Général

2004
Mmoire de Stage
de troisime anne

Anthony DERIEN

Sur

Cotation des traits XS par simulation

Stage effectu :

SECURA Belgian Re
Avenue des Nerviens, 9-31
Bote 6
B - 1040 BRUXELLES

Sous la direction de :
Jean-Franois WALHIN
Responsable du Dpartement Recherche & Dveloppement
tl : 00 32 2 504 82 22
fax : 00 32 2 504 82 00
mail : jfw@secura-re.com

A Olivier, Notre Ami et Camarade,

REMERCIEMENTS

Je tiens remercier tout particulirement mon matre de stage,
Monsieur Jean-Franois Walhin, responsable du Dpartement Recherche &
Dveloppement, pour son encadrement, sa disponibilit ainsi que ses
conseils qui mon permis deffectuer ce stage dans les meilleures conditions.

Jexprime galement toute ma reconnaissance lensemble du
Dpartement R&D, pour leur chaleureux accueil, et leur disponibilit de tous
les instants.

Je souhaite aussi remercier, lensemble des personnes qui mont aid
dans la ralisation de mon stage ainsi que dans llaboration de mon
mmoire.

- 1 -

Sommaire

Abstract................................................................................................ 5

Rsum ................................................................................................. 7

I. Introduction technique................................................................. 9

I.1 Problmatique ....................................................................................................... 9

I.2 Mthode et outils actuariels............................................................................... 9

I.3 Rsultats................................................................................................................ 10

II Notions Prliminaires ................................................................ 11

II.1 Techniques de rassurance............................................................................. 11
II.1.1 Les formes proportionnelles................................................................... 11
II.1.1.1 La Quote-part............................................................................................ 11
II.1.1.2 Lexcdent de plein .................................................................................. 11
II.1.2 Les formes non proportionnelles........................................................... 11
II.1.2.1 Fonctionnement ........................................................................................ 11
II.1.2.2 Lengagement : ......................................................................................... 12
II.1.2.3 Lexcdent de sinistre par risque .............................................................. 13
II.1.2.4 Lexcdent de sinistre par vnement ...................................................... 13
II.1.2.5 Le Stop Loss ............................................................................................ 14

II.2 Les Clauses de rassurance :.......................................................................... 15
II.2.1 la Clause Annual Aggregate Deductible (AAD)........................ 15
II.2.2 la Clause Annual Aggregate Limit (AAL) .................................. 15
II.2.3 la Clause de partage des intrts............................................................ 16
II.2.4 la Clause de stabilit................................................................................. 16
II.2.4.1 Clause de stabilit : Date de paiement...................................................... 17
I.2.4.1.1 Date de paiement avec paiement seulement ....................................... 17
I.2.4.1.2 Date de paiement avec rserves .......................................................... 17
I.2.4.1.4 Date de paiement avec rserves et SIC............................................... 18
I.2.4.2 Clause de stabilit : Date daccident .......................................................... 19
I.2.4.3 Clause de stabilit : Date de paiement final............................................... 19

- 2 -

III La cadence de paiement du rassureur............................... 20

III.1 Conceptualisation............................................................................................ 20
III.1.1 Intrt.......................................................................................................... 20
III.1.2 Notations.................................................................................................... 20
III.1.3 Lois retenues............................................................................................. 21

III.2 La cadence de rglement dterministe....................................................... 22
III.2.1 Dans le cas de la loi de Pareto.............................................................. 23
III.2.2 Dans le cas de la loi Exponentiel......................................................... 24
III.2.3 Dans le cas de la loi Log-Normale...................................................... 25

III.3 La cadence de rglement Stochastique...................................................... 26
III.3.1 Dans le cas Pareto.................................................................................... 26
III.3.2 Dans le cas Exponentiel ......................................................................... 27
III.3.2 Dans le cas Log-Normale ...................................................................... 28

III.4 Mise en application......................................................................................... 28
III.4.1 Dans le cas Pareto.................................................................................... 29
III.4.2 Dans le cas Exponentiel ......................................................................... 30
III.4.3 Dans le cas Log-Normale ...................................................................... 30

IV Les pistes envisages ................................................................. 32

IV.1 Loi multivarie ................................................................................................ 32
IV.1.1 Estimation des paramtres..................................................................... 33
IV.1.1.1 La mthode des moments........................................................................ 33
IV.1.1.2 La mthode du maximum de vraisemblance........................................... 35
IV.1.1.3 La mthode doptimisation ..................................................................... 36
IV.1.2 Simulation de la loi de Dirichlet.......................................................... 37
IV.1.3 Rsultats..................................................................................................... 38

IV.2 Les chanes de Markov.................................................................................. 39
IV.2.1 Le processus de Yule.............................................................................. 41
IV.2.1.1 Prsentation............................................................................................. 41
IV.2.1.2 Modlisation............................................................................................ 41
IV.2.2 Processus de Poisson.............................................................................. 43
IV.2.3 Mise en application................................................................................. 43
IV.2.4 Rsultats..................................................................................................... 45

- 3 -

IV.3 Optimisation non-linaire ............................................................................. 46
IV.3.1 Travail Prliminaire................................................................................ 46
IV.3.2 Mthodologie............................................................................................ 47
IV.3.3 Mise en application & rsultats ........................................................... 47
IV.3.3.1 Exemple didactique................................................................................. 47
IV.3.3.2 Exemple rel ........................................................................................... 48

IV.4 Simulations conditionnelles ......................................................................... 49
IV.4.1 Prsentation............................................................................................... 49
IV.4.2 Algorithme ................................................................................................ 50
IV.4.3 Rsultats..................................................................................................... 51

IV.5 Les copulas ....................................................................................................... 52
IV.5.1 Cadre multivari ...................................................................................... 52
IV.5.1.1 Prsentation des Copulas utilises .......................................................... 52
IV.5.1.2 Rsultat.................................................................................................... 53
IV.5.1.2.1 Clayton Multivarie ......................................................................... 53
IV.5.1.2.2 FGM multivari................................................................................ 56
IV.5.2 Cadre bivari............................................................................................. 57
IV.5.2.1.Prsentation des copulas utilises ........................................................... 57
IV.5.2.2 Mise en application................................................................................. 59
IV.5.2.3 Reprsentations graphiques..................................................................... 62
IV.5.2.4 Rsultats .................................................................................................. 66

V Analyse de Sensibilit................................................................. 68

V.1 Configuration initiale....................................................................................... 68
V.1.1 Donnes techniques.................................................................................. 68
V.1.2 Donnes financires ................................................................................. 69
V.1.3 Explications................................................................................................ 70

V.2 Test de sensiblit .............................................................................................. 72
V.2.1 Modification du nombre de simulation. .............................................. 72
V.2.2 Modification de la clause de partage des intrts ............................. 74
V.2.3 Overstatement (Sur-rservation) :......................................................... 77
V.2.4 Modification des paramtres de la loi du montant de sinistre :..... 79
V.2.5 Modification de linflation avec taux inchangs : ............................ 80
V.2.6 Modification des taux avec inflation inchange : ............................ 82
V.2.7 Modification des taux et de linflation :............................................. 83

- 4 -

V.2.8 Modification de la marge dans la clause de stabilit : ..................... 84
V.2.9 Modification de lAAD: .......................................................................... 87
V.2.10 Modification de lAAL: ........................................................................ 89
V.2.11 Modification des clauses de stabilit :............................................... 90
V.2.12 Modification de la tranche : ................................................................. 97
V.2.13 Modification des moments de la vitesse de paiement :............... 100

Conclusion....................................................................................... 105

Bibliographie .................................................................................. 106

Articles...................................................................................................................... 106
Livre........................................................................................................................... 106
Cours.......................................................................................................................... 106

Glossaire........................................................................................... 107

Index des tableaux......................................................................... 108

Tables des illustrations................................................................. 110

2004
Mmoire de Stage
de troisime anne

- 5 -

Anthony DERIEN

Sur


Abstract

Its commonly admit, that the two main characteristics for price a premium are the
amount of claim and its occurrence.
Unfortunately, its not so easy, first, we neglect the characteristics of the treaty
(priority, limit) and the different reinsurances clause. Pricing a premium with all these
elements, taking into account the market constraint, like the shareholder value, the level
of allocated capital or the different rate is a little bit complicated.
We could think that with all these variables, the premium would be the fair price
of treaty, but not yet, another random variable has an impact in the determination of the
premium, the speed whom the reinsurer is going to pay the claim. Its an important
variable, because if it spreads on many years the reinsurer could make benefit on
financial product, so the reinsurer should concede a discount to the insurer. At the
opposite, if the reinsurer pays quickly the claim, he will earn less money on the market,
so to compensate for this loss, the reinsurer could ask insurer for a financial
compensation with an increase of the premium.

The reinsurer work with a determinist pattern of payment, that is to say, they think
that the speed of payment is the same for all claims, obviously, its not the reality. We
have worked with three statistical distribution to fit the amount of claim (Pareto, Log-
Normale, Exponential) we have shown that, in average, the stochastic pattern of payment
is faster than determinist.
So in our software of excess of losss quotation with simulation, we have developped a
pattern of payment for each claim.

Via the sensitivity analysis, we can see, that if we take into account a stochastic
pattern of payment we should increase the premium. The increase goes to 2-3% until 10-
15% for some case. So with these results, its necessary for reinsurers to include this
impact in their quotation.

- 6 -

2004
Mmoire de Stage
de troisime anne

- 7 -

Anthony DERIEN

Sur


Rsum

Il est communment admis que les principales caractristiques ncessaires un
rassureur pour dterminer la prime sont le montant du sinistre et sa frquence.
Malheureusement les choses ne sont pas aussi simple, tout dabord, parce que lon
nglige les caractristiques du trait (limite, priorit) ainsi que les diverses clauses de
rassurance.
Dterminer une prime avec tous ces ingrdients , en tenant en plus compte des
contraintes du march, tel le niveau de rmunration de lactionnaire, le niveau de capital
allou ou les diffrents taux, etcdevient lgrement plus compliqu. Nous pourrions
penser quavec toutes ces variables, la prime obtenue serait enfin le juste prix du
trait, il nen est rien, une autre variable a un impact dans la dtermination de la prime, la
vitesse avec laquelle le rassureur va payer le sinistre. On peut concevoir de manire
assez triviale le rle que joue celle-ci dans le niveau de la prime, si elle schelonne sur
plusieurs annes, cela permettra au rassureur de dgager des produits financiers sur la
prime obtenue, de fait le rassureur pourra octroyer une remise la cdante, a contrario,
si le rassureur est amen payer rapidement le sinistre, il dgagera moins de produits
financiers, et donc pour compenser ce manque gagner, le rassureur serait en droit de
demander une compensation financire la cdante via une augmentation de la prime.
Les rassureurs travaillent avec une vitesse de paiement dterministe, cest--dire
quils considrent que la vitesse de paiement est la mme pour tous les sinistres,
videmment ce nest pas le cas. Nous avons travaill avec trois distributions diffrentes
pour modliser les montants de sinistres (Pareto, la loi Log-Normale et Exponentiel). Au
travers de ces trois lois, nous avons dmontr quen moyenne, la vitesse de paiement
stochastique tait plus rapide que celle dterministe.
Ds lors, via loutil de cotations des traits XS par simulation que nous avons dvelopp,
il nous restait appliquer chaque sinistre simul sa propre cadence de rglement.
Avec lanalyse de sensibilit nous arrivons la conclusions que si nous devions
prendre en compte la vitesse de paiement stochastique plutt que la vitesse dterministe,
nous serions amen majorer la prime. Cette majoration va de 2-3% 10-15% dans
certains cas. Ds lors, il est important pour les compagnies de rassurance de prendre en
compte cet effet dans leurs cotations.

-8-

-9-

I. Introduction technique

I.1 Problmatique

Il est communment admis que les principales caractristiques ncessaires un
rassureur pour dterminer la prime, sont le montant du sinistre et sa frquence.
Malheureusement les choses ne sont pas aussi simple, tout dabord, parce que lon
nglige les caractristiques du trait (limite, priorit) ainsi que les diverses clauses de
rassurance.

Dterminer une prime avec tous ces ingrdients , en tenant en plus compte des
contraintes du march, tel le niveau de rmunration de lactionnaire, le niveau de capital
allou ou les diffrents taux, etcdevient lgrement plus compliqu. Nous pourrions
penser quavec toutes ces variables, la prime obtenue serait enfin le juste prix du
trait, il nen est rien, une autre variable a un impact dans la dtermination de la prime, la
vitesse avec laquelle le rassureur va payer le sinistre.
On peut concevoir de manire assez triviale le rle que joue celle-ci dans le
niveau de la prime, si elle schelonne sur plusieurs annes, cela permettra au rassureur
de dgager des produits financiers sur la prime obtenue, de fait le rassureur pourra
octroyer une remise la cdante, a contrario, si le rassureur est amen payer
rapidement le sinistre, il dgagera moins de produits financiers, et donc pour compenser
ce manque gagner, le rassureur serait en droit de demander une compensation
financire la cdante via une augmentation de la prime.

Les rassureurs travaillent avec une vitesse de paiement dterministe, cest--dire
quils considrent que la vitesse de paiement est la mme pour tous les sinistres,
videmment ce nest pas le cas.
De fait, il tait intressant dinvestiguer dans la modlisation dune cadence de
rglement stochastique.

I.2 Mthode et outils actuariels

Nous avons travaill avec trois distributions diffrentes pour modliser les
montants de sinistres (la loi de Pareto, la loi Log-Normale et Exponentiel), nous ne
tenons pas compte de la loi du nombre de sinistre pour la vitesse de paiement du
rassureur, puisque celle-ci naura aucun impact sur cette dernire, comme il le sera
dmontr au cours de ce mmoire.
Au travers de ces trois lois pour la modlisation du montant, nous avons montr
quen moyenne, la vitesse de paiement stochastique tait plus rapide que celle
dterministe.

-10-

Ds lors, via loutil de cotations des traits XS par simulation que nous avons
dvelopp, il nous restait appliquer chaque sinistre simul sa propre cadence de
rglement. Les vitesses de paiement simules pour chaque sinistre devaient respecter
certaines contraintes.
Les premiers et seconds moments de la vitesse stochastique doivent tre
identiques ceux observs sur la vitesse de paiement au 1
er
euro, la vitesse de paiement
stochastique doit tre croissante, et elle doit tre comprise entre 0 et 1. Ces deux dernires
contraintes, bien que triviales, ne refltent pas la ralit car sur les chantillons observs,
nous voyons que les montants pays ne sont pas strictement croissants.

Nonobstant le fait quil y ait peu de contraintes, la modlisation dune cadence de
rglement stochastique a ncessit lexploration de nombreuses et diverses voies, que se
soit au travers dune loi multivarie (la loi de Dirichlet), des chanes markov (Processus
de Yule), des simulations conditionnelles (algorithme du recuit simul) ou bien encore les
copulas (copulas archimdiens). Toutes ces pistes nont pas t retenu, car certaines ne
respectaient pas les contraintes.

Au final, seul la loi de Dirichlet et la Copule de Frank ont t retenue pour
modliser la vitesse de paiement stochastique, avec toutefois certaines rserves, nous
imposons lchance de rglement complet du sinistre avec la loi de Dirichlet, et la
vitesse nest pas croissante pour quelques sinistres avec la Copula de Frank.

I.3 Rsultats

Au travers de lanalyse de sensibilit que nous avons men, les rsultats sont
assez loquents, puisque systmatiquement nous arrivons la conclusions que si nous
devions prendre en compte la vitesse de paiement stochastique plutt que la vitesse
dterministe, nous serions amen majorer la prime. Cette majoration va de 2-3% 5-
10% dans certains cas.

Ds lors, il est important pour les compagnies de rassurance de prendre en
compte cet effet dans leurs cotations, mais le peuvent-elles rellement ? La concurrence
sur le march de la rassurance tant si intense, quun simple cart de 1% peut faire
perdre une affaire un rassureur.

-11-

II Notions Prliminaires

II.1 Techniques de rassurance

II.1.1 Les formes proportionnelles

II.1.1.1 La Quote-part

Cest la forme la plus simple de la rassurance. Le rassureur prend en charge sur
tous les risques du portefeuille une proportion constante de ceux-ci; en change de ce
service il reoit la mme proportion des primes.

Lassureur cdant la mme part sur des risques faibles et des risques plus
importants, on constate que le profil de portefeuille conserv par lassureur est
semblable :

- au portefeuille initial
- au portefeuille accept par le rassureur

Seul le niveau des engagements a t alors modifi.

II.1.1.2 Lexcdent de plein

Le rassureur prend en charge uniquement la portion des risques dpassant un
niveau de capital appel plein de rtention ; en change de ce service il reoit, sur chaque
risque concern, la proportion de prime correspondant la mme proportion du
dpassement accept dans le capital assur.

II.1.2 Les formes non proportionnelles

II.1.2.1 Fonctionnement

Dans un trait de rassurance non proportionnel, le rassureur prend lengagement
de payer lassureur certains montants condition quun vnement dfini (ici
vnement est pris au sens probabiliste), c'est--dire un sinistre, une perte, se ralise.
En contrepartie, le rassureur peroit une prime pour compenser le risque quil prend.

Lengagement du rassureur ainsi que la prime de rassurance sont les deux
lments essentiels du trait. Ils peuvent se prsenter sous une forme assez simple, mais
gnralement sy rattachent un certain nombre de clauses qui prcisent lun ou lautre de
ces lments ou des conditions annexes. Nous tudierons donc dabord lengagement et la
prime sous leur forme simple.

-12-

II.1.2.2 Lengagement :

La notation la plus couramment utilise pour les trois types de traits non proportionnels
est : Capacit XS Priorit , dautre part : Plafond = Priorit + Capacit

Plafond
Porte
Priorit

Dfinitions :

Priorit : borne infrieure partir de laquelle le rassureur intervient
Capacit : tendue de lengagement du rassureur pour un vnement
Plafond : borne suprieure jusqu laquelle intervient le rassureur.

Si une cdante veut quilibrer une souscription portant sur des polices pour
lesquelles il lui est difficile destimer ses limites dengagement, elle utilise les formes non
proportionnelles.
Lengagement du rassureur sur un vnement donn peut donc se dfinir au
moyen de trois termes : la priorit, la capacit, le plafond. Chacun deux tant dpendant
des deux autres, seulement deux dentre eux suffisent dfinir lengagement. Cest ce qui
est fait avec la notation : Capacit XS Priorit ( C XS P).
Cette notation signifie que ds que lvnement dpasse le niveau indiqu par la
priorit, le rassureur prend sa charge ce qui dpasse ce niveau. Mais sa prise en charge
sur cet vnement ne peut pas tre suprieure la porte.
Durant tout cet expos, nous dnoterons la somme charge du rassureur par

n
i
RE
i N
X S
1

o ( ) ( ) P X C X
RE
i
; 0 max ; min
X est le montant du sinistre FGU
(From Ground Up) cest--dire, le montant du sinistre au 1
er
euro. O est le nombre de
sinistre.

-13-

Il est frquent que le besoin de couverture soit trop important pour faire lobjet
dun seul trait, la couverture est alors dcoupe en plusieurs tranches. Chaque tranche
donne lieu un trait distinct, et dans le cas o lvnement se produit, les rassureurs
des diffrents traits paient leurs parts respectives en fonction de la valeur de lvnement
et des diffrentes limites. Dans certains cas la porte peut tre illimite.

