − λ ) si i = 0
En particulier, si N ~ P( λ ) ( a = 0 et b = λ ) , on a : gi = λ i .
∑ j i− j
j f g si i ≥ 1
i j =1
gi = 1 j
i
∑
1 − a f0 j =1
a + b f j gi − j si i ≥ 1.
i
exp ( − λ ( f0 − 1) ) si i = 0
Ce qui nous donne dans le cas de la loi de Poisson : gi = λ i .
∑ j f g
j i− j si i ≥ 1
i j =1
1 si i = −1
Pr S[ coll
]
>i =
[ ]
Pr S coll > i − 1 − gi si i ∈ N ,
et
[ ]
i
Pr S coll > i = 1 − ∑ g j pour i ∈ N ,
j =0
et
[ ]
E (S coll − i ) = E S coll − ∑ Pr S coll > j .
+
[ ]
i −1
j =0
[ ]
Considérons à présent un niveau de franchise t (pas nécessairement un multiple du pas de
discrétisation ∆ ), pour k entier naturel tel que k∆ ≤ t < ( k + 1) ∆ on a :
[
E (S∆coll − t )
+
] =
+∞
∫t G∆
coll
(x) dx
+∞ t
∫ G∆ (x) dx − ∫
coll
= dx
[ ]
k∆ k∆
= E (S∆coll − k∆ ) − ( t − k∆ ) G∆coll(k∆).
+
[
0 ≤ E (S∆coll − t ) − E (S coll − t ) ≤ λ
+
] [ +
] ∆
4
ε∆ ,
ε ∆ = sup {F ( (j + 1)∆ ) − F ( j ∆ )} .
j∈N
[ ] [
0 ≤ E (S∆coll − t ) − E (S ind − t )
+
] +
2
Le lecteur trouvera un panorama de ces méthodes dans PARTRAT et BESSON [2004].
Proposition 4 : Si Y est une variable aléatoire arithmétique à valeurs dans {kh k ∈ N} avec
h > 0 fixé, en notant φY sa fonction caractéristique, on a
2π
1 t
Pr [Y = hk ] = ∫ e −ikt
φY dt pour k ∈ N .
2π 0 h
2π
( j +1) 2π
m
1 t 1 − ijkt 2πj
∫
−ikt
e φY dt ≈ e m φY ,
2π 2π h m mh
j
m
et en posant
2πj
φ = φ j = 0,1, K , m − 1
j Y
mh
2π
− ijk
wkj = e m k, j = 0,1, K , m − 1,
puis
φ0 p0
φ(m) = M , W = (wkj )k, j =0,1,K,m−1 et p(m) = M ,
φ p
m−1 m−1
l’approximation donne
La technique FFT repose sur une deuxième approximation qui découle de la proposition
suivante.
2π
ijk 1
Proposition 5 : Si V = (vkj ) j,k =0,K,m−1 où vkj = e m , on a W −1 = V.
m
Au final la procédure d’obtention d’une loi approchée de S coll par la méthode FFT contient
quatre étapes :
1
FFT − ( g N (FFT + ( p ) )) .
m
Le lecteur trouvera dans PARTRAT et BESSON [2004] les principales propriétés des fonctions Γ
et Γ-incomplète.
Définition 5 : Une variable aléatoire Z est distribuée selon une loi Gamma translatée de
paramètre ( ν, β, x0 ) si Z − x0 suit une loi Gamma γ( ν, β ) .
La loi Gamma translatée est définie par trois paramètres qui vont être choisis de manière à ce
que l’approximation de S coll ait les mêmes trois premiers moments que S coll , i. e.
ν ν 2ν
E[ S ] = x0 + , Var[ S ] = , µ3 ( S ) = .
β β2 β3
Ces paramètres pourront être estimés à partir des estimateurs empiriques des trois premiers
moments de S coll .
FS ( x ) ≈ Γ( ν, β( x − x0 ) ) pour x > x0 ,
3
µ µ
FS ( x ) ≈ FSBowers ( x ) = G 2S x si µ3 (βS ) = 2S µ3 ( S ) ,
σS σS
où :
1 x2 2x 1
G ( x ) = Γ( ν, x ) − [µ3 (βS ) − 2ν ]e x −x ν
− + ,
6 Γ( ν + 3 ) Γ( ν + 2 ) Γ( ν + 1)
µ
β = 2S ,
σS
µ 2S
α= .
σ2S
Bibliographie
DENUIT M. [2003] Modèle collectif de théorie du risque. Notes de cours, ISFA.
PARTRAT CH., BESSON J.L. [2004] Assurance non-vie. Modélisation, simulation. Economica.
Exercices
Valeurs de Pr [S j = k ]
j k =0 k =1 k =2
1 0,4 0,3 0,3
2 0,6 0,1 0,3
3 0,4 0,4 0,2