La numérisation des activités a progressivement conduit à une plus forte disponibilité des données exploitables à des fins assurantielles et à la possibilité pour les assureurs de procéder à une segmentation plus fine et à un meilleur ajustement de leurs stratégies de gestion du risque.

​

L’usage d’algorithmes d’apprentissage statistique pour le développement de modèles prédictifs, notamment de réseaux de neurones et de modèles par agrégation, ne remet pas en cause les besoins d’interprétabilité et de transparence des modèles.

​

Face à ces besoins, les travaux primés explorent et illustrent l’usage de différentes méthodes d’interprétabilité post hoc, agnostiques aux modèles considérés.

Ces travaux sont complétés par une application à la tarification automobile et à l’usage de données télématiques.

Face à une demande croissante d’outils financiers de transfert du risque climatique, cette thèse contribue à l’approfondissement des techniques mathématiques d’évaluation de risques des produits dérivés liés à la température.

 

La première partie des travaux primés porte sur le développement, au travers un élargissement du modèle d’Ornstein-Uhlenbeck, d’un modèle de volatilité stochastique pour la température journalière moyenne qui, une fois calibré, permet d’obtenir la distribution des paiements des dérivés.

 

La seconde porte sur les quantos, dérivés hybrides liant prix de l’électricité et température journalière moyenne et permettant une couverture contre les risques volumétriques et les risques de prix, au travers du développement d’un modèle couplé permettant la prise en compte des dépendances entre les sous-jacents et de formules explicites et semi-explicites des espérances de paiement des dérivés, y compris des options quantos et de leur couverture statistique par un portefeuille d’options d’électricité et de température.