II.1.2.3 Lexcdent de sinistre par risque

Dans les excdents de sinistre (ou XS) par risque lvnement survient quand un
risque est sinistr. Les lments entrant dans la constitution de ce sinistre peuvent tre
multiples et varier selon la branche que couvre le trait. En Responsabilit Civile par
exemple, le sinistre peut tre constitu par :

- les frais dexpertise,
- la rparation des dommages matriels,
- les frais mdicaux,
- le pretium doloris,
- le prjudice esthtique,
- les frais causs par ltat des blesss,
- les frais judiciaires.

Le rassureur, dans la priode dtermine (lanne en gnral), sengage payer
un montant infrieur ou gal la porte chaque fois quune police est sinistre pour un
montant suprieur la priorit.

Dans ces conditions les formes de rassurance proportionnelle ne permettent pas
lassureur de limiter son engagement sur un risque. Seul un trait en Excdent de Sinistre
lui garantit cette limitation. Cest pour cette raison que l'XS est la forme principale de
rassurance de la Responsabilit Civile, dans les autres branches elle est facultative.
Aspect financier du trait dXS par risque : le cot de gestion de ce trait est
faible. La prime cde par lassureur est relativement peu leve. Par contre, pour le
rassureur, lencaissement est faible et le risque est important.

II.1.2.4 Lexcdent de sinistre par vnement

Dans le cas des XS par vnement (sens gnral), lvnement nest plus constitu
par une police sinistre mais par plusieurs polices sinistres du fait dune mme cause.
Cette cause peut tre : la tempte, le tremblement de terre, linondation, les feux de
brousse, les grves, les meutes ...
Pour que lon nincorpore pas cet vnement des polices sinistres du fait de
deux causes identiques et relativement proches tant dans le temps que dans lespace, il est
gnralement convenu dans ce type de traits dadjoindre des clauses de limitation dans
la dfinition de lvnement.

per risk

-14-

Clause de limitation gographique :

Lvnement sera constitu de polices sinistres par une mme cause, et dans une zone
limite gographiquement.

Clause de limitation dans le temps :

On dfinit dans le trait la dure maximale pendant laquelle les dommages
imputables une mme cause sont pris en compte dans lvnement. Cette priode est
gnralement de 48 72 heures. Lassureur choisira lheure de dpart de lvnement, et
on ne pourra incorporer ce dernier que les polices sinistres durant la priode dfinie
qui suit cette heure de dpart. Si une mme cause provoque des dommages pendant une
dure suprieure celle retenue pour le trait il faudra dfinir deux vnements au sens
du trait.

Cette rassurance ne peut intervenir quaprs les rassurances proportionnelles et les XS
par risque (si celles-ci existent).

LXS par vnement est galement utilis en complment de lXS par police
lorsque lassureur veut tre certain de ne pas payer plus dune fois la priorit pour un
vnement sinistrant au moins deux polices de son portefeuille. Cest ce qui se pratique
en Responsabilit Civile, en Transport.

II.1.2.5 Le Stop Loss

Le Stop Loss (ou excdent de perte) intervient lorsque lassureur cherche se
prmunir contre les mauvais rsultats non plus en sattaquant aux montants des sinistres
mais en sattaquant aux rsultats eux-mmes.
Ici lvnement est constitu par lensemble des polices sinistres pendant la priode de
rfrence du trait.
Le rassureur sengagera protger concurrence dun montant maximum le montant
dpassant le seuil financier au-del duquel lassureur est obligatoirement en perte.

Gnralement les limites de ce type de trait ne sont pas exprimes sous la forme
dun montant mais dun rapport sinistres sur primes ou sinistres sur capitaux. La premire
forme est la plus utilise, bien que la deuxime soit prfrable car ntant pas fonction
des conditions tarifaires la base.
Il arrive que les limites des Stop Loss soient dfinies doublement, par un rapport
sinistres primes et par un montant. La limite retenue tant la valeur minimum ou
maximum selon ce qui est conclu dans le trait.
Cette double limitation permet de garantir au trait une priorit assez importante
en cas de chute des encaissements, ainsi quun engagement limit en cas dun
accroissement sensible de lassiette de prime.

-15-

II.2 Les Clauses de rassurance :

Nous pouvons dnombrer de nombreuses clauses applicables aux traits de
rassurance, que se soit la clause de reconstitution de garantie, la clause de No Claim
Bonus , la clause AAD, etc Nous nous limiterons prsenter les clauses les plus
communment utilis dans les branches dveloppement long ( long tail ), savoir :
la clause Annual Aggregate Deductible
la clause Annual Aggregate Limit
la clause de partage des intrts
la clause de stabilit

II.2.1 la Clause Annual Aggregate Deductible (AAD)

Appele galement clause de franchise annuelle.
En fonction de ses possibilits financires, lassureur peut vouloir augmenter sa rtention
annuelle.
Cette clause a donc pour effet de restreindre lengagement du rassureur et donc de
diminuer le cot de la rassurance. Elle se comporte comme une franchise annuelle
applique la somme des montants dus par le rassureur avant lapplication de cette
clause (c'est--dire que l'assureur garde sa charge le ou les premiers sinistres suprieurs
la franchise et ne se protge que pour la survenance exceptionnelle d'un nombre
important de sinistres).
Si nous souhaitons exprimer cette clause sous forme mathmatique l AAD scrit :
Max(0; S
N
AAD) o est S
N
est la somme charge pour le rassureur comme dfinit au
paragraphe I.1.2.2

II.2.2 la Clause Annual Aggregate Limit (AAL)

Appele galement clause de plafond annuelle.
Afin de limiter son engagement, le rassureur inclut dans le trait de rassurance un
plafond, cest--dire quil sengage payer les sinistres de la tranche dexcdent de
sinistre hauteur du plafond. Ainsi, il est sr de son engagement maximum et il se
prmunit contre le risque de ruine. En fait, il sagit l dune porte sur le cot total du
contrat pour le rassureur.
De mme, aprs application de la clause AAL, le montant charge du rassureur sera :
Min(S
N
; AAL).

-16-

II.2.3 la Clause de partage des intrts

Quand les sinistres mettent du temps tre rgls, comme par exemple en
responsabilit civile automobile, il est normal de sattendre ce que des intrts lgaux
soient pays. Plus le rglement du sinistre sera long, et plus le niveau des intrts sera
lev. La clause de partage des intrts pose que les intrts lgaux doivent tre
proportionnellement partags entre la cdante et le rassureur, au prorata de lengagement
du rassureur dans lengagement total sans le montant des intrts lgaux.
Posons que est la proportion moyenne des IBNER reprsentants les intrts
lgaux, il ne parat pas draisonnable de supposer que est proportionnel au montant des
IBNER. Si nous posons I
j
comme reprsentant les IBNER au cours de lanne j, la part du
principal est ( )
j
I 1 (nous appelons principal le montant du sinistre sans les intrts
lgaux) et donc lengagement du rassureur dans le principal est :

( ) ( ) ( ) P I C
j
1 ; 0 max ; min j=1,,n

Lengagement du rassureur dans les intrts lgaux est :

( ) ( ) ( )
( )
j
j j
I
I P I C

1
1 ; 0 max ; min
j=1,,n
et donc les IBNER du rassureur sont :

( ) ( ) ( )
( )
1
1 ; 0 max ; min P I C
I
j RE
j
j=1,,n

De la mme manire, le montant charge du rassureur est :

( ) ( ) ( )
( )
1
1 ; 0 max ; min P X C
X
j RE
j

II.2.4 la Clause de stabilit

Cette clause de stabilit est essentielle pour un rassureur qui travaille dans des
branches dveloppement long, supposons un instant que la priorit dun XS soit fixe,
cela voudrait dire quil ny aurait que le rassureur qui assumerait les augmentations de
linflation. En effet une fois que le sinistre excde la priorit, toutes les augmentations
ultrieures de celui-ci du linflation seront entirement supportes par le rassureur. En
vue de se protger contre cet effet, les rassureurs ont introduit la clause de stabilit.
Cette clause permet de partager la future inflation entre la cdante et le rassureur. Il
existe diffrentes sortes doptions cette clause de stabilit que nous allons prsenter.

-17-

II.2.4.1 Clause de stabilit : Date de paiement

Nous posons V
j
X la fraction du sinistre pay au temps j (nous expliquerons plus en dtail
le paramtre V
j
ultrieurement), R
j
les rserves en j, cest--dire R
j
=I
j
- V
j
X

I.2.4.1.1 Date de paiement avec paiement seulement

Nous dfinissons :

'
+ >
+
1
1 1
0
0
0
Indice
Indice
si
Indice
Indice
Indice
Indice
si
v
j
j
j
j j = 0, .,n

o est une marge fixe dans le trait (gnralement hauteur de 10%), indice
correspond au niveau de lindice avec lequel il a t dcid dans le trait doprer une
revalorisation, par exemple cela peut tre linflation conomique.

A ce moment l, la priorit et/ ou le plafond sont indexs via le ratio :

j
l
l l
j
l
l
j
v X
X
w
0
0

Il nous suffira ensuite de multiplier le plafond et la priorit par w
j
.
I.2.4.1.2 Date de paiement avec rserves

Nous dfinissons :

'
+ >
+
1
1 1
0
0
0
Indice
Indice
si
Indice
Indice
Indice
Indice
si
v
j
j
j
j j = 0, , n

-18-


j j
j
l
l l
j
j
l
l
j
v R v X
R X
w
+
+
0
0

I.2.4.1.3 Date de paiement avec paiement et SIC (Severe
Inflation Clause)

Nous dfinissons :

( )
'
+ >
+
+
1
1
1 1
0
0
0
,
Indice
Indice
si
Indice
Indice
Indice
Indice
si
v
j
j
j
j SIC j = 0, , n


j
l
l SIC l
j
l
l
j
v X
X
w
0
,
0

I.2.4.1.4 Date de paiement avec rserves et SIC

Nous dfinissons :

( )
'
+ >
+
+
1
1
1 1
0
0
0
,
Indice
Indice
si
Indice
Indice
Indice
Indice
si
v
j
j
j
j SIC j = 0, , n


j SIC j
j
l
l SIC l
j
j
l
l
j
v R v X
R X
w
,
0
,
0
+
+

-19-

I.2.4.2 Clause de stabilit : Date daccident

0
indice
indice
w
ACC
j
j = 0, ,n

indice
ACC
, correspond au niveau de lindice lors de la survenance du sinistre, cest le
mme ratio (tout au long des annes de dveloppement) qui indexera les priorits et les
plafonds.

I.2.4.3 Clause de stabilit : Date de paiement final

Tant que le sinistre nest pas entirement rgl, w
j
est gale un, lorsque le sinistre est
entirement rgl :
0
indice
indice
w
REGL
j

-20-

III La cadence de paiement du rassureur

La cadence de paiement du rassureur est dtermine par le montant du sinistre, la
vitesse de paiement de lassureur, la priorit du trait ainsi que sa limite.
La priorit et la limite sont des paramtres fixs lors de la conclusion du trait
alors que le montant du sinistre est une variable alatoire, connus a posteriori, pour lequel
mous effectuons des ajustements sur la base des statistiques passs. Quant la vitesse de
paiement de lassureur, il est fait souvent fait lhypothse que celle-ci est aussi une
constante, or nous dmontrerons que cette hypothse doit tre remise en cause si le
rassureur veut adopter une optique prudente.

III.1 Conceptualisation

III.1.1 Intrt

Lors de la cotation des traits non proportionnels dveloppement long, le
rassureur peut accorder la cdante une rduction financire due linversion du cycle
conomique en assurance, on reoit dabord la prime, et aprs on dcaisse, en cas de
ralisation dun sinistre. Dans les branches dveloppement long, des priodes de
rglement stendant sur plus de 15 ans, ne sont pas exceptionnelles. De fait, il savre
pertinent dinvestiguer dans cette direction pour valuer limpact de la rduction, car il
est vident que si un sinistre est rgl rapidement, la rduction financire apporter la
prime sera moins leve, alors que dans le cas contraire, si un sinistre est rgl sur une
dure plus longue la rduction financire sera plus importante.

III.1.2 Notations

Nous poserons V
j
la fraction cumule du sinistre qui sera rgle par lassureur
lanne de dveloppement j (j=1,,n), V
j
est une variable alatoire. Nous ferons
lhypothse que la fraction de sinistre rgl V
j
est indpendante du montant de sinistre X
i
,
cest--dire, que la vitesse de paiement est indpendante de la svrit du sinistre. Cette
hypothse pourrait tre remise en cause par le constat que les petits sinistres sont en
gnral pays plus rapidement que les grands sinistres. Mais du fait que nous travaillons
avec des excdents de sinistres (XS), seuls les grands sinistres sont mme de toucher la
tranche de cotation. De plus les chantillons sont de taille trop restreinte pour pouvoir
dmontrer de manire statistique une dpendance significative entre les X
i
et les V
j
.
Nous noterons V
j
*
la fraction dcumule du sinistre qui sera rgle lanne de
dveloppement j.

-21-

III.1.3 Lois retenues

Nous poserons que les lois utilises par le rassureur pour modliser la loi du
montant du sinistre sont : une Pareto, une log-Normale, ainsi quune Exponentiel. Ce sont
les lois traditionnellement retenues par les rassureurs en XS.

La loi de Pareto :
Si ( ) , A Pa X , sa fonction de rpartition vaut :
( )
'
>
,
_

A x si
A
x
A x si
x F

1
0

Sa fonction de densit vaut : ( )
'
>

A x si x A
A x si
x f
1
0

Lesprance dune Pareto est donne par ( ) 1
1
>
si A X E
Sa variance est donne par : ( )
( ) ( )
2
2 1
2
2
>

si A X V

Si ( ) , A Pa X , alors ( ) ( ) , / B Pa B X X >

La loi Log-Normale :

Si ( ) , LN X :
Sa fonction de rpartition vaut : ( )
( )
( ) 1 , 0
log
N o
x
x F
,
_

Sa fonction de densit vaut :
( )
( )
,
_
,
_

2
log
2
1
exp
2
1

x
x
x f

Son esprance vaut : ( )

,
_
+
2
exp

X E

Sa variance scrit : ( ) ( ) ( ) ( ) 1 exp 2 exp + X V

-22-

La loi Exponentiel :

Sa fonction de rpartition vaut : ( )
x
e x F

1

Sa fonction de densit est: ( )
x
e x f

Son esprance est : ( )
1
X E

Sa variance scrit : ( )
X V

III.2 La cadence de rglement dterministe

Nous supposons que V
j
(la fraction du sinistre paye lanne j par lassureur )est
dterministe. Soit le trait en excdent de sinistre C XS P o C reprsente la couverture du
trait et P la priorit. Si nous dfinissons L comme tant la largeur relative de la tranche
P
P C
L
+
.
Le cot moyen de la tranche est dtermin par :

( ) ( ) ( )
'
+
+ < <

C P X si C
C P X P si P X
P X si
P X C E
0
, 0 max , min

( ) ( ) ( ) [ ]
+
+ +
C P
P
C P F C dx x f P x 1

( ) ( ) ( ) ( ) [ ] ( ) [ ] C P F C P F C P F P dx x xf dx x xf
P C P
+ + +

+
1
0 0

( ) ( ) ( ) [ ] ( ) ( ) [ ]

+ + +
+ P C P
P F P dx x xf C P F C P dx x xf
0 0
1 1

( ) ( ) ( ) P X E C P X E +

Si de plus nous supposons que la frquence des sinistres est donne par , alors la charge
moyenne de paiement final du rassureur en XS offrant la couverture C XS P vaut :

( ) ( ) ( ) ( ) [ ] P X E C P X E E + ultimate

-23-

Si nous intgrons dans le cot lultime, les clauses de stabilit et de partage des intrts,
avec les notations prcdemment introduites, nous obtenons :

( )
( )
( ) ( )
1
]
1
,
_
,
_
1 1
ultimate
P w
X E
C P w
X E E
n n

Nous ne faisons pas figurer les clauses AAD et AAL, puisque pour celles-ci, nous
devrions effectuer des convolutions afin de dterminer la fonction de distribution de S
N
,
puis de recourir lalgorithme de Panjer.
Et donc avec les notations que nous avons prcdemment introduites, les
paiements effectus jusqu lanne de dveloppement j sont donns par V
j
X. Nous
aurons alors :
( ) ( ) ( ) ( ) ( ) ( )
( )
1
1
]
1
,
_
,
_
+
+
j j
j j j
v
P
X E
v
C P
X E v P X v E C P X v E j en paiement E

De la mme faon, si nous intgrons les clauses de partage des intrts et de stabilit :

( )
( )
( ) ( )
1
1
]
1
,
_
,
_
+

1 1
j
j
j
j
j
v
Pw
X E
v
w C P
X E v j en paiement E

La cadence de rglement dans la tranche de rassurance en fonction du temps j vaut :

( )
( ) Ultimate E
j en paiement E
V
j

Re

Nous prsenterons la vitesse de paiement dterministe pour chacune des lois que nous
avons retenues pour notre tude.

III.2.1 Dans le cas de la loi de Pareto

Si nous modlisons la loi du montant par une Pareto nous obtenons :

( ) ( ) ( )
( )
( )
'

1 ln
1
1
1
, 0 max , min
1 1

L
L A P
P X C E

Ds lors le montant total charge pour le rassureur lultime sera donne par :

( )
( )

1
1
1 1
L A P
ultimate E

-24-

Le montant charge du rassureur lors de lanne de survenance j est donne par :

( )
( ) ( )

1
1
1 1
L A V P
j en paiement E
j

Et donc la vitesse de paiement lanne j vaut :

( )
( )

j
RE
j
V
Ultimate E
j en paiement E
V

Nous remarquons que la vitesse de paiement est indpendante de la priorit et de la
capacit du trait. Maintenant si nous souhaitons prendre en compte les clauses de
stabilit et de partage des intrts, nous obtenons la formule ci-dessous :

j
n
j RE
j
V
w
w
V
1
1

III.2.2 Dans le cas de la loi Exponentiel

Si nous modlisons la loi du montant par une Exponentiel nous obtenons :

( ) ( ) ( )
( )
C P
e e
P X C E

1
, 0 max , min

Ds lors le montant total charge pour le rassureur lultime sera donn par :

( )
( )
C P
e e
ultimate E

1


( )
,
_

j j
v
C
v
P
j
e e
v j en paiement E
1

Et donc la vitesse de paiement lanne j vaut :
( )
( ) ( )
C P
v
C
v
P
j j
e e
e e
v
Ultimate E
j en paiement E
V
j j

,
_

1
1
Re

-25-

Comme prcdemment, si nous faisons figurer les deux clauses de stabilit, nous
trouvons :

( ) ( )
( ) ( )
,
_
,
_
1 1
1 1
Re
1
1
n n
j
j
j
j
Cw Pw
v
Cw
v
Pw
j j
e e
e e
v V

III.2.3 Dans le cas de la loi Log-Normale

Si nous modlisons la loi du montant par une Log-Normale nous obtenons :

( ) ( ) ( )
( )
( )
( )
,
_
1
]
1
,
_
+
+ +
,
_
+

+
C P
C P
C P
e P X C E
log
1
log
, 0 max , min
2

( ) ( )
,
_
1
]
1
,
_
,
_
P
P
P
e
log
1
log
2

Le montant total charge pour le rassureur lultime est donn par :

( ) ( ) ( ) ( ) P X C E ultimate E , 0 max , min


( )
( ) ( )
,
_
+

+
log log
2
j
j
v C P
e v j en paiement E

( )
( ) ( )
,
_
1
1
]
1
,
_
+

+
j
j
v C P
v
C P
log log
1

( ) ( ) ( ) ( )
1
1
]
1
,
_
1
1
]
1
,
_
,
_
j
j
j
v P
v
P
v P
e
log log
1
log log
2

La vitesse de paiement lanne j vaut
( )
( ) Ultimate E
j en paiment E
V
j

Re

-26-

Nous navons pas jug bon de reproduire cette formule qui a linconvnient
dtre relativement longue et fastidieuse crire. Pour ce qui concerne lapplication des
deux clauses (Partage des intrts et de stabilit), le lecteur laura compris, au sein de la
formule il lui suffit de multiplier les priorits et couvertures par lindexation et de diviser
celles-ci par le facteur ( ) 1 .

III.3 La cadence de rglement Stochastique

Dans le paragraphe prcdent nous avions suppos une vitesse de paiement de
lassureur dterministe, or il est clair que les sinistres ne sont pas tous rgls avec la
mme vitesse. Certains sont pays plus vite, dautres sont pays plus lentement. Il semble
donc pertinent de vouloir analyser cet effet stochastique sur la vitesse de paiement dans
les tranches de rassurance. Maintenant nous poserons que V
j
est une variable alatoire.

III.3.1 Dans le cas Pareto

En reprenant la modlisation du montant du sinistre par une loi de Pareto, si nous
appliquons lingalit de Jensen nous avons que :

( ) 1 >
j
RE
j
EV EV
( ) 1 <
j
RE
j
EV EV

Nous constatons que la vitesse de paiement dans la tranche est plus rapide lorsque
le paramtre est suprieur 1, que celle calcule sur la base dun modle dterministe
et inversement quand est infrieur 1.
Ce rsultat nous apprend que si nous travaillons dans un modle dterministe nous
obtenons des estimations non conservatrices. Do la ncessit daller plus en avant dans
ltude de la vitesse moyenne de paiement dans une tranche de rassurance lorsque la
vitesse de paiement au premier franc est stochastique.

Une distribution naturelle pour analyser la vitesse de paiement est la distribution
de Bta, qui prend ces valeurs entre 0 et 1.

Si ( ) 0 , 0 , > >
j j j j
b a b a B Y , sa fonction de densit vaut :

( )
( )
( )
'
>
<
<

1 0
1 0
,
1
0 0
1 1
y si
y si
b a B
y y
y si
y f
j j
b a
j j

-27-

o B(a
j
,b
j
) est la fonction bta :

( ) ( )
( ) ( )
( )
+

1
0
1 1
1 ,
j j
j j b a
j j
b a
b a
du u u b a B
j j

et ( ) i est la fonction Gamma :

( )

0
1
dj e j i
j i

Son esprance vaut :

j j
j
j j
b a
a
EV
+

Sa variance vaut :

( ) ( ) 1
2
2
+ + +

j j j j
j j
j j
b a b a
b a
VarV

En intgrant la vitesse de paiement du rassureur par rapport une Bta(a
j
,b
j
), nous
obtenons le rsultat suivant :

( )
( )
( ) ( )
( ) ( )
+ +
+ +

j j j
j j j
j
j j
b
j
a
j
j
RE
j
b a a
b a a
dv
b a B
v v
v EV
j j 1
0
1 1
,
1

III.3.2 Dans le cas Exponentiel

Nous avons procd de la mme que pour le cas Pareto, savoir que nous avons intgr
la vitesse de paiement du rassureur par rapport une loi Bta.

( )
( )
( )
j
j j
b
j
a
j
C P
v
C
v
P
j
RE
j
dv
b a B
v v
e e
e e
v EV
j j
j j
,
_
1
0
1 1
,
1
1
1

Nous posons
( ) ( )
j j
C P
b a B e e
Y
, 1
1

( )
j
b
j
a
j
v
C
v
P
RE
j
dv v v e e Y EV
j j j j
,
_

1
0
1
1 1

Nexistant pas de mthode analytique pour rsoudre cette intgrale, nous avons eu
recours une mthode numrique avec le logiciel SAS.

-28-

III.3.2 Dans le cas Log-Normale

Comme prcdemment nous avons intgr la vitesse de paiement du rassureur
par rapport une loi Bta, nous ne reproduirons pas les calculs, car de la mme faon que
pour la loi Exponentiel, il nexiste pas de mthode analytique pour rsoudre cette
intgrale, de fait nous avons d recourir des mthodes numriques.

III.4 Mise en application

Durant tout ce mmoire nous baserons nos exemples dapplication sur un seul
chantillon, ceci peut paratre pour le moins restrictif mais cela en facilitera la lisibilit
des rsultats.
Il sagit dun fichier Excel issu du logiciel de cotation de la Secura Re XL
Rating . Il correspond un historique de sinistres observ sur le march nerlandais dans
la branche Responsabilit Civile. Les donnes reprsentent un triangle des fractions
cumules des sinistres, il y a onze annes de dveloppement, lanne la plus ancienne de
survenance est 1993. Ce fichier comprend 220 sinistres.

Les moments observs sur cet chantillon sont :

Tableau (1) - Moments observs sur lchantillon.
Anne i
i

i

1 3,09% 11,28%
2 16,02% 25,41%
3 26,88% 33,15%
4 36,57% 36,41%
5 42,90% 37,27%
6 55,22% 38,28%
7 66,39% 35,97%
8 68,82% 34,97%
9 72,36% 31,40%
10 80,10% 26,86%
11 83,31% 18,80%

Comme nous pouvons le voir sur les donnes, au bout de onze ans la fraction
rgle moyenne est de 83,31% avec un cart type de 18,80%, une observation visuelle
nous renseigne sur la fraction minimale qui est rgle, elle est de 51%, alors qu
loppos nous avons une fraction maximale qui dpass les 100%, pour atteindre 122%.

Toujours par observation, nous dtectons certaines anomalies dans le fichier,
des fractions de sinistres rgls dpassent allgrement les 100%, certains atteignent
141%, et dautres connaissent des baisses au fil des annes.

-29-

Comme il sera expliqu dans la partie consacre aux tests de sensibilits, nous
calibrerons les paramtres des diffrentes lois, de manire ce que leurs moments
(esprances et variances) soient identiques. De fait nous avons fix le paramtre A de la
loi de Pareto 500, et nous choisissons le paramtre alpha, puis nous calculons
lesprance et la variance, et ainsi via la mthode des moments nous avons dtermin les
paramtres des lois Bta et Log-Normale.

Si nous appliquons la vitesse de paiement du rassureur dans le cas dterministe et
stochastique nous obtenons les rsultats suivants :

III.4.1 Dans le cas Pareto

Tableau (2) Vitesse de Paiement pour = 2,5
V
j
Dterministe Stochastique
1 0% 1%
2 1% 7%
3 4% 16%
4 8% 24%
5 12% 29%
6 23% 42%
7 36% 54%
8 39% 57%
9 45% 59%
10 57% 68%
11 63% 69%

V
j
1 0% 1%
2 0% 6%
3 1% 13%
4 3% 20%
5 5% 25%
6 13% 38%
7 24% 50%
8 27% 53%
9 32% 54%
10 46% 64%
11 53% 63%
1

1
La fraction cumule la 11
me
anne est infrieure celle de la 10
me
anne cause dun effet nombre .
La 10
me
anne il y a 45 fractions de montant de sinistres alors qu la 11
me
il y en a 20, de fait la
dispersion y est moindre, ce qui a pour effet de diminuer la variance.

-30-

III.4.2 Dans le cas Exponentiel

V
j
1 0% 1%
2 0% 9%
3 1% 19%
4 12% 27%
5 18% 33%
6 33% 46%
7 49% 58%
8 54% 62%
9 58% 64%
10 70% 73%
11 75% 76%

V
j
1 0% 1%
2 0% 8%
3 3% 18%
4 9% 26%
5 15% 32%
6 29% 45%
7 45% 57%
8 50% 60%
9 54% 62%
10 67% 72%
11 72% 74%

III.4.3 Dans le cas Log-Normale

Tableau (6) Vitesse de Paiement pour 77 , 0 43 , 6
V
j
1 0% 1%
2 0% 9%
3 4% 18%
4 10% 26%
5 16% 32%
6 30% 45%
7 45% 57%
8 50% 60%
9 54% 62%
10 66% 72%
11 72% 74%

-31-

Tableau (7) Vitesse de Paiement pour 42 , 0 46 , 6
V
j
1 0% 0%
2 0% 5%
3 0% 13%
4 0% 20%
5 2% 25%
6 9% 38%
7 22% 50%
8 27% 53%
9 32% 54%
10 47% 64%
11 55% 63%

III.5 Description de la cadence Stochastique

Comme nous pouvons le constater lcart de vitesse est important. De ce constat
nous pouvons en tirer la conclusion quil est essentiel pour le rassureur de travailler avec
une vitesse stochastique puisque celle ci est en moyenne plus rapide que la cadence
dterministe. Ds lors la seule manire de prendre en compte cet aspect stochastique sera
de travailler par simulation afin que la vitesse de paiement de chaque sinistre soit
alatoire.

Cette vitesse stochastique devra respecter certaines contraintes :

Contrainte 1 ( C1 ) : [ ] 1 ; 0
j
V , il peut arriver que la fraction cumule V
j
dpasse
1 dans certaines branches dassurance, comme en assurance crdit o il peut y
avoir de nombreux recours, nanmoins nous nous restreindrons au cas o V
j
est
borne par 1.

Contrainte 2 ( C2 ) :
1 +
j j
V V , la proportion de sinistres rgle doit tre
croissante. Bien que dans la ralit il soit observ des cas o V
j+1
< V
j
comme
nous en avons dj fait la remarque dans le paragraphe III.4. Nous garderons
comme ligne de conduite que la vitesse stochastique doit satisfaire
1 +
j j
V V ,
mais le cas chant nous pourrions admettre des situations o la vitesse de
paiement soit dcroissante, si la dcroissance observe ne se produit que de
manire ponctuelle, et que cette dcroissance est faible.

Contrainte 3 ( C3 ) : ( )
j j
V E , et ( )
2
j j
V Var , la moyenne et la variance de
la fraction rgle obtenues par simulations pour lanne j, devront tre identique
celles observes sur la cadence de rglements dterministe de lassureur. De
manire pouvoir effectuer des comparaisons.

-32-

IV Les pistes envisages

Dans le paragraphe III.3, nous avons intgr les vitesses de paiement des
diffrentes lois par rapport une loi Bta afin de dmontrer quen moyenne, la vitesse
stochastique tait plus rapide que celle dterministe. Partant de ce constat, nous
cherchons une modlisation de la vitesse stochastique qui respectent les trois contraintes
voques ci-dessus, nous envisagerons au cours de ce paragraphe diffrentes
modlisations :

Loi multivarie
Chanes de Markov
Optimisation non linaire
Simulation conditionnelles
Copulas

IV.1 Loi multivarie

Comme nous lavons voqu dans la section prcdente, un ajustement par la loi
Bta de la vitesse de paiement pour chacune des annes de survenance est une
distribution naturelle, nanmoins la modlisation stochastique de j lois Bta (a
j
,b
j
)
indpendantes pour chacune des annes naurait gure de sens puisque rien ne garantirait
que C2 soit respecte. Ds lors, notre cadre ne doit plus se situer dans un environnement
univari o nous ne prendrions pas en compte ce qui se passe aux autres annes de
dveloppement, mais nous devons nous situer dans un univers multivari o chaque
fraction V
j
serait dtermine par rapport aux autres V
j
.

Suivant ce raisonnement, la loi multivarie qui simpose est la loi de Dirichlet,
puisque celle-ci est lextension multivarie de la loi Bta.

Sa densit vaut :
( )
( )
,
_
n
i
i
n
i
i
n
i
i
n
i
x x x f
1
1
1
1
1
,...,

n i x
i i
,..., 1 , 0 , 0 > (1)

Avec la loi de Dirichlet nous avons : 1
1
n
i
i
x , donc le n
me
x
i
est redondant, et nous
pouvons le remplacer par

1
1
1
n
i
i n
x x .

-33-

Nous pouvons ainsi remplacer sa valeur par lexpression prcdente dans la formule (1)
ce qui nous donne :

( )
( )

,
_
,
_
1
1
1
1
1
1
1
1
1
1 ,...,
n
i
n
i
i i
n
i
i
n
i
i
n
n
i
x x x x f
(2)

Les premiers et seconds moments de la Dirichlet sont :
( ) n i X E
i
i i
,..., 1
(3)
( )
( )
( )
n i X VAR
i i
i i
,..., 1
1
2
2
(4)
( )
( )
i j n j i X X Cov
j i
j i

+
,..., 1 ,
1
,
2

o
n
i
i
1
.

Il est noter que les deux premires mthodes destimation des paramtres que
nous prsenterons savoir la mthode des moments et la mthode du maximum de
vraisemblance nexploitent pas le degr de libert offert par la proprit que la somme
des x
i
est gale 1, cette proprit sera utilise dans le cas de la mthode dite
doptimisation.

IV.1.1 Estimation des paramtres

IV.1.1.1 La mthode des moments

En se rappelant les formules (3) et (4) qui dfinissent respectivement les premiers et
seconds moments de la Dirichlet, nous en dduisons que :

i
i

ainsi, si nous remplaons dans (4) :

,
_
,
_
,
_
1
2
2
i
i
i
i
i
i
i
i
i

-34-

En rsolvant en fonction des
i
, nous trouvons :

( ) n i
i
i
i
i i
,..., 1 1 1
2

,
_

donc

( ) n i
i
i
i
i i MM
,..., 1 1 1

2
,

,
_

Bien que lestimation par la mthode des moments soit directe, cette mthode ne sera pas
retenue pour valuer les paramtres, ceci pour deux raisons :

- dune part, cette estimation nest pas statistiquement efficace, car la matrice de
variance-covariance asymptotique est plus grande que linverse de la matrice
dinformation de Fisher

- dautre part, nous voyons que pour estimer un seul paramtre de la Dirichlet, nous
avons recours la moyenne et la variance empirique, ce qui nous amne une
surparamtrisation, ainsi si nous estimons, via cette mthode, les
i
et que nous
souhaitons retrouver les premiers moments partir desquels les paramtres ont t
estims, nous obtenons des rsultats diffrents, tableau (4).

Pour obtenir les ( )
*
j i
V et les ( )
* 2
j i
V , nous avons dcumul le triangle de notre
chantillon, et aprs nous avons calcul les premiers et seconds moments sur le nouveau
triangle des fractions dcumuls V
j
*
.

Tableau (8) - Estimation des
par la mthode des moments

Anne i
( )
*
j i
V ( )
* 2
j i
V ( )
*
,
j i MM
V ( )
*
j
V
i MM
( )
* 2
j
V
i MM

1 3,09% 1,27% 0,04 5,51% 2,97%
2 12,93% 5,02% 0,16 21,28% 9,53%
3 10,45% 4,18% 0,13 17,13% 8,08%
4 10,08% 4,55% 0,10 13,23% 6,54%
5 6,55% 3,44% 0,05 6,77% 3,59%
6 12,97% 7,23% 0,07 9,63% 4,95%
7 9,66% 5,14% 0,07 8,91% 4,62%
8 2,76% 1,88% 0,01 1,56% 0,87%
9 4,76% 3,39% 0,02 2,12% 1,18%
10 4,77% 3,42% 0,02 2,07% 1,16%
11 3,07% 0,76% 0,09 11,79% 5,92%

Malgr tout, lestimation obtenue via la mthode des moments est un excellent
point de dpart pour commencer les itrations de lalgorithme de Newton-Raphson qui
est utilis par le maximum de vraisemblance (voir paragraphe suivant).

-35-

IV.1.1.2 La mthode du maximum de vraisemblance.

En reprenant la formule (1), la fonction de vraisemblance scrit :
( ) ( )
( )
,
_
,
_

m
j
n
i
ij
m
n
i
i
m
n
i
i
m
j
n
i
x x x f X L
1 1
1
1
1
1
1
,..., /

En prenant le logarithme nprien, nous obtenons la fonction de logvraisemblance :

( ) ( ) ( ) ( ) ( ) ( )

,
_
,
_

m
j
n
i
ij
m
j
i
n
i
i
i
X m m X L X l
1 1
1
1 1
ln ln ln / ln /

En calculant les drives partielles nous obtenons :

( ) ( ) ( )
( )
,
_
,
_
m
j
jt
t
t
t
n
i
i
t
n t X m m
X l
1
1
,..., 1 ln
ln
ln
/

Nous pouvons dfinir la fonction :
( )
( )
( ) ( )

+
,
_
m
j
jt t
n
i
i
t
t
n t X m m
X l
X g
1 1
,..., 1 ln
/
/

O ( ) . est la fonction digamma dfini par ( )
( ) ( )
( ) x
x
x
x
x
'
ln
.
Nous utiliserons une procdure itrative pour rsoudre lquation. Une mthode
habituellement utilise est la mthode de Newton-Raphson. Nous dterminons une valeur
initiale pour , par exemple au moyen de la mthode des moments, (comme
prcdemment voqu). Pour trouver
MLE
qui est la solution de ( ) 0 / X g
t
.

Nous calculons par itration, et jusqu ce que nous obtenions convergence :
nouveau
=
ancien
-H
-1
g (il est noter que nous avons fix le critre de convergence 0,001).
O H est le Hessien, la matrice des drives secondes de la fonction de log-
vraisemblance.

( )
( )
t
n
i
i
t
m m
X l

' '
/
1
2
2

,
_

( )
( ) k t m m
X l
t
n
i
i
t
,..., 1
/
'
1
'
2
2

,
_
O
'
est la fonction trigamma.

-36-

Tout comme pour la mthode des moments, aprs que les paramtres
i
ont t
obtenu une fois la convergence atteinte de la fonction g
t
, nous narrivons pas retomber
sur les valeurs initiales des moments, tableau (5), ce qui tait prvisible a priori. Ds lors,
pour estimer les paramtres nous avons eu recours une 3
me
mthode.

Tableau (9) - Estimation de par le maximum de vraisemblance
Anne i
( )
*
j i
V ( )
* 2
j i
V ( )
*
,
j i MV
V ( )
*
j
V
i MV
( )
* 2
j
V
i MV

1 3,09% 1,27% 1,22 4,82% 0,17%
2 12,93% 5,02% 3,69 14,60% 0,47%
3 10,45% 4,18% 3,07 12,16% 0,41%
4 10,08% 4,55% 2,98 11,79% 0,40%
5 6,55% 3,44% 2,10 8,30% 0,29%
6 12,97% 7,23% 3,70 14,64% 0,48%
7 9,66% 5,14% 2,88 11,38% 0,38%
8 2,76% 1,88% 1,13 4,47% 0,16%
9 4,76% 3,39% 1,65 6,51% 0,23%
10 4,77% 3,42% 1,65 6,52% 0,23%
11 3,07% 0,76% 1,21 4,80% 0,17%

IV.1.1.3 La mthode doptimisation

Par dfinition nous avons que 1
1
n
i
i
x , donc nous avons un degr de libert (comme
expliqu auparavant). Via la formule (3), nous pouvons en dduire que
1
1
1
+
n
n
i
i
i
i

. Ainsi, nous pouvons jouer sur le dernier paramtre pour ajuster

les
i
sur les premiers et seconds moments.
Nous dfinissions une fonction objectif :

Min
( )
( )
,
_
n
i
i i
i
1
2
2
2
1

o seul le paramtre
n+1
varie.
Nous reconnaissons dans cette fonction, la formule (4), qui est lexpression de la variance
de lun des x
i
en fonction de
i
et de la somme des
i
. Ainsi aprs avoir fix tous les
i
,

pour i=1,,n, (comme expliqu ci-dessus) nous faisons varier le
n+1
, de manire ce
que les moments du second ordre correspondent le plus possible aux variances observs
sur la vitesse de paiement au 1
er
euro.

-37-

Mme si nous narrivons pas retrouver les premiers et seconds moments en
partant des , tableau (10), via cette mthode le calibrage est meilleur quavec les deux
prcdentes manires, donc nous retiendrons cette mthode pour lestimation des
paramtres.
Le lecteur pourra voir que le tableau (10) comporte une ligne supplmentaire ce qui
correspond au fait quavec la mthode par optimisation, nous avons un degr de libert en
plus et que cela se traduit par une anne supplmentaire.

Tableau (10) - Estimation de par optimisation
Anne i
( )
*
,
j i OPT
V ( )
*
j
V
i OPT
( )
* 2
j
V
i OPT

1 0,03 3,09% 1,56%
2 0,12 12,93% 5,86%
3 0,10 10,86% 5,04%
4 0,09 9,69% 4,56%
5 0,06 6,33% 3,09%
6 0,11 12,32% 5,63%
7 0,10 11,18% 5,17%
8 0,03 3,17% 1,60%
9 0,03 2,80% 1,42%
10 0,07 7,74% 3,72%
11 0,03 3,21% 1,62%
12 0,15 16,69% 7,24%

Maintenant que nous avons retenu une mthode destimation des paramtres qui
nous assurera que la contrainte C3 sera respecte (C1 et C2 seront respectes par
construction mme de la dirichlet), nous pouvons passer aux simulations proprement
parler.

IV.1.2 Simulation de la loi de Dirichlet.

Pour simuler des variables alatoires issues dune loi de Dirichlet, il faut dabord se
remmorer quune Dirichlet est une loi Bta multivarie.

Pour simuler des variables alatoires suivant une loi Bta, il faut simuler deux lois
Gamma ( ) ( ) , ,
2 1
U U .
Donc si
( ) ,
2 1
1
Bta
U U
U
Z
+

Le lecteur intress pourra en trouver une dmonstration dans louvrage de Foata-Fuchs
cit en annexe bibliographique
Ceci peut tre gnralis une distribution de Dirichlet :
( ) n i
U
U
V U
n
i
i
i
i i i
,..., 1 ,
1
*

-38-

De mme quauparavant, le lecteur souhaitant voir la dmonstration complte pourra se
rfrer larticle de Ishijima cit en bibliographie.

IV.1.3 Rsultats

Par dfinition mme, les V
j
sont compris entre 0 et 1, en cela C1 est respecte, C2 est
aussi respecte puisque nous avons
j
k
k j
V V
1
*
, C3 est aussi respecte puisque
1
1
1
*
n
k
k
V , par construction mme de la Dirichlet.
Malgr les problmes destimations des paramtres survenus, il est remarquer
que les moments sont relativement bien calibrs, tableau(7). Nanmoins comme nous
lavons remarqu plus haut, si le jeu de donnes dont nous disposons dispose de n annes
de dveloppement, nous sous-entendons implicitement que tous les sinistres seront rgls
la n+1
me
, la probabilit quun sinistre soit entirement rgl avant la n+1me anne est
trs faible, puisquelle correspond au fait que les V
j
* qui seront simuls aprs cette anne
de survenance de la liquidation complte du sinistre soit gale 0 ou trs proche, ce qui
est trs peu probable. Hors dans notre chantillon de donnes, il apparat clairement que
des sinistres sont rgls ds la 2
me
anne, 3
me
anne, etc.

Tableau (11) Comparaison des moments avec des simulations de Dirichlet
Anne i
i

i

i DIR,

i DIR,

1 3,09% 11,28% 2,92% 11,46%
2 16,02% 25,41% 15,82% 26,13%
3 26,88% 33,15% 26,14% 31,39%
4 36,57% 36,41% 36,80% 34,69%
5 42,90% 37,27% 43,50% 35,53%
6 55,22% 38,28% 55,88% 35,46%
7 66,39% 35,97% 66,59% 33,47%
8 68,82% 34,97% 70,19% 32,49%
9 72,36% 31,40% 73,14% 31,49%
10 80,10% 26,86% 80,62% 28,10%
11 83,31% 18,80% 83,43% 26,55%
12 / / 100% 0%

Ds lors mme si le calibrage apparat relativement satisfaisant pour les moments,
la Dirichlet parat incapable de modliser la possibilit quun sinistre soit rgl avant
lchance impose. Partant de ce constat, toutes les pistes que nous prsenterons ci-aprs
essaieront de parer cet inconvnient, en gardant pour base la Dirichlet.

-39-

IV.2 Les chanes de Markov

Aprs avoir explor la loi de Dirichlet, nous avons mis en avant que son principal
inconvnient tait quun sinistre ne pouvait tre entirement rgl avant la n+1
me
anne.

Ds lors pour parer ce dfaut, nous avons simul une cadence de rglement via
la Dirichlet comme expliqu auparavant, et nous avons assimil les j annes de
dveloppements j tat, j=1,,n sachant que n indique que le sinistre est entirement
rgl.
Aprs, il nous suffisait de dterminer une matrice de transition P
ij
avec i =1,,n
et 1 + i j , o n reprsente lchance laquelle un sinistre est entirement rgl. Ce
qui nous permettait, selon une certaine probabilit, de passer dun tat i un tat j.
Puis tant dans ltat j, nous avons une probabilit datteindre ltat k P
jk
, j =i+1,,n
et 1 + j k , et ainsi de suite jusqu ce que nous atteignons le dernier tat, n ,
correspondant au sinistre entirement rgl.

Aprs avoir dtermin cette matrice de transition, nous simulons une chane de
Markov, et ainsi de manire alatoire, un sinistre pouvait tre entirement rgl avant
lchance, puisquil existe une probabilit non nulle datteindre ltat n en tant dans
un tat i, o i< n-1.

Pour bien fixer les ides sur le raisonnement que nous avons suivi, voici un
exemple concret du droulement de la cadence, nous fixons n = 11:

Anne de
dveloppement j
1 2 3 4 5 6 7 8 9 10 11
Vitesse de
paiement
V
1
V
2
V
3
V
4
V
5
V
6
V
7

V
8
V
9
V
10
V
11

Chemin 1 : P
1,2
P
2,3
P
3,4
P
4,5
P
5,6
P
6,7
P
7,8
P
8,9
P
9,10
P
10,11

Chemin 2 : P
1,2
P
2,3
P
3,4
P
4,5
P
5,6
P
6,7

P
7,10

P
10,11

Chemin 3 : P
1,2
P
2,3
P
3,4
P
4,5
P
5,6
P
6,8

P
8,11

O les V
j
reprsente les fractions payes chacune des j annes, ces fractions sont
obtenues par simulation dune Dirichlet, comme expliqu prcdemment.

-40-

Dans notre dmarche le chemin suivit par la Dirichlet est le chemin 1:
P
1,2
=> P
2,3
=> P
3,4
=> P
4,5
=> P
5,6
=> P
6,7
=> P
7,8
=> P
8,9
=> P
9,10
=> P
10,11
. Le sinistre est
entirement rgl en 11ans.

Lintrt de la modlisation par les chanes de Markov est davoir des chemins de types 2
ou 3.

Chemin 2 :
P
1,2
=> P
2,3
=> P
3,4
=> P
4,5
=> P
5,6
=> P
6,7
=> P
7,10
=> P
10,11,
ce qui correspondra un sinistre
entirement rgl au bout de la 9
me
anne. Durant les 7
res
annes de dveloppement, la
vitesse de paiement sera celle simule avec la Dirichlet, la 8
me
anne de dveloppement
correspondra la 10
me
fraction simule avec la Dirichlet, et la 9
me
anne le sinistre sera
entirement rgl.

Chemin 3 :
P
1,2
=> P
2,3
=> P
3,4
=> P
4,5
=> P
5,6
=> P
6,8
=> P
8,11,
me
anne. Durant les 6
res
annes de dveloppement, la
vitesse de paiement sera celle simule avec la Dirichlet, la 7
me
anne de dveloppement
correspondra la 8
me
fraction simule avec la Dirichlet, et la 8
me
anne le sinistre sera
entirement rgl.

Naturellement dautres chemins sont possibles, tout dpend de la probabilit en tant dans
un tat i datteindre ltat j.

Naturellement pour obtenir de tels chemins , la matrice de transition doit tre
particulire puisquelle doit interdire la possibilit quen tant ltat j+1, nous puissions
retourner ltat j, afin de respecter C2. Ainsi P
ij
devait avoir la forme dune matrice
triangulaire, avec que des 0 dans le triangle infrieur, comme ci dessous :

,
_
n n
n
ij
P
P P
P
, 1
1 12
0 ... 0
... .. ... ...
... .. ... 0
.. ...

Pour modliser cette matrice de transition, nous avons opt pour deux processus trs
semblables mais nanmoins trs diffrents dans leur approche conceptuelle.

- Le Processus de Yule
- Le Processus de Poisson

-41-

IV.2.1 Le processus de Yule

IV.2.1.1 Prsentation

Le processus de Yule est aussi connu sous le nom de Processus de naissance
pure , il est utilis dans le cadre de la modlisation de la croissance dune population.
Dans sa version originale , au temps 0, il y un seul individu, les individus ne meurent
jamais et chaque individu, indpendamment des autres, donne naissance un nouvel
individu au taux , pour tre plus prcis, le temps dattente pour quun individu vivant
donne naissance un autre individu est indpendant et identiquement distribu (i.i.d),
distribu exponentiellement au taux .
Donc quand la taille de la population est i , le temps dattente pour la prochaine
naissance est exponentiellement distribu au taux
i
=i, quand la naissance survient, la
taille de la population augmente de 1. Le processus de Yule (Y
t
) correspond la taille de
la population, Yule a dmontr que Y
t
suit une loi gomtrique de paramtre
p= ( ) t exp .
Nous allons adapter ce contexte pour le rendre compatible avec notre cadre
danalyse. Notre adaptation du Processus de Yule original consistera en une
modification des paramtres du temps dattente (
i
) et laccroissement de la population
(constant : +1), nous poserons que le temps dattente, qui correspond pour nous
lespacement entre deux annes de dveloppement, est constant (une anne), et que
laccroissement de la vitesse de paiement dpend du paramtre
i
.

Ainsi, Les cadences de rglement des diffrents sinistres sont des variables
alatoires i.i.d. A chaque anne de dveloppement, la proportion du sinistre rgle est
modlise par un paramtre
j
, j=1,,n. Ainsi les cadences de rglement pour tous les
sinistres sont distribues exponentiellement au taux
j
.

Une autre diffrence avec la version originale du Processus de Yule, celui-ci
supposait un taux constant qui augmentait linairement avec le temps (
i
=i), alors que
dans notre modle nous ne pouvons appliquer une mme proportion de sinistre rgle
pour chacune des annes de dveloppement, de fait chacune des annes de la cadence de
rglement aura un taux particulier (
j
) ce qui nous empche la modlisation par une loi
gomtrique.

IV.2.1.2 Modlisation

Pour prsenter la rsolution analytique de Processus de Yule adapte notre modle,
nous aurons recours des convolutions dexponentielles. Nous savons que
> <
1
1
les o
j
k
k k t
T t T j V sont des variables alatoires exponentielles indpendantes
avec un taux
k
.

-42-

Nous introduisons la notation suivante :

( )

i j n j i j
j
n i C
,..., 1
,

Nous commenons la dmonstration dans le cas de deux variables alatoires
exponentielles :

( ) ( ) ( ) ( ) t T P dx x t T P x f t T T P
t
T
> + > > +
2 1
0
2 1
2

( )

+
t
t x t x
e dx e e
0
2
2 1 2

( )
i
t t t
i
e i C e e

2 ,
1 2
1 2
2
2 1
1

Dans le cas de trois variables alatoires :

( ) ( ) ( ) ( ) t T P dx x t T T P x f t T T T P
t
T
> + > + > + +
3
0
2 1 3 2 1
3

( )
( )
( )

+
i i
t
t
t x t x
i i
e i C e dx e e i C

3 , 2 ,
0
3
3 3

Dans le cas gnral, nous obtenons :

( )

,
_
>
1
1 , 1 ,..., 1
1
1
1
1
1 ,
j
i m i j m
t
i m
m
t
j
i
j
k
k
i i
e e j i C t T P

Donc en adoptant les notations usuelles des Chanes de Markov nous avons :

( ) ( ) ( ) 1 1 1
0 0 1
< + < X j X P X j X P t P
t t j

1
1 , 1 ,..., 1 1 , ,..., 1
j
i i m j m
t
i m
m
j
i i m j m
t
i m
m i
i
e e

Pour j = 2,,k.

-43-

De manire nous assurer que ( ) 1
1
+
n
i j
ij
t P , nous posons que ( ) ( )
+

1
1
1
n
i j
ij in
t P t P .

IV.2.2 Processus de Poisson
Nous savons que
( ) ( ) ( )
( )
!
,
n
t
e n s N t s N P
n
s t
t s s
s

+
+
o N(.) est une loi de
poisson, n est le nombre de top se produisant entre ]0,s].

Nous posons quun top quivaut saut, cest--dire, un passage de ltat i ltat j o
j>i+1, ainsi ( ) ( )
1
0 1
12

e N P , de mme ( ) ( ) ( )
1
2
13
2 1 2
1

e N P ainsi si nous
gnralisons :

( ) ( )
( )
( ) ( )
( )! 1
) 1 (
) 1 (

i j
i j
e i j i j N P
i j
i i j
ij
i

j= i+1,,n

La condition pose que j>i+1 se justifie du fait que la suite logique dans le
droulement de la vitesse de rglement est de passer l tat suivant (autrement dit, nous
sommes la j
me
anne de dveloppement, et la suite logique veut que nous passons la
(j+1)
me
), et que le cas anormal, qui correspond sauter au moins un tat (passer
directement de la j
me
anne de dveloppement la (j+k)
me
anne de dveloppement o
k>1), reprsente un saut, do le dcalage dindice.

Autre point noter, tant donn que nous bornons j n, nous effectuons une
normalisation des valeurs sur chaque ligne, afin que la somme des probabilits de chaque
ligne soit gale un.

IV.2.3 Mise en application

- Etape1 : Nous modlisons les matrices de transition suivant les deux processus
prsents ci dessus.

Tableau (12) -Matrice de Transition suivant le Processus de Yule
Pij 1 2 3 4 5 6 7 8 9 10 11
1 0 0,9976 0,0021 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0 0 0,9813 0,0165 0,0019 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0 0 0 0,9601 0,0344 0,0047 0,0006 0,0000 0,0000 0,0000 0,0000
4 0 0 0 0 0,9395 0,0501 0,0087 0,0013 0,0000 0,0000 0,0000
5 0 0 0 0 0 0,9139 0,0685 0,0146 0,0024 0,0000 0,0000
6 0 0 0 0 0 0 0,8764 0,0969 0,0220 0,0038 0,0000
7 0 0 0 0 0 0 0 0,8513 0,1153 0,0270 0,0063
8 0 0 0 0 0 0 0 0 0,8409 0,1201 0,0389
9 0 0 0 0 0 0 0 0 0 0,8227 0,1773
10 0 0 0 0 0 0 0 0 0 0 1

-44-

Tableau (13) -Matrice de Transition suivant le Processus de Poisson
Pij 1 2 3 4 5 6 7 8 9 10 11
1 0 0,9695 0,0220 0,0013 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0 0 0,8518 0,1163 0,0238 0,0057 0,0015 0,0000 0,0000 0,0000 0,0000
3 0 0 0 0,7647 0,1571 0,0484 0,0177 0,0070 0,0030 0,0000 0,0000
4 0 0 0 0 0,6978 0,1770 0,0673 0,0303 0,0150 0,0079 0,0043
5 0 0 0 0 0 0,6646 0,1856 0,0777 0,0386 0,0210 0,0122
6 0 0 0 0 0 0 0,6217 0,1976 0,0942 0,0532 0,0330
7 0 0 0 0 0 0 0 0,6159 0,2105 0,1079 0,0655
8 0 0 0 0 0 0 0 0 0,6546 0,2271 0,1182
9 0 0 0 0 0 0 0 0 0 0,7402 0,2597
10 0 0 0 0 0 0 0 0 0 0 1

- Etape 2 : Nous simulons ensuite une loi de Dirichlet comme expliqu au
paragraphe prcdent.

- Etape 3 : nous simulons la chane de Markov, nous procdons comme suit :
Nous posons i = 1, comme valeur courante, puis nous simulons une variable
alatoire uniforme, U :
ij i ij i
P P U P P + + < + +

... ...
1 1 1
alors j devient la
valeur courante, et nous recommenons jusqu' ce que la valeur courante gale n.

Explication :
Supposons que n gale 11 annes, si les valeurs courantes sont successivement
2,3,4,5,6,7,8,9,10,11, dans ce cas nous aurons le schma suivant :
P
1,2
=> P
2,3
=> P
3,4
=> P
4,5
=> P
5,6
=> P
6,7
=> P
7,8
=> P
8,9
=> P
9,10
=> P
10,11
, ce qui correspondra
une cadence de rglement simule, le sinistre tant entirement pay au bout de la 11
me

anne. Mais dautres chemins sont tout aussi possible.
Si les valeurs courantes sont 2,3,4,5,6,7,10,11, alors nous aurons le chemin suivant :
P
1,2
=> P
2,3
=> P
3,4
=> P
4,5
=> P
5,6
=> P
6,7
=> P
7,10
=> P
10,11,
me
anne.

Chacune des ralisations de la Dirichlet simul correspond un tat, cest pour
cela que le recours une chane de Markov nous permet de contourner le problme
observ au paragraphe prcdent, puisquainsi nous pouvons modliser des sinistres
entirement pays avant l chance.

-45-

IV.2.4 Rsultats

Nous commencerons par prsenter les rsultats obtenus avec le Processus de Yule.

Tableau (14) - Moments obtenus avec le Processus de Yule
Anne i
i

i

i YULE,

i YULE,

1 3,08% 11,28% 3,13% 11,24%
2 16,02% 25,40% 15,42% 26,04%
3 26,88% 33,14% 26,59% 31,53%
4 36,56% 36,41% 36,71% 34,49%
5 42,90% 37,27% 44,40% 35,49%
6 55,21% 38,27% 57,81% 35,61%
7 66,39% 35,97% 67,55% 33,98%
8 68,82% 34,97% 71,48% 32,97%
9 72,36% 31,39% 76,11% 32,26%
10 80,10% 26,86% 82,04% 28,57%
11 83,31% 18,79% 85,79% 26,93%
12 / / 100% 0%

Tableau (15) - Moments obtenus avec le Processus de Poisson
Anne i
i

i

i POISSON,

i POISSON,

1 3,08% 11,28% 2,80% 12,09%
2 16,02% 25,40% 15,67% 26,26%
3 26,88% 33,14% 28,81% 31,61%
4 36,56% 36,41% 42,50% 34,86%
5 42,90% 37,27% 54,66% 35,94%
6 55,21% 38,27% 66,81% 36,34%
7 66,39% 35,97% 74,09% 34,34%
8 68,82% 34,97% 77,31% 33,54%
9 72,36% 31,39% 80,58% 32,59%
10 80,10% 26,86% 83,99% 29,23%
11 83,31% 18,79% 90,01% 27,58%
12 / / 100% 0%

Pour le Processus de Yule, un constat visuel nous permet de nous rendre compte
que les trois contraintes sont respectes, les moments sont bien calibrs, les valeurs sont
comprises entre 0 et 1, les fractions cumules sont croissantes nanmoins nous nous
apercevons que le nombre de sinistres entirement rgls avant lchance est encore en
nombre trop faible, ce qui dailleurs peut se concevoir tant donn que dans la matrice de
transition il nest pas possible de rester dans un tat, les moments devraient tre
normalement suprieurs, or nous voyons quil nen est rien pour le Processus de Yule,
tandis que pour le Processus de Poisson, les moments du second ordre ne sont pas assez
bien calibrs pour avoir recours cette mthode de modlisation.

-46-

IV.3 Optimisation non-linaire

Jusqu prsent nous avions dans lide damliorer la simulation de la Dirichlet,
en la couplant une autre modlisation, pour prendre le compte que les sinistres peuvent
tre rgls de manire prmature afin de respecter au mieux la ralit, malheureusement,
cela ne pouvait se faire quau dtriment des contraintes.

Nous avons choisi daborder une autre mthode, au lieu de modliser une cadence
qui respecterait les trois contraintes, puis dessayer de simuler des sinistres entirement
rgls avant lchance, nous abordons une optique inverse, nous nous intresserons
dterminer en premier, quand les sinistres vont tre entirement rgls, puis de trouver
une cadence de rglement qui respectera les contraintes en fonction des rglements
anticips.

IV.3.1 Travail Prliminaire

Pour appliquer cette mthode, il nous faut tout dabord ajuster une loi qui
reprsente la frquence laquelle les sinistres sont rgls. Pour se faire, sur notre
chantillon nous indexerons chaque sinistre par une indicatrice, qui prendra la valeur 0 si
le sinistre nest pas encore entirement rgl, et 1 si celui ci lest.

Nous ne considrons dans ce cas de figure que le moment auquel le sinistre est
entirement rgl, indpendamment de sa vitesse de rglement. Une fois que nous avons
obtenu un triangle binaire , dans le sens o celui-ci ne comprend que des zros et des
un, nous ajustons diffrentes lois, nous effectuons un test du Khi-Deux, et nous
choissions celle qui a la P-Value la plus leve.

Nous modlisons un vecteur de probabilit de rglement :

( ) ( ) ( ) i N P i P o P n P n P P
N N N N
+ ), 1 ( ),..., ( ), 1 (

avec N qui suit la loi retenue avec le test du Khi-Deux.

Donc si nous retenons une loi de Poisson() pour modliser la frquence avec laquelle un
sinistre est entirement rgl, nous obtiendrons le vecteur P suivant :

( )
( )
( )
( )
( )
( )
( )

,
_
+
+
e P
n
e
n P
n
e
n P
P
N
n
N
n
N
1
!
! 1
1
1

-47-

Nous posons que le sinistre sera entirement rgl au maximum lchance n+1.
Nous simulons ensuite une cadence de rglement avec la Dirichlet comme prcdemment
expliqu au paragraphe IV.1.2, nous dcumulons les valeurs simules, de manire ce
que

j
j
V 1
*
, nous obtenons ainsi un vecteur que nous nommerons : ( )
t
n
V V V
*
1
*
1
*
,...
+
.

IV.3.2 Mthodologie

Lide avec loptimisation non-linaire est de transmettre une fonction objectif
minimiser sous certaines contraintes, et que le rsultat de cette optimisation nous donnera
le rsultat suivant

W W W
w w
w w
n
n
n
,
_
,
_
,
_
,
_
+
+
1 1
, 2 1 , 2
1 , 1 1 , 1
...
0 ... 0 1
... 0 ... ...
0 ...
... ...

La 1
re
ligne de la matrice W, qui correspond un sinistre qui sera rgl en n+1
annes, reprsente les fractions de sinistres qui seront rgls chacune des n+1 annes, la
2
me
ligne, qui correspond un sinistre qui sera rgl en n annes, reprsente les fractions
de sinistres qui seront rgls chacune de ces n annes, et ainsi de suite, la dernire ligne
reprsente un sinistre qui sera rgl ds la 1
re
anne.

La fonction minimiser est :

( ) [ ] 1 0 , 1 , 0 , 1 min
, ,
1
1
,
2
*
+ > +

+
n j i si w w w slc V PW
j i j i
n
j
j i

Aprs avoir obtenu une matrice W, nous simulons une variable alatoire qui suit la loi
prcdemment ajuste, et selon la valeur obtenue, nous choisissons la ligne de la matrice
W correspondante. Il est noter que si la valeur alatoire simule nous renvoit une valeur
suprieure n+1, nous bornons celle-ci n+1.

IV.3.3 Mise en application & rsultats

IV.3.3.1 Exemple didactique

Nous poserons par hypothse que les sinistres sont entirement rgls au bout de 4
ans au maximum. Nous posons :

( ) 2 , 0 ) 1 ( ; 2 , 0 ) 2 ( ; 3 , 0 ) 3 ( ; 3 , 0 ) 4 (
N N N N
P P P P P

( )
t
V V V V V 2 , 0 ; 3 , 0 ; 3 , 0 ; 2 , 0
*
4
*
2
*
3
*
1
*

-48-

Comme nous sommes en dimension quatre, nous imposons que w
41
=1 et que tous
les w
ij
situs en dessous de la diagonale de la matrice soient gales zro. Nous donnons
SAS le vecteur des probabilits de rglement P ainsi que le vecteur V*, ensuite nous lui
donnons les contraintes exposes dans le paragraphe II.3.2, pour dduire la matrice W,
nous utilisons lalgorithme de Quasi-Newton. Le logiciel SAS trouve une solution au
bout de neuf itrations effectu en 0,005 secondes. Nous obtenons aprs optimisation la
matrice W suivante :

,
_
% 0 % 0 % 0 % 100
% 0 % 0 % 99 % 1
% 0 % 03 , 79 % 97 , 20 % 0
% 80 , 66 % 88 , 20 % 33 , 12 % 0
W

Nous simulons une variable alatoire, nous obtenons n=4, et donc notre sinistre sera rgl
en 4 ans, et la cadence de rglement sera V
1
=0; V
2
=12,33% ;V
3
=33,21% ; V
4
=1.

IV.3.3.2 Exemple rel

Aprs avoir montr un exemple explicatif, nous allons prsent raisonner sur des
donnes relles. Nous supposons que lchance maximale pour quun sinistre soit rgl
est de 12 ans. Nous effectuons des ajustements de lois, avec le rsultat du test du Khi
Deux, nous choisissons dajuster la frquence avec laquelle les sinistres sont rgls
suivant une loi de poisson de paramtre = 7,5. Nous obtenons les vecteurs suivants :

( ) 004701 , 0 ) 1 ( ;...; 058521 , 0 ) 11 ( ; 036575 , 0 ) 12 (
N N N
P P P P

( )
t
V V V V 00148256 , 0 ; 0608643 , 0 ;...; 045269 , 0
*
12
*
11
*
1
*

Nous entrons ces donnes dans la fonction objectif , mais il savre que, que ce
soit avec le logiciel SAS ou avec le solveur dExcel, dans un cas comme dans lautre, ils
ne peuvent trouver de solutions faisables qui satisfassent toutes les contraintes.
Autant en dimension quatre nous trouvions des solutions optimales, autant en dimension
douze, il savre que nous ne pouvons rsoudre ce programme doptimisation.
De fait nous navons pas pu approfondir cette piste.

-49-

IV.4 Simulations conditionnelles

Aprs avoir tent de modliser une cadence de rglements via des simulations de
lois de Dirichlet ( qui se sont rvles infructueuses pour prendre en compte la possibilit
quun sinistre soit rgl de manire anticipe) ou encore via une mthode doptimisation
non linaire, qui sest solde par limpossibilit de trouver un optimum satisfaisant
toutes les contraintes, nous nous sommes donc fort logiquement tourns vers une
mthode qui tait une combinaison des deux prcdentes.

IV.4.1 Prsentation

Parmi toutes les mthodes de simulations conditionnelles non-gaussiennes
(simulations squentielles dindicatrices, mthode utilisant les champs de probabilits,
), cest la mthode du recuit simul que nous avons dcid de mettre en uvre, qui
est une mthode de simulation base sur une technique doptimisation. Le recuit simul
est une mthode itrative base sur loptimisation dune fonction objectif .

Dans les problmes doptimisations classiques, nous commenons par trouver une
solution initiale S
0
au problme, nous regardons la valeur de la fonction objectif V
0
en
ce point. Ensuite nous transformons lgrement cette solution, ce qui nous donne une
solution S
1
, nous lintroduisons dans la fonction objectif , V
1
, si V
1
< V
0
, nous prenons
S
1
comme solution courante, sinon nous gardons la solution initiale. Nous continuons
jusqu ne plus pouvoir gnrer de nouvelles solutions ayant une valeur de la fonction
objectif infrieure la solution courante. Le principal inconvnient avec cette
mthode est que nous avons toutes les chances de tomber dans un minimum local, cest
dire que nous aurons une solution, qui tout en ntant pas la solution optimale, sera telle
quaucune lgre modification ne permettra dobtenir une valeur infrieure.

Lalgorithme du recuit simul permet de rsoudre ce problme de minimum
local. En effet contrairement aux cas doptimisations classiques, une nouvelle solution
dont la valeur de la fonction objectif est suprieure celle de la fonction objectif
courante ne sera pas forcment rejete, son acceptation sera dtermine alatoirement en
tenant compte de la diffrence entre les valeurs des fonctions objectifs , ainsi que dun
autre facteur appel temprature (la terminologie employe dans lalgorithme est base
sur le domaine de la mtallurgie, pour plus dexplications sur ce point, le lecteur pourra
se rfrer la littrature mentionne en repre bibliographique).

Ce paramtre, la temprature, sert prendre en compte le fait que, plus le
processus doptimisation est avanc, moins nous sommes prts accepter une solution
dont la valeur de la fonction objectif est plus leve, ou alors elle ne doit pas tre trop
leve. Par contre au dbut, lacceptation des solutions dont les valeurs de la fonction
objectif sont leves permettra de mieux explorer tout lespace des solutions possibles
et par-l mme daccrotre nos chances dapprocher le minimum global.

-50-

La meilleure analogie que nous puissions faire pour comparer les algorithmes de
recuit simul et ceux doptimisations classiques consiste se reprsenter un paysage de
montagnes enveloppes dans le brouillard. Nous cherchons rejoindre la valle la plus
basse (le minimum global). A chaque instant nous dcidons alatoirement dune
direction. Si cela nous fait descendre, nous la suivons, sinon nous recommenons. Cela
correspond aux mthodes doptimisations. Nous voyons trs bien que si nous nous
trouvons dans une cuvette, nous nen sortirons jamais sans mme savoir que ce nest pas
le fond de la valle ( cause du brouillard).

Si le chemin nous fait monter, nous pouvons galement nous dire : Voyons, cela
monte beaucoup (fort accroissement de la solution) mais comme je viens de commencer
marcher (temprature leve), je ne suis pas encore fatigu, jaccepte donc de monter .
Cette dmarche va aider franchir les cuvettes (minima locaux). Au fur et mesure que
le temps passe (temprature de plus en plus basse), la fatigue sinstalle et nous acceptons
de moins en moins de monter ou alors peu.

Cet algorithme ne garantit pas datteindre le minimum global, mais pour peu que
la dcroissance de la temprature soit lente, nous allons nous en approcher.

IV.4.2 Algorithme

tape 1 : Nous dfinissons une fonction objectif minimiser :
( ) ( )
2
1
2
1
1

+
,
_

n
i
i i
n
i
i
X X X f
o les X
i
sont des variables alatoire suivants des lois Beta(a
i
,b
i
) ajust pour
chacune des i annes sur la cadence de rglements des sinistres dcumuls.

tape 2 : Nous initialisons le vecteur X = (X
1
, ,X
n
) et la temprature initiale
25 (la littrature recommande que la temprature soit fixe dans cet ordre de
grandeur).

tape 3 : Nous modifions la solution courante, pour cela nous simulons une
variable alatoire qui nous indiquera quelle composante parmi les n du vecteur
X, celle que nous devrons modifier. Avec ce nouveau vecteur X , nous calculons
la valeur de la fonction objectif .

tape 4 : Si f(X) f(X) > 0, alors le vecteur X devient la solution courante,
Sinon, nous tirons un nombre alatoire U dans [0,1],
Si
,
_

<
e tempratur
X f X f
U
) ' ( ) (
exp , alors le vecteur X devient la solution
courante,
Sinon, la solution courante reste inchange.

-51-

tape 5 : Nous abaissons la temprature, nous avons suivi les recommandations
de la littrature, qui prconisait une dcroissance gomtrique de la temprature.
Nous avons choisi temprature = 0,9 * temprature.

tape 6 : Nous dfinissons les conditions darrt :
soit que la valeur de la fonction objectif courante est infrieure ,
soit 00001 , 0
) ' ( ) (
exp <
,
_

e tempratur
X f X f
,
Sinon nous retournons ltape 3.

IV.4.3 Rsultats

Nous voyons que les moments ne sont pas calibrs correctement, constatation qui est
surtout vidente pour les moments du second ordre, ceci vient du fait que nous ne
pouvons pas les intgrer dans la fonction objectif . Comme mentionn dans la
prsentation, cet algorithme ne garantit pas datteindre le minimum global, autrement dit
dans notre cas de figure, que le sinistre soit entirement rgl, de plus la probabilit pour
quun sinistre soit prcisment rgl est trs faible. Dans la majorit des cas, les
valeurs obtenues lchance seront proches de 1 , soit en dessous, soit au-dessus (par
exemple :1,05) sans jamais latteindre. Donc mme en normalisant les valeurs qui
dpassent 1, tableau (16), nous voyons que le calibrage des moments nest pas respect,
ce qui nous amne rejeter cette approche pour modliser une cadence de rglement
stochastique.

Tableau(16) - Comparaison des moments avec les simulations conditionnelles
Anne i
i

i

i COND SIM ,

i COND SIM ,

1 3,08% 11,28% 2,81% 4,14%
2 16,02% 25,40% 20,77% 6,63%
3 26,88% 33,14% 35,13% 7,88%
4 36,56% 36,41% 48,93% 8,24%
5 42,90% 37,27% 55,39% 9,34%
6 55,21% 38,27% 72,22% 9,17%
7 66,39% 35,97% 84,75% 8,15%
8 68,82% 34,97% 85,94% 7,72%
9 72,36% 31,39% 88,22% 6,93%
10 80,10% 26,86% 90,30% 5,88%
11 83,31% 18,79% 93,87% 4,71%

-52-

IV.5 Les copulas

Nous avions vu dans le cas dterministe quun ajustement de la fraction de sinistre
paye par lassureur pouvait tre fait par des lois Bta. En voulant modliser celle ci de
manire stochastique, nous tions fort logiquement pass une modlisation multivarie
des lois Bta avec la Dirichlet, qui a nanmoins montr ces limites. Nous allons
nouveau essayer de modliser une cadence de rglement stochastique avec des lois Bta
lies entre elles via des copulas.

Il est noter que notre propos nest pas de dvelopper plus en avant la thorie des
copulas, le lecteur intress pourra se rfrer en annexe la bibliographie.

IV.5.1 Cadre multivari

IV.5.1.1 Prsentation des Copulas utilises

En travaillant dans le cadre des copulas multivaris, nous avons t confronts ds
le dbut un problme, toute la littrature abondante de ces dernires annes sur les
copulas tait entirement dvolue au cas bivari, et lorsque le nombre de dimensions est
suprieur 2, les auteurs se ramnent toujours une copula elliptique (Normale ou
Student) pour la simple et bonne raison que les densits de ces copulas sont faciles
calculer et donc plus aises simuler. Or les copulas qui ont t retenu dans le cadre de
nos travaux sont les copulas archimdiennes (Gumbel, Clayton, Frank) dont les fonctions
de rpartition sont :
Clayton :
( ) 0 1 ,...,
1
1
1
>
1
]
1
n
i
i n
n u u u C
Gumbel :
( ) ( ) 1 ln exp ,...,
1
1
1

1
1
1
]
1
'
n
i
i n
u u u C

Frank :
( ) ( ) 0
1
1
1 1 ln
1
,...,
1
1
>
'
,
_
n
i
u
n
e
e
e u u C
i

Ainsi que la Farlie-Gumel-Morgenstern (FGM) Copula, dont la fonction de rpartition
vaut :
( ) ( )
n
n
i
i n
u u P u u u C ,..., ,...,
1
1
1

,
_

O :
( ) ( )( ) ( )
1
]
1
+

< <
n
k n j j
j j j j j j n
k
k k
u u u u u P
2 ... 1
... 1
1
2 1 2 1
1 ... 1 1 1 ,...,
(5)

-53-

Par exemple dans le cas o n = 3, nous aurions :

( ) ( )( ) ( )( ) ( )( )
3 2 23 3 1 13 2 1 12 3 2 1 3 2 1
1 1 1 1 1 1 1 [ , , u u u u u u u u u u u u C + + +
( )( )( )] 1 1 1
3 2 1 123
u u u +

IV.5.1.2 Rsultat

Nayant pas notre disposition de logiciels capables deffectuer des drives pour
investiguer dans le domaine multivari, il nous fallait trouver soit une relation de
rcurrence pour calculer les drives, soit disposer dune expression analytique de la
densit pour ces copulas. Il tait ncessaire dobtenir les densits, en vue destimer les
paramtres par le maximum de vraisemblance (nous aborderons ce point ultrieurement),
mais aussi pour effectuer les simulations conditionnelles, o la connaissance des drives
est requise. Comme annonc plus haut, nous ne dvelopperons pas ici dans le dtail la
thorie, nous donnerons uniquement la formule des simulations conditionnelles, pour plus
dinformation, le lecteur pourra se reporter larticle de Embrechts & al.(2001).

Si nous voulons simuler la (k+1)
me
valeur conditionnellement au k premires valeurs, il
nous faut appliquer la formule suivante :

( )
( ) ( )
k
k
k
k
k
k
k k
u u
u u C
u u
u u C
u u u C

+
+
...
,...,
...
,...,
..., /
1
1
1
1 1
1 1

Nous simulons une variable alatoire uniformment rpartie sur [0,1] que nous
nommerons q , nous posons quelle est gale ( )
k k
u u u C ..., /
1 1 +
, puis nous inversons la
fonction de rpartition conditionnelle en fonction de q , de manire obtenir :

( )
k k
u u q C u ..., /
1
1
1
+

Aprs avoir t jusqu la drive 7
me
pour les copulas archimdiennes Gumbel et Frank,
il na pas pu tre mis en vidence de relation de rcurrence, de fait il na pas t possible
de les implmenter, par contre pour la copule de Clayton, nous avons pu obtenir une
relation de rcurrence. De mme, pour la FGM il existe une expression analytique pour le
calcul de la densit et de la distribution conditionnelle.
IV.5.1.2.1 Clayton Multivarie

La fonction de densit de la Clayton dans le cas multivari vaut :

( ) ( )
1
]
1
+
1
]
1
,
_
1
0
1
1
1
1
1
. 1 1
1
,...,
n
i
n
n
i
i
n
i
i
n
n
i n u
u
u u c

-54-

La fonction de rpartition conditionnelle inverse est :

( )
( )

1
1
1 .
1
1
1
1 1 ,..., /
+
1
1
]
1
,
_
,
_

k
i
i
k
k k
u q u u q C U

O q suit une uniforme (0,1).

Pour estimer les paramtres, nous avons eu recours au maximum de vraisemblance. La
fonction de vraisemblance scrit :

( ) ( ) ( ) ( ) ( )
n n
n
n
i
i
x F x F c x f X L ,...,
1 1
1
,
_
(6)

O :
- n est le nombre dannes de la cadence de rglement
- f(x
i
) est la fonction de densit de la loi Bta de lanne i
- F
i
(x
i
) est la fonction de rpartition de la loi Bta de lanne i
- c
n
(F
1
(x
1
),,F
n
(x
n
)) est la fonction de densit de la copula en dimension n

Ainsi la log-vraisemblance est :

( ) ( ) ( ) ( ) ( ) ( )
n n
n
n
i
i
x F x F c x f X L X l ,..., ln ln ln
1 1
1
+

(7)

Les estimations obtenues par maximum de vraisemblance pour les paramtres des Bta
sont les suivantes :

Tableau (17) - Estimation des paramtres des lois Bta par
le maximum de vraisemblance
Anne i a
MV,i
b
MV,i

1 0,09 5,92
2 0,10 0,47
3 0,10 0,13
4 0,09 0,09
5 0,09 0,10
6 0,10 0,14
7 0,13 0,09
8 0,13 0,09
9 0,61 0,18
10 0,70 0,17
11 0,90 0,18

-55-

Lestimation du paramtre de liaison de la copule est 1,35.
Malheureusement du fait du faible jeu de donnes, nous ne pouvons garder ces valeurs,
puisque si nous inversons les paramtres de la copule de manire obtenir les lois Bta,
avec les paramtres ainsi estims, ( )
i MV i MV i
b a F u
, ,
1

,
, le logiciel SAS, qui procde

par itration pour trouver la fonction inverse, ne trouve pas de solution du fait que les
valeurs des paramtres estims sont trop faibles pour atteindre les valeurs simuls.
De fait nous procderons nouveau une estimation par maximum de
vraisemblance, mais cette fois, les paramtres des marginales seront fixs, par la mthode
des moments, et le seul paramtre optimiser sera le paramtre de la copule.

Tableau (18) Estimation des paramtres des Bta par la mthode
des moments
Anne i a
MM,i
b
MM,i

1 0,04 1,30
2 0,18 0,98
3 0,24 0,69
4 0,31 0,55
5 0,34 0,46
6 0,39 0,32
7 0,51 0,26
8 0,57 0,25
9 0,80 0,31
10 1,07 0,27
11 3,27 0,70

Si nous estimons le paramtre de la copula sur notre chantillon test, nous trouvons
2514931 , 0 . Ce qui est une valeur trs faible, ceci provient du fait que le nombre de
sinistres qui sont dvelopps sur n annes est trs faibles, de lordre dune vingtaine.
Donc les estimons ne seront pas fiables, comme le montre le tableau suivant.

Tableau (19)- Moments par maximum de vraisemblance
Anne i
i ML, ,

i ML, ,

1 0,03 0,11
2 0,15 0,24
3 0,17 0,27
4 0,19 0,29
5 0,20 0,31
6 0,24 0,35
7 0,30 0,36
8 0,30 0,36
9 0,33 0,35
10 0,40 0,34
11 0,54 0,25

-56-

De plus une observation visuelle des rsultats nous montre que C2 nest pas
respecte, mme si nous pouvons tolrer de petites variations, celles que nous observons
sur le jeu de donnes simules font apparatre des variations trop importantes. En outre
C3 nest pas non plus respecte, au vu des rsultats du tableau prcdent nous voyons de
faon vidente que les moyennes et les variances ne sont pas correctement calibres.

De surcrot, en utilisant le mme et unique paramtre de la copula, non
seulement nous perdons de linformation, puisque nous nutilisons pas les sinistres dont
les annes de survenance sont suprieurs 2004-n, mais de plus en appliquant le mme
paramtre chacune des marginales nous sous entendons que se sont des fonctions de
rpartition de n variables alatoires uniformes changeables, or ceci est critiquable, de
fait nous souhaiterions tablir une sorte de classement .

Cest pour ces raisons que nous avons choisi dappliquer chaque marginale, un
paramtre diffrent. Malheureusement, lorsque nous raisonnions avec un seul paramtre
de liaison, seule la copule de Clayton avait fait apparatre une relation de rcurrence, il
na pas t possible de mettre en avant une relation de rcurrence pour la Clayton en
dimension n avec n paramtres de liaisons diffrents. Suite ce nouveau revers de
fortune, nous avons envisag une autre copula, la FGM.
IV.5.1.2.2 FGM multivari

Lavantage de la FGM copula est davoir une expression analytique pour sa densit et
pour sa fonction de rpartition conditionnelle, elles valent respectivement :

( ) ( )
n n
n
u u u P u u c 2 ,..., 2 , 2 ,...,
2 1 1

( )
( )
( ) 1 , 2 ,..., 2 , 2
, 2 ,..., 2 , 2
,..., /
1 2 1
1 2 1
1 1

n
n n
n n n
u u u P
u u u u P
u u u u C

O ( )
n
u u u P 2 ,..., 2 , 2
2 1
correspond au polynme dfinit la formule (5).

Chaque paramtre doit satisfaire la contrainte 1 .

La mthodologie pour les simulations conditionnelles est la mme quavant, on
simule une variable alatoire uniforme, que lon pose comme tant gale la fonction de
rpartition conditionnelle, puis on inverse celle ci pour obtenir la valeur de la marginale
conditionnellement aux valeurs prcdemment observes. Malheureusement, avant
darriver cette tape, il nous faut au pralable estimer les paramtres , nous avons eu
recours au maximum de vraisemblance, malheureusement, si nous raisonnons en
dimension 11, il nous faut optimiser 550 paramtres, mme en ayant recours aux
capacits de calcul du logiciel SAS, au bout de 4 heures, celui ci navait toujours pas
russi trouver une solution optimale

-57-

Or il se peut que nous ayons faire face des cadences de rglement avec 15
annes de dveloppements, donc nous avons abandonn cette voie.

Face aux problmes que nous avons rencontrs dans la modlisation dune cadence de
rglement avec les copulas multivari, il nous est apparu plus raisonnable dessayer
de modliser celle-ci via des copulas bivari.

IV.5.2 Cadre bivari

IV.5.2.1.Prsentation des copulas utilises

Pour modliser une cadence de rglement avec les copulas dans un espace bivari,
nous modlisons une valeur conditionnellement la valeur prcdemment obtenue. Ainsi
pour modliser la 2
me
anne, nous ne prenons en compte que la valeur obtenue la 1
re

anne, ( )
1 2
/ u u C , pour la 3
me
anne, nous ne prenons en compte que la valeur obtenue la
2
me
anne, ( )
2 3
/ u u C , et ainsi de suite, pour la k
me
anne, nous ne prenons en compte
que la valeur obtenue la (k-1)
me
anne, ( )
1
/
k k
u u C .

Pour le cas bivari nous avons repris les mmes copulas que prcdemment voques,
nous donnerons nouveau, respectivement, leurs fonctions de rpartition dans le cas
bivari, ainsi que leur fonction de rpartition conditionnelle, de mme que leurs fonctions
de rpartition conditionnelles inverses qui sont ncessaire en vue des simulations :

La copula de Frank :

( )
( )( )
0
1
1 1
1 ln
1
, >
'

e
e e
v u C
v u

( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )

+ +
+
exp exp exp exp

exp exp
/
v u v u
u v u
u v C

( )
( )
( ) ( )
1
]
1
u q
u q C
exp 1 1
exp 1
1 ln
1
/
1
1

La copula de Clayton :

( ) [ ] 0 1 ,
1
> +

v u v u C

( ) ( ) [ ]

1
1
2 1
1 1 /

+ u u u v C

-58-

( )

1
1
1
1 1 /
1
1
]
1
,
_
u q u q C

La copula de Gumbel :

( ) ( ) ( ) { } 1 ln ln exp ,
1
1
]
1

v u v u C

( )
( ) ( ) { }
( ) ( ) { }
u
v u
v u
u
u v C
1
]
1
,
_
1
]
1

1
1
1
ln ln exp
ln ln
ln
/

La distribution conditionnelle nest pas inversible. Il existe nanmoins une technique de
simulation propre aux copulas archimdiennes.
Dfinissons tout dabord pour tout t [0,1] la fonction:

( )
( )
( ) t
t
t t K
'

O ( ) ( )
t t ln .

Supposons quun vecteur alatoire (U,V) ait pour fonction de distribution une
Copula Archimdienne, alors cette fonction K sera tout simplement la fonction de
distribution de la variable alatoire C(U,V).
Dans le cas de la Copula de Gumbel, cette fonction sera donc:

( ) ( )
,
_
t t t K ln
1
1

La procdure suivre pour simuler des paires (u,v) est donc

- Simuler indpendamment s et q suivant la loi uniforme U(0,1)
- Dterminer t =K
-1
(q)
- Prendre
[ ]
( ) ( ) t s u
1
et
[ ]
( ) ( ) ( ) t s v

1
1

-59-

La dtermination de t ne peut se faire que par rsolution numrique de lquation.
Cette technique de simulation est adapte dans le bivari, mais tant donn que nous
appliquons une technique de bivari glissant , nous ne pouvons procder de la sorte
cause du paramtre s , puisque lorsque nous voulons modliser la dpendance entre la
1
re
et la 2
me
anne, nous simulons s , nous obtenons s = 0,25, la pondration pour la
2
me
anne sera de 0,75, si nous refaisons une simulation de s pour la modlisation de
la dpendance entre la 2
me
et la 3
me
anne, nous aurons une valeur de u qui sera
diffrente de v obtenue prcdemment (les rles de u et v sinverse du fait du
glissement ), et si nous gardons le 0,25 obtenue la premire simulation, nous aurons
des pondrations constantes tout au long de la cadence de rglement.
Pour parer ce problme, nous avons raisonn trs simplement, nous avons rsolu la
fonction suivante en fonction de v : ( ) ( )
2
/ min q u v C

La copula FGM :

( ) ( )( ) [ ] 1 1 1 1 , + v u uv v u C

( ) ( )( ) [ ] v u v u v C + 1 2 1 1 /
( )
( ) ( ) ( ) ( ) ( )
( ) u
u q u u
u q C
2 1 2
2 1 4 2 1 1 2 1 1
/
2
1
+ +

IV.5.2.2 Mise en application

Comme nous lavons expliqu plus haut, nous avons effectu une procdure itrative
bivarie glissante, donc si nous estimons par le maximum de vraisemblance les cinq
paramtres de la distribution de la copula (les deux paramtres des deux lois Bta et le
paramtre de liaison de la copula), il se peut que les estimations des paramtres pour une
loi Bta pour un couple dannes donn (i, i+1) ne soient pas les mmes en prenant un
autre couple (i+1,i+2), nous observons de lgres modifications au niveau de lestimation
des paramtres, comme prsent dans le tableau(20) ci-dessous dans le cas de la copula
de Clayton.

Tableau (20)-Estimation des paramtres de la loi Bta
Anne i a
i
b
i
a
i+1
b
i+1

1 0,07 2,05 0,09 0,31
2 0,11 0,31 0,10 0,20
3 0,11 0,21 0,11 0,16
4 0,12 0,15 0,12 0,14
5 0,14 0,16 0,16 0,13
6 0,15 0,11 0,22 0,11
7 0,22 0,10 0,22 0,10

-60-

De plus un autre problme se prsente nous, lorsque nous modlisons un couple
donn (i, i+1), suivant les paramtres estims, puis que nous modlisons un autre couple
donn (i+1, i+2), nous crasons les paramtres i+1 prcdemment estims et donc les
valeurs simules avec lesdits paramtres, quand bien mme ceux ci sont trs proches, cela
pose un problme. Cela nous a conduit garder les estimations paramtriques via la
mthode des moments pour les paramtres des diffrentes Bta chacune des annes de
survenance, voir le tableau (18).
Pour estimer le paramtre de liaison entre les marginales, nous aurons recours au
maximum de vraisemblance, nous appliquerons les formules (6) et (7) prcdemment
expliques, pour le cas bivari il nous faudra prendre n=2. Grce au maximum de
vraisemblance, nous serons en mesure de dterminer quelle copula choisir. Les diffrents
tableaux ci-dessous prsentent les paramtres estims pour chacune des annes avec la
log-vraisemblance :
tableau(21) : Gumbel,
tableau(22) : FGM,
tableau(23) : Frank,
tableau(24) : Clayton.
Tableau (21)-Gumbel

1 , + i i

Log-Vraisemblance (i)
1 1,05 3231,74
2 1,49 1731,44
3 1,45 1312,26
4 1,75 1056,51
5 1,35 836,67
6 1,55 830,42
7 4,23 818,80
8 2,05 496,39
9 2,75 382,25
10 1,19 94,97
total 10791,49

Tableau (22)-FGM

1 , + i i

1 0,99 3256,87
2 0,99 1719,44
3 0,97 1286,31
4 0,97 969,64
5 0,87 800,12
6 0,97 788,33
7 0,99 701,59
8 0,94 453,57
9 0,99 334,52
10 0,99 103,33
total 10412,87

-61-

Tableau (23)-Frank

1 , + i i

1 1,99 3250,01
2 9,97 1817,56
3 9,70 1373,52
4 14,09 1083,78
5 7,07 839,89
6 9,67 841,39
7 24,23 805,00
8 18,00 512,56
9 12,86 366,35
10 14,72 117,64
total 11007,73

Tableau (24)-Clayton

1 , + i i

1 0,03 3227,30
2 1,10 1742,54
3 0,80 1281,92
4 1,29 1007,70
5 0,51 812,17
6 0,43 768,87
7 3,85 739,57
8 1,11 439,80
9 2,52 340,52
10 4,10 102,23
total 10462,68

Pour choisir la copula qui sera retenue pour la modlisation, nous comparons les
valeurs des log-vraisemblance, celles-ci font apparatre que la copula de Frank a
systmatiquement, hormis dans trois cas, la plus grande log-vraisemblance, de fait nous
retiendrons la modlisation par la copula de Frank.

Afin de confirmer notre choix lissue du maximum de vraisemblance, nous allons
effectuer des reprsentations graphiques

-62-

IV.5.2.3 Reprsentations graphiques

Pour la reprsentation graphique de la copula de Frank, nous introduirons nouveau la
fonction que nous avions prsente au paragraphe IV.5.2.1, savoir la fonction

( )
( )
( ) z
z
z z K
'

pour la copula de Frank, celle ci vaut :

( )

,
_
1
1
ln
e
e
z
z

( )
( )
,
_

e
e e
z z K
z z
1
1
ln
1

pour la copula de Gumbel, celle ci vaut :

( ) ( )
z z ln

( ) ( )
,
_
z z z K ln
1
1

pour la copula de Clayton, celle ci vaut :

( ) 1

z z
( )
z z
z z K

+1

Pour tablir un estimateur non paramtrique de la fonction K partir de nos donnes, il
faut suivre les tapes suivantes :
- Dfinir la pseudo observation z
i
pour chaque i =1,,n
1
y y et x x que telles } y , {x paires de nombre
i j i j j j
< <
n
z
i

- Dfinir lestimateur non paramtrique K ainsi :
( )
{ }
n
z
z K
n
i
z de nombre

En comparant graphiquement cette estimation non paramtrique de K celles
paramtriques pour diffrentes copulas archimdiennes, nous pourrons ainsi confirmer
notre choix initial de la copula de Frank.

-63-

Nous ne reprsenterons ci aprs que les graphiques de K
n
(z) non paramtrique et
K(z) paramtrique pour les couples : 1
re
anne et 2
me
anne, ainsi que 2
me
anne et 3
me

anne pour les trois copulas archimdiennes.

Graphique (1) : Fonction non paramtrique et paramtrique de K pour la Copula de
Gumbel pour la 1
re
et 2
me
anne de dveloppement.

Clayton pour la 1
re
et 2
me

-64-

Graphique (3) : Fonction non paramtrique et paramtrique de K pour la Copula de Frank
pour la 1
re
et 2
me

Gumbel pour la 2
re
et 3
me

-65-

Clayton pour la 2
re
et 3
me

Graphique (6) : Fonction non paramtrique et paramtrique de K pour la Copula de Frank
pour la 2
re
et 3
me

-66-

Au vu des graphiques, deux remarques simposent. La premire, il est clair que
ladquation est plus juste au vu des deux premiers couples avec la copula de Frank, la
deuxime remarque que nous pouvons faire, cest lexistence dune masse en 0, qui
fausse ladquation, en effet lors des premires annes sur nos donnes, bon nombre de
sinistres nont pas encore commenc tre rgl, typiquement sur le jeu de donnes que
nous prsentons, les deux premires annes, environ 70% des sinistres nont pas encore
commenc tre rgls.

Nanmoins, nous dcidons de retenir la copula de Frank pour modliser la cadence de
rglement stochastique.

IV.5.2.4 Rsultats

Nous allons maintenant tudier de manire plus approfondie les rsultats des
simulations de la cadence de rglement stochastique avec la copula de Frank.
Dans le tableau (25) nous prsentons les moments du premier et du second ordre
empirique, ainsi que les moments du premier et du second ordre obtenu avec les
simulations.

Tableau (25) Moments avec la Copula de Frank
Anne i
i

i

i COP,

i COP,

1 3,08% 11,28% 3,03% 10,98%
2 16,02% 25,40% 15,55% 25,29%
3 26,88% 33,14% 25,74% 32,69%
4 36,56% 36,41% 35,68% 35,94%
5 42,90% 37,27% 42,49% 36,88%
6 55,21% 38,27% 54,32% 37,78%
7 66,39% 35,97% 66,37% 35,40%
8 68,82% 34,97% 69,46% 34,33%
9 72,36% 31,39% 72,16% 31,07%
10 80,10% 26,86% 79,47% 27,44%
11 83,31% 18,79% 82,85% 19,27%

Ainsi nous voyons que ladquation de la modlisation est quasiment parfaite. Nous
tenons nanmoins apporter quelques prcisions :

- Les sinistres sont entirement rgls de manire alatoire, de manire plus
abrupte, des 1 apparaissent avant la dernire anne, il faut juste spcifier, que
lorsquun 1 apparat, dans certains cas, les annes suivantes ont des valeurs
trs proches de 1, par exemple 0,999, la valeur 1 ne reste pas, mais est trs
semblable, donc nous pouvons raisonnablement penser quen arrondissant la
3
me
ou 4
me
dcimale nous aurons aussi des 1.

-67-

- Du fait que nous raisonnons sur des triangles, entre certaines annes nous
observons que la valeur du paramtre de liaison nest pas strictement croissant,
(voir le tableau (23)), ceci pour effet que C2 (
1 +
j j
V V ) nest pas respecte,
cest principalement visible, entre lanne 4 et lanne 5, lorsque le paramtre de
liaison connat une chute de 14 7 (voir tableau (23)), il nempche que la
chute observe entre j et j+1 reste modre, et quelle se produit de manire
ponctuelle. En considrant, nos jeux de donnes, nous observons que ces baisses
se produisent galement dans la ralit, ce qui nous amne reconsidrer la
contrainte C2. Comme nous lavions dj mentionne lorsque nous lavions
prsente, nous pourrions tre amens revoir notre position, si les variations
taient raisonnables, ce qui est le cas.

-68-

V Analyse de Sensibilit

Au cours de cette partie, nous prsentons diffrents tests de sensibilit effectus via
loutil de cotation des traits XS par simulation, nous ne reprsenterons pas tous les tests,
de manire ne surcharger le mmoire dinformation, nous ne donnerons que ceux que
ceux qui sont le plus marquant et qui prsentent le plus dintrt. Aprs chaque test, nous
donnerons un commentaire sur les rsultats.

V.1 Configuration initiale

V.1.1 Donnes techniques

Nous fixerons les caractristiques initiales du trait en XS comme suit ;
- Priorit : 600
- Capacit : 2000
- AAD = 0
- AAL = infini

Nous avons choisi de modliser le nombre de sinistre dune seule faon, savoir
par la loi de Poisson de paramtre 3 . En effet mme sil existe dautres modles, par
exemple la Binomiale Ngative, le modle de Poisson est le plus communment usit par
les professionnels, de fait nous garderons ce modle. De plus comme il a t dmontr au
cours du paragraphe I.2 la frquence de survenance des sinistres ninfluence par la vitesse
de paiement.
Pour simuler le montant dun sinistre nous utiliserons une loi de Pareto mais nous
aurons aussi recours dautres lois telles que la Log-Normale et lExponentiel. Nous
fixerons tout dabord les paramtres de la loi de Pareto, puis en fonction de ces
paramtres nous dterminerons les premiers et seconds moments, ainsi nous ajusterons
les paramtres des autres lois sur les moments prcdemment obtenus.

Nous savons que Si ( ) , A Pa X , alors
( ) 1
1
>
si A X E

( )
( ) ( )
2
2 1
2
2
>

si A X V

Si ( ) , LN X alors

( )

,
_
+
2
exp

X E
( ) ( ) ( ) ( ) 1 exp 2 exp + X V

-69-

Ainsi pour trouver les paramtres et , nous inversons les formules des moments, et
nous en dduisons que :

( ) ( ) ( )
( ) ( ) X E
X E X V
ln 2
2
ln
+
+

( ) ( ) 2 ln 2 X E

Si ( ) E X alors

( )
1
X E
De manire triviale, nous exprimons en fonction de E(X).

Nous avons choisi une loi de Pareto(2,5; 500), en calculant les moments, et en ajustement
les paramtres des autres lois ces moments nous trouvons pour le modle Log normal
(6,43; 0,77 ), et pour le modle Exponentiel (0,0012).

V.1.2 Donnes financires

Pour les caractristiques financires nous avons retenu les valeurs suivantes :
- EPI : 50000
- Inflation : 3%
- Marge : 10% (appliqu dans la clause de stabilit)
- Partage des intrts : 15%
- Coc : 7,04% (Cot du capital)
- Taux sans risque : 4,05%
- Taux obligataire 10 ans : 4,40%
- Taux sur action : 7,70%
- Taux de cration de valeur pour lactionnaire 1,5%
- Impts : 33,99%
- Impts sur action : 10,70%
- Proportion investie en action : 40%
- Proportion des rserves dposer en cash chez la cdante : 0%
- Taux de rendement du dpt : 2,5%
- Spread demand la cdante : 0,4% (lorsque lon dpose les provisions dans
ces comptes)
- Pas d overstatement , il ny a pas de sur-rservation de la part de la
cdante
- Prime pay en 2 ans, 20% la 1
re
et 80% la 2
me
anne.
- Clause de stabilit : date de paiement avec rserve.

Pour la vitesse de paiement nous reprendrons les caractristiques que nous avons
prsentes au tableau (1)

-70-

Paramtre de la vitesse dterministe :

Anne i
i

i

1 3,09% 11,28%
2 16,02% 25,41%
3 26,88% 33,15%
4 36,57% 36,41%
5 42,90% 37,27%
6 55,22% 38,28%
7 66,39% 35,97%
8 68,82% 34,97%
9 72,36% 31,40%
10 80,10% 26,86%
11 83,31% 18,80%

V.1.3 Explications

Nous prsenterons les rsultats des simulations pour cinq types diffrents de
vitesse de paiement.

Dans le premier type, que nous nommerons Simulation , nous simulons les
montants de sinistres au 1
er
euro suivant la loi mentionne au dessus du tableau, puis nous
appliquons la cadence de paiement de lassureur pour chacune des annes de survenance
(
i
), aprs quoi nous appliquons les diffrentes clauses de rassurances, ensuite nous
effectuons le ratio de ce que paye le rassureur lanne i et de ce quil payera lultime,
et ainsi nous obtenons la vitesse de paiement du Rassureur dans le cas Simulation .
Cette mthode a t effectue dans le but de retrouver les valeurs obtenues via la mthode
de paiement dterministe que nous avons prsent dans le paragraphe III.2.
Le second type, prnomm Dterministe , correspond la cadence de
rglement dterministe que nous avons prsent au paragraphe III.2. Le Burning Cost ,
qui se dfinit comme le montant moyen du sinistre ultime sur lengagement de la cdante,
sera identique celui dans le cas Simulation , la seule diffrence intervenant dans la
vitesse de paiement du rassureur, qui elle sera dtermine comme nous lavions indiqu
dans le paragraphe III.2.
Le troisime type, que nous avons appel Stochastique , correspond la notion
de vitesse de paiement stochastique que nous avons introduit lors du paragraphe III.3.

Nous avons inclus ce cas ainsi que le deuxime cas, Dterministe , afin de
confronter la thorie la pratique, le cas Simulation tant la version pratique du cas
dterministe , de mme que les deux cas que nous prsenterons ci dessous,
Dirichlet et Copula sont les reflets du cas Stochastique mis en pratique au
travers des simulations.

-71-

Le quatrime type, Dirichlet correspond lapplication de la cadence de
rglement avec la loi de Dirichlet, comme nous lavons expliqu dans ce mmoire, cette
loi respectait les trois contraintes, le seul inconvnient de celle-ci, tait quelle ne pouvait
modliser un sinistre entirement rgl quau bout dun certain nombre danne fix
lavance, mais pour le test de sensibilit, nous nous fixons un horizon a priori, au terme
duquel tous les sinistres seront entirement rgls, ds lors cet inconvnient, nen est plus
un. Dans ce cas, chaque sinistre simul aura sa propre cadence de rglement.
Le cinquime type, Copula , correspond lapplication de la cadence de
rglement avec la Copula de Frank.

V.1.3.2 Les diffrents niveaux de comparaison

Aprs avoir prsent les diffrentes catgories pour lesquels nous effectuerons des
simulations, nous allons prsent spcifier les diffrents lments sur lesquels nous
allons asseoir nos commentaires.

Nous nommerons par les initiales BC le mot Burning Cost, il correspond au
montant de sinistre moyen auquel devra faire face le rassureur rapport au montant des
engagements.
Avec les initiales BC_TF nous ferons rfrence au terme Burning Cost
Technico Financial , correspondant la prime technico-financire multiplie par le
Burning Cost en pourcentage.
DF signifiant Discount Factor , en multipliant ce pourcentage au Burning
Cost nous retrouvons le BC_TF.
BC_TF_CA correspond au Burning Cost Technico-Financial with Loading
For Capital , en plus du BC_TF expos ci dessus, ce terme inclus le cot de la
rmunration du capital.
EDF pour Economic Discount Factor reprsentant le pourcentage
appliquer au Burning Cost pour obtenir la prime conomique.
Enfin le terme montants moyens actualiss est assez vocateur en lui-mme,
nous avons actualis au taux sans risque les montants moyens que le rassureur payera
chacune des annes de survenance, afin de bien mesurer limpact de la vitesse de
paiement.

Nous prsenterons de plus dans chacun des tests de sensibilit, quatre ratios qui
indiqueront laugmentation appliquer la prime si nous souhaitons tenir compte de
laspect stochastique de la vitesse de paiement. Les ratios ont t calculs pour les DF et
les EDF afin de montrer quil y a une attnuation entre le Ratio1 et le Ratio2 d aux
modles de Cash-Flow qui fait intervenir des effets allant dans le sens dune diminution
de la majoration appliquer la prime, comme par exemple la rmunration du capital,
plus nous payerons vite, plus celle-ci diminuera.

Ratio 1 sim= DF stochastique / DF Simulation
Ratio 2 sim = EDF stochastique / EDF Simulation
Ratio 3 sim = montants actualiss Stochastique/ montants actualiss Simulation

-72-

Ratio 1 det= DF stochastique / DF Dterministe
Ratio 2 det = EDF stochastique / EDF dterministe
Ratio 3 det = montants actualiss Stochastique/ montants actualiss Dterministe

Enfin il est noter que nous navons pas reproduit la prime commerciale, puisque
les lments supplmentaires (frais de courtage, cot administratif..) que nous aurions d
incorporer, sont en gnral exprimer sous forme forfaitaire, donc nauraient eu quun rle
secondaire.

V.2 Test de sensiblit

V.2.1 Modification du nombre de simulation.

Pour commencer les tests de sensibilit, il nous faut un benchmark sur lequel
nous ferons les comparaisons. Pour choisir notre modle de rfrence avec les paramtres
pr-cits, il nous faut nous assurer que celui-ci soit le plus stable possible, afin que les
variations qui pourraient intervenir lors des diffrentes modifications soient d
effectivement ces variations et non une instabilit des rsultats.
Pour se faire, nous avons effectu un premier test de sensibilit suivant le nombre
de simulations, nous entendons par l que nous simulerons un nombre n de variable
alatoires de Poisson de paramtre , et chacune de ces n simulations nous donnera le
nombre de sinistre simuler.
Nous commencerons par effectuer 5000 simulations, le temps de calcul est
denviron 2 minutes. Puis nous effectuons une nouvelle simulation avec cette-ci n =
10000, nous constatons une lgre augmentation des burning cost. Ils varient de 0,04%,
les DF varient denviron 0,30% et les EDF varient eux entre 0,10% et 0,20%
Nous passons prsent 15000 simulations pour voir si la baisse se confirme auquel cas
il nous faudra aller jusqu 20000 simulations, si au contraire nous observons une
stabilit, nous garderons n = 10000 simulations. Pour n = 15000, le temps de calcul est de
5,30 minutes. Les rsultats obtenus sont stables par rapport au cas prcdent, nous
choisissons de travailler avec 10000 simulations. Nous prsentons les rsultats ci-dessous
pour n=10000

Tableau (26) Pareto : paramtres initiaux
Paramtres initiaux
n= 10000
Simulation Dterministe Stochastique Dirichlet Copula
BC 0,85% 0,85% 0,85% 0,85% 0,85%
BC_TF 0,62% 0,62% 0,67% 0,68% 0,68%
DF 73,14% 73,23% 79,30% 79,86% 80,07%
BC_TF_CA 0,77% 0,77% 0,81% 0,82% 0,82%
EDF 90,81% 90,87% 95,45% 95,91% 96,06%
Montants moyens
actualiss
73,26% 73,32% 78,17% 78,56% 78,76%
Ratio 1 sim = 108,41% Ratio 1 det = 108,29%
Ratio 2 sim= 105,12% Ratio 2 det = 105,04%

-73-

Tableau (27) Log-Normale : paramtres initiaux
Paramtres initiaux
n= 10000
BC 1,43% 1,43% 1,43% 1,42% 1,42%
BC_TF 1,05% 1,06% 1,13% 1,13% 1,14%
DF 73,89% 74,00% 79,48% 79,64% 80,10%
BC_TF_CA 1,30% 1,30% 1,36% 1,36% 1,37%
EDF 91,41% 91,49% 95,60% 95,75% 96,08%
Montants moyens
actualiss
73,81% 73,89% 78,30% 78,41% 78,79%

Tableau (28) Exponentiel : paramtres initiaux
Paramtres initiaux
n= 10000
BC 1,80% 1,80% 1,80% 1,79% 1,79%
BC_TF 1,34% 1,34% 1,43% 1,44% 1,43%
DF 74,55% 74,57% 79,65% 80,18% 80,11%
BC_TF_CA 1,65% 1,65% 1,72% 1,72% 1,72%
EDF 91,93% 91,94% 95,74% 96,15% 96,09%
Montants moyens
actualiss
74,31% 74,32% 78,43% 78,83% 78,79%

Avant de commencer presenter les tests de sensibilit, nous donnerons une
explication quant lcart important observ entre les Burning Cost des cas
Simulation , Log-Normale et Exponentiel .
Au 1
er
euro les montant simuls moyen sont identiques, tant donn quils ont t
paramtrs comme tel, les montants finaux moyens charge pour le rassureur sont trs
diffrents. Ainsi dans le cas Simulation , le montant moyen charge du rassureur sera
de : 426 alors que dans le cas Exponentiel celui sera de 731, pour passer 920 dans le
cas Log-Normale . Ce rsultat peut paratre surprenant au premier regard, car tout un
chacun sait que la queue de la distribution de Pareto est la plus lourde entre ces trois lois,
or nous voyons avec ces rsultats que ce constat est remis en cause.
En ralit, si nous avons un chantillon quelconque de montant de sinistre et que
lajustons par ces trois lois, nous trouverons effectivement que cest la distribution de
Pareto qui a la queue la plus lourde, car les moments calculs partir des paramtres des
trois lois ne seront pas identiques, or dans notre dmarche nous avons impos que les
moments soient identiques, do ce rsultat. A titre dillustration, nous avons trac les
diffrentes fonctions de densits afin de donner une aide visuelle sur la forme des queues
de distribution.

-74-

Graphique (7) : Comparaison fonction de densit de la loi de Pareto(500 ;2,5),
Log-Normale(6,43 ;0,77), Exponentiel(0,0012).

V.2.2 Modification de la clause de partage des intrts

Partage des intrts : 30%

Tableau (29) Pareto : Partage intrts 30%
Partage des
intrts : 30%
BC 0,64% 0,64% 0,64% 0,64% 0,64%
BC_TF 0,47% 0,47% 0,51% 0,52% 0,52%
DF 73,49% 73,23% 79,30% 80,07% 80,27%
BC_TF_CA 0,58% 0,58% 0,61% 0,62% 0,62%
EDF 91,07% 90,87% 95,45% 96,08% 96,22%
Montants moyens
actualiss
73,53% 73,32% 78,17% 78,36% 78,92%

-75-

Tableau (30) Log-Normale : Partage intrts 30%
Partage des
intrts : 30%
BC 1,17% 1,17% 1,17% 1,16% 1,16%
BC_TF 0,85% 0,85% 0,92% 0,93% 0,93%
DF 73,06% 73,09% 79,18% 73,83% 80,26%
BC_TF_CA 1,06% 1,06% 1,11% 1,11% 1,12%
EDF 90,76% 90,79% 95,70% 95,90% 96,20%
Montants moyens
actualiss
73,16% 73,18% 78,07% 78,54% 78,91%
Tableau (31) Exponentiel : Partage intrts 30%
Partage des
intrts : 30%
BC 1,45% 1,45% 1,45% 1,44% 1,44%
BC_TF 1,06% 1,06% 1,15% 1,15% 1,16%
DF 73,13% 73,31% 79,23% 79,88% 80,07%
BC_TF_CA 1,31% 1,32% 1,38% 1,38% 1,39%
EDF 90,83% 90,97% 95,41% 95,94% 96,07%
Montants moyens
actualiss
73,21% 73,34% 78,11% 78,59% 78,75%

Partage des intrts : 0%

Tableau (32) Pareto : Partage intrts 0%
Partage des
intrts : 0%
BC 1,11% 1,11% 1,11% 1,11% 1,11%
BC_TF 0,81% 0,81% 0,88% 0,89% 0,89%
DF 73,30% 73,23% 79,30% 79,77% 80,11%
BC_TF_CA 1,01% 1,01% 1,06% 1,07% 1,07%
EDF 90,93% 90,87% 95,45% 96, 58% 96,09%
Montants moyens
actualiss
73,38% 73,32% 78,17% 78,50% 78,79%

-76-

Tableau (33) Log-Normale : Partage intrts 0%
Partage des
intrts : 0%
BC 1,68% 1,68% 1,68% 1,67% 1,67%
BC_TF 1,26% 1,26% 1,34% 1,34% 1,34%
DF 74,82% 74,82% 79,76% 80,25% 80,24%
BC_TF_CA 1,55% 1,55% 1,61% 1,61% 1,61%
EDF 92,12% 92,12% 95,82% 96,21% 96,19%
Montants moyens
actualiss
74,52% 74,52% 78,52% 78,88% 78,88%

Tableau (34) Exponentiel : Partage intrts 0%
Partage des
intrts : 0%
BC 2,02% 2,02% 2,02% 2,01% 2,01%
BC_TF 1,53% 1,53% 1,61% 1,61% 1,60%
DF 75,62% 75,66% 80,02% 80,26% 80,09%
BC_TF_CA 1,87% 1,87% 1,94% 1,94% 1,93%
EDF 92,76% 92,78% 96,02% 96,22% 96,08%
Montants moyens
actualiss
75,14% 75,17% 78,72% 78,89% 78,77%

Commentaire :
Les diffrences observes sur les burning cost appellent un premier commentaire,
comme le lecteur aura pu lobserver, plus le partage des intrts est lev, plus le montant
du sinistre ultime est faible. Constat somme toute logique.
De plus, nous constatons que les vitesses de paiement stochastique et dterministe
dans le cas Pareto restent constantes quel que soit le niveau de partage des intrts
(comme cela a t dmontr prcdemment avec les formules analytiques), alors que dans
les cas Log-Normale et Exponentiel, nous constatons que plus le niveau de partage des
intrts est lev, plus les ratios augmentent. Constat un peu surprenant puisque plus la
clause est leve, et donc moins le montant charge du rassureur est lev, plus il
faudrait majorer la prime dans le cas Log-Normale et Exponentiel, linverse plus le
niveau de partage est faible plus la majoration appliquer avec ces deux lois est faible.
La Pareto reprsente un bon compromis dans ce cas de figure, en cas de partage des
intrts important entre la cdante et le rassureur, une forte majoration paratrait
incongrue aprs leffort consentie par la cdante, linverse, si la cdante se dsolidarise
du rassureur pour le partage des intrts, lui appliquer une majoration plus importante,
sanctionnerait son manque dengagement.

-77-

Si nous nous attardons regarder dun peu plus prs les variations des ratios nous
voyons que pour les cas Exponentiel et Log-Normale, la variation du Ratio 2 est
environ deux fois moindre que celle du Ratio 1 , que les variations soient la hausse
comme la baisse. Les variations du ratio 3 se situant entre celles du Ratio1 et du
Ratio 2 , par exemple en cas de hausse de +1% pour le Ratio1 le Ratio 2
augmentera de +0,5%, le Ratio 3 se situera +0,75%.

V.2.3 Overstatement (Sur-rservation) :

Tableau (35) Pareto : Overstatement
Overstatement :
(1,5 1,5 1,25 1,25
1,15 1,5 1,05 1,05 1 1
1 1)
BC 0,88% 0,88% 0,88% 0,88% 0,88%
BC_TF 0,65% 0,65% 0,70% 0,71% 0,71%
DF 73,19% 73,19% 79,24% 79,66% 79,86%
BC_TF_CA 0,81% 0,81% 0,85% 0,85% 0,85%
EDF 90,85% 90,85% 95,41% 95,76% 95,90%
Montants moyens
actualiss
73,29% 73,29% 78,13% 78,41% 78,60%

Tableau (36) Log-Normale : Overstatement
Overstatement :
(1,5 1,5 1,25 1,25
1,15 1,5 1,05 1,05 1 1
1 1)
BC 1,48% 1,48% 1,48% 1,48% 1,47%
BC_TF 1,10% 1,10% 1,17% 1,18% 1,17%
DF 74,03% 73,96% 79,44% 80,15% 79,54%
BC_TF_CA 1,35% 1,35% 1,41% 1,42% 1,41%
EDF 91,52% 91,46% 95,57% 96,14% 95,66%
Montants moyens
actualiss
73,91% 73,86% 78,27% 78,80% 78,34%

-78-

Tableau (37) Exponentiel : Overstatement
Overstatement :
(1,5 1,5 1,25 1,25
1,15 1,5 1,05 1,05 1 1
1 1)
BC 1,81% 1,81% 1,81% 1,80% 1,80%
BC_TF 1,35% 1,35% 1,44% 1,44% 1,44%
DF 74,65% 74,53% 79,62% 79,91% 80,03%
BC_TF_CA 1,67% 1,66% 1,73% 1,73% 1,73%
EDF 92,00% 91,92% 95,71% 95,95% 96,03%
Montants moyens
actualiss
74,38% 74,29% 78,40% 78,61% 78,72%

Commentaire :
Avant de commencer commenter les rsultats, il est utile de rappeler que nous
avons choisi comme benchmark pour la clause de stabilit, celle avec date de paiement
avec rserve.
Limpact de la sur-rservation est marginal comme on peut le voir au travers des
travers des ratios, puisque dans le cas Pareto, ceux-ci sont modifis de +/-0,02%, dans le
cas Exponentiel +/- 0,01%, alors que dans les cas Log-Normale, les ratios sont
identiques. Certes les rserves de la cdante sont plus leves, mais comme on ne dpose
aucune rserve chez la cdante cela nimpact quasiment pas les rsultats, il est noter que
mme si nous avions un taux de dpt diffrent de 0, limpact resterait limit, du fait que
la VAN des dpts serait soumise limpt.
Nous voyons quau final peut importe la faon dont la cdante procde
lestimation de ces rserves, puisque mme si elles sur provisionnent exagrment,
limpact nen sera que trs faible pour le rassureur. Nous voyons l une justification
pour ne pas accorder de remise la cdante si elle dcide de sur-provisionner, alors
mme que cette sur-provision donnera lieu un avantage fiscal pour le rassureur (du fait
que celui-ci suit en gnral le niveau de provisionnement de la cdante, moins quil
estime que celui-ci soit trop bas).

-79-

V.2.4 Modification des paramtres de la loi du montant de sinistre :

Tableau (38) Pareto : =3,5
=3,5 Simulation Dterministe Stochastique Dirichlet Copula
BC 0,33% 0,33% 0,33% 0,34% 0,34%
BC_TF 0,23% 0,23% 0,26% 0,27% 0,27%
DF 69,60% 69,92% 78,23% 78,75% 79,10%
BC_TF_CA 0,29% 0,29% 0,32% 0,32% 0,32%
EDF 88,06% 88,31% 94,62% 95,07% 95,32%
Montants moyens
actualiss
70,52% 70,77% 77,35% 77,70% 77,99%

Tableau (39) Log-Normale : 6,4639 ; 0,4179
6,4639
0,4179
BC 0,45% 0,45% 0,45% 0,46% 0,46%
BC_TF 0,31% 0,31% 0,35% 0,36% 0,36%
DF 67,36% 67,48% 77,40% 78,59% 78,85%
BC_TF_CA 0,39% 0,39% 0,43% 0,44% 0,44%
EDF 86,32% 86,41% 93,98% 94,95% 95,13%
Montants moyens
actualiss
68,80% 68,89% 76,71% 77,57% 77,80%

Tableau (40) Exponentiel : 0,0014286
0,0014286 Simulation Dterministe Stochastique Dirichlet Copula
BC 1,28% 1,28% 1,28% 1,27% 1,27%
BC_TF 0,94% 0,94% 1,01% 1,00% 1,01%
DF 73,45% 73,44% 79,27% 79,37% 79,94%
BC_TF_CA 1,16% 1,16% 1,22% 1,21% 1,22%
EDF 91,07% 91,07% 95,44% 95,54% 95,96%
Montants moyens
actualiss
73,45% 73,44% 78,14% 78,19% 78,66%

Commentaire :
Plus le paramtre alpha est lev, plus la vitesse de paiement sera lente, donc plus
les DF et EDF seront faibles. Nanmoins la diminution des DF et EDF est plus rapide

-80-

dans le cas dterministe indiquant que la vitesse de paiement dterministe est plus
sensible aux modifications des paramtres que ne lest la vitesse stochastique. Puisque
lorsque les DF ou EDF stochastiques baissent de 1%, les DF ou EDF dterministe eux
baissent denviron de 3%.
Il est noter que limpact sur les ratios est important dans le cas de la loi Log-
Normale, alors qua linverse pour la loi Exponentiel, les ratios augmentent faiblement.
Les hausses constates au niveau des ratios pour la loi de Pareto se situent un niveau
intermdiaire entre les prcdentes lois.
Il convient de prendre conscience que la majoration appliquer la prime, si nous
dsirions avoir recours une cadence de rglement stochastique serait importante
puisquelle oscillerait entre 5% et 12%.

V.2.5 Modification de linflation avec taux inchangs :

Pour ce test, nous ne modifions que linflation en laissant tous les autres taux inchangs,
nous supposons ici que les taux sont dcoupls de linflation.

Inflation +3%, taux +0%

Tableau (41) Pareto : Inflation +3%
Inflation + 3%
Taux + 0%
BC 0,70% 0, 70% 0,70% 0,71% 0,71%
BC_TF 0,52% 0,52% 0,56% 0,58% 0,58%
DF 73,66% 73,54% 79,96% 80,99% 81,12%
BC_TF_CA 0,64% 0, 64% 0,68% 0,69% 0,69%
EDF 91,20% 91,11% 95,95% 96,77% 96,85%
Montants moyens
actualiss
73,66% 73,57% 78,71% 79,47% 79,60%

Tableau (42) Log-Normale : Inflation +3%
Inflation + 3%
Taux + 0%
BC 1,22% 1,22% 1,22% 1,21% 1,21%
BC_TF 0,90% 0,90% 0,97% 0,97% 0,98%
DF 73,60% 73,63% 79,80% 80,64% 80,90%
BC_TF_CA 1,11% 1,11% 1,17% 1,17% 1,17%
EDF 91,18% 91,20% 95,84% 96,50% 96,69%
Montants moyens
actualiss
73,59% 73,60% 78,58% 79,19% 79,43%

-81-

Tableau (43) Exponentiel : Inflation +3%
Inflation + 3%
Taux + 0%
BC 1,59% 1,59% 1,59% 1,56% 1,56%
BC_TF 1,17% 1,17% 1,27% 1,25% 1,26%
DF 73,96% 73,94% 79,82% 80,51% 80,81%
BC_TF_CA 1,45% 1,45% 1,52% 1,50% 1,51%
EDF 91,46% 91,45% 95,86% 96,40% 96,61%
Montants moyens
actualiss
73,85% 73,84% 78,59% 79,09% 79,35%

Commentaire :
Nous segmenterons notre analyse entre vitesse dterministe et stochastique, car
mme si les ratios augmentent avec linflation pour les trois lois, se restreindre ce
constat serait une erreur dapprciation de la situation.
Si nous raisonnons avec la vitesse dterministe, effectivement nous voyons que la
vitesse de paiement est plus rapide dans le cas Pareto, mais pour les lois Exponentiel et
Log-Normale, cest le constat inverse, plus le taux dinflation augmente et plus la vitesse
de paiement dans le cas dterministe est lente comme le montre la diminution des DF et
EDF dterministe pour ces deux lois.
En revanche si nous raisonnons en stochastique, nous voyons que plus le taux
dinflation augmente et plus la vitesse de paiement sera rapide, puisque les DF et EDF
dans les trois cas augmentent. Avec des augmentations assez contrastes, puisque celles-
ci sont deux fois moindre pour les cas Log-Normale et Exponentiel en comparaison du
cas Pareto. Au final, la hausse plus marque des ratios dans le cas Log-Normale et
Exponentiel tient la diminution de la vitesse de paiement dterministe.

-82-

V.2.6 Modification des taux avec inflation inchange :

Inversement, nous supposons une hausse des taux, avec une inflation inchange.
Taux +3%, inflation +0%

Tableau (44) Pareto : Taux +3%
Inflation + 0%
Taux + 3%
BC 0,86% 0,86% 0,86% 0,87% 0,87%
BC_TF 0,48% 0,48% 0,56% 0,57% 0,57%
DF 55,16% 55,29% 64,93% 65,75% 65,67%
BC_TF_CA 0,63% 0,63% 0,70% 0,72% 0,72%
EDF 73,27% 73,39% 81,80% 82,55% 82,47%
Montants moyens
actualiss
59,15% 59,25% 66,39% 66,91% 66,89%

Tableau (45) Log-Normale : Taux +3%
Inflation + 0%
Taux + 3%
BC 1,47% 1,47% 1,47% 1,47% 1,47%
BC_TF 0,83% 0,83% 0,96% 0,96% 0,97%
DF 56,43% 56,43% 65,20% 66,04% 65,82%
BC_TF_CA 1,09% 1,10% 1,21% 1,21% 1,21%
EDF 74,42% 74,42% 82,05% 82,79% 82,60%
Montants moyens
actualiss
60,00% 60,00% 66,56% 67,14% 66,99%

Tableau (46) Exponentiel : Taux +3%
Inflation + 0%
Taux + 3%
BC 1,83% 1,83% 1,83% 1,82% 1,82%
BC_TF 1,05% 1,05% 1,20% 1,20% 1,21%
DF 57,35% 57,30% 65,46% 65,88% 66,19%
BC_TF_CA 1,38% 1,38% 1,51% 1,51% 1,51%
EDF 75,24% 75,20% 82,28% 82,66% 82,93%
Montants moyens
actualiss
60,63% 60,59% 66,74% 67,01% 67,26%

-83-

Commentaire :
Les Burning Cost restent identiques nonobstant laugmentation des taux, ce qui
est normal puisque la sinistralit nest pas influenc par la hausse des taux.
Nous constatons que plus les taux montent, plus les DF et EDF diminuent, ce qui
est normal car le facteur dactualisation est plus lev, do la baisse des DF et EDF,
mais cette baisse enregistre est assez homogne pour les diffrentes lois, ainsi dans le
cas dune hausse des taux de 3%, les DF stochastiques baissent en absolue denviron
14%. Limpact sur les ratios est important, puisque ceux-ci enregistrent des hausses
comprises entre 5 et 10%, amenant les majorations apporter aux primes de lordre de
12-15%

V.2.7 Modification des taux et de linflation :

Au travers de ce test de sensibilit, nous avons fais augmenter linflation et tous
les taux dun mme pourcentage, mme si la corrlation nest pas de 100% entre la
hausse de linflation et celle des autres taux.

Taux & inflation +3%

Tableau (47) Pareto : Taux & Inflation +3%
Inflation + 3%
Taux + 3%
BC 0,69% 0,69% 0,69% 0,69% 0,69%
BC_TF 0,39% 0,39% 0,46% 0,47% 0,484%
DF 55,59% 55,78% 66,00% 67,26% 68,28%
BC_TF_CA 0,51% 0,51% 0,57% 0,58% 0,59%
EDF 73,65% 73,82% 82,73% 83,87% 84,74%
Montants moyens
actualiss
59,45% 59,61% 67,20% 68,04% 68,81%

Tableau (48) Log-Normale : Taux & Inflation +3%
Inflation + 3%
Taux + 3%
BC 1,24% 1,24% 1,24% 1,23% 1,23%
BC_TF 0,69% 0,69% 0,82% 0,83% 0,83%
DF 55,79% 55,86% 65,74% 67,15% 67,75%
BC_TF_CA 0,92% 0,92% 1,02% 1,03% 1,04%
EDF 73,85% 73,91% 82,50% 83,77% 84,29%
Montants moyens
actualiss
59,55% 59,60% 66,98% 67,95% 68,41%

-84-

Tableau (49) Exponentiel : Taux & Inflation +3%
Inflation + 3%
Taux + 3%
BC 1,61% 1,61% 1,61% 1,59% 1,58%
BC_TF 0,91% 0,91% 1,06% 1,06% 1,06%
DF 56,37% 56,33% 65,76% 67,02% 67,12%
BC_TF_CA 1,20% 1,20% 1,33% 1,33% 1,33%
EDF 74,38% 74,34% 82,53% 83,66% 83,73%
Montants moyens
actualiss
59,94% 59,91% 66,99% 67,85% 67,95%

Commentaire :
Comme nous lavons vu prcdemment, la hausse des taux entrane une baisse des
DF et EDF pour tous les cas, alors que la hausse de linflation dans le cas dterministe
avait un impact diffrent pour la Pareto (hausse de la vitesse de paiement) et pour
lExponentiel/Log-Normale (diminution de la vitesse de paiement).
Comme nous pouvons le constater au vu des ratios, pour lExponentiel et la Log-
Normale, les deux effets se cumulent et mme saccentuent, puisque la hausse observe
sur les ratios (hausse inflation et taux simultane) est suprieure la somme des hausses
observes dans les deux tests prcdents (hausse inflation seule + hausse taux seuls).
Pour le cas Pareto, nous aurions pu penser que la combinaison dune inflation plus
importante (augmentation des DF et EDF) et dune hausse des taux (baissent des DF et
EDF) aurait pu se traduire par une compensation en ces deux effets, or il nen est rien,
leffet actualisation lemporte sur leffet inflation.

V.2.8 Modification de la marge dans la clause de stabilit :

Marge 20%

Tableau (50) Pareto : Marge 20%
Marge : 20% Simulation Dterministe Stochastique Dirichlet Copula
BC 0,93% 0,93% 0,93% 0,94% 0,94%
BC_TF 0,69% 0,69% 0,74% 0,75% 0,75%
DF 73,51% 73,39% 79,48% 79,96% 80,08%
BC_TF_CA 0,85% 0,85% 0,89% 0,89% 0,90%
EDF 91,09% 90,99% 95,61% 96,00% 96,08%
Montants moyens
actualiss
73,54% 73,44% 78,31% 78,63% 78,75%

-85-

Tableau (51) Log-Normale : Marge 20%
BC 1,51% 1,51% 1,51% 1,51% 1,51%
BC_TF 1,13% 1,13% 1,20% 1,21% 1,20%
DF 74,58% 74,41% 79,68% 80,12% 79,95%
BC_TF_CA 1,39% 1,39% 1,45% 1,45% 1,45%
EDF 91,94% 91,81% 95,76% 96,12% 95,97%
Montants moyens
actualiss
74,34% 74,20% 78,45% 78,76% 78,65%

Tableau (52) Exponentiel : Marge 20%
BC 1,83% 1,83% 1,83% 1,82% 1,82%
BC_TF 1,37% 1,37% 1,46% 1,46% 1,46%
DF 74,96% 75,05% 79,85% 80,00% 80,23%
BC_TF_CA 1,69% 1,69% 1,76% 1,75% 1,75%
EDF 92,25% 92,32% 95,90% 96,03% 96,20%
Montants moyens
actualiss
74,62% 74,69% 78,58% 78,67% 78,86%

Marge 0%

Tableau (53) Pareto : Marge 0%
BC 0,83% 0,83% 0,83% 0,84% 0,84%
BC_TF 0,61% 0,61% 0,66% 0,67% 0,67%
DF 73,02% 73,19% 79,17% 79,51% 79,77%
BC_TF_CA 0,76% 0,76% 0,80% 0,80% 0,80%
EDF 90,72% 90,85% 95,37% 95,65% 95,83%
Montants moyens
actualiss
73,16% 73,30% 78,07% 78,30% 78,52%

-86-

Tableau (54) Log-Normale : Marge 0%
BC 1,43% 1,43% 1,43% 1,43% 1,43%
BC_TF 1,06% 1,06% 1,14% 1,14% 1,14%
DF 73,90% 73,85% 79,35% 79,67% 79,78%
BC_TF_CA 1,31% 1,31% 1,37% 1,37% 1,37%
EDF 91,42% 91,38% 95,51% 95,77% 95,84%
Montants moyens
actualiss
73,81% 73,77% 78,20% 78,41% 78,52%

Tableau (55) Exponentiel : Marge 0%
BC 1,79% 1,79% 1,79% 1,78% 1,78%
BC_TF 1,33% 1,33% 1,42% 1,41% 1,41%
DF 74,46% 74,38% 79,52% 79,54% 79,59%
BC_TF_CA 1,64% 1,64% 1,71% 1,70% 1,70%
EDF 91,86% 91,80% 95,64% 95,67% 95,69%
Montants moyens
actualiss
74,23% 74,17% 78,33% 78,32% 78,37

Commentaire :
Pour une marge plus leve, nous voyons que la vitesse de paiement est plus
rapide, puisque les montants moyens actualiss sont plus levs
Dans le cas Pareto pour un niveau plus lev de marge, les ratios sont quasiment
constants, les variations des DF et EDF tant dans le mme ordre de grandeur, donc
aucune sensibilit plus prononce napparat, que se soit dans le cas stochastique ou
dterministe.
A linverse pour les cas Exponentiel et Log-Normale, toujours en cas de hausse,
nous voyons apparatre une sensibilit la hausse plus importante dans la vitesse
dterministe, ce qui se traduit par une baisse des ratios pour ces deux cas.
Ensuite pour une marge plus faible, la vitesse est certes plus lente, mais limpact
sur les montants actualiss reste pour le moins marginal. Dans le cas dune marge plus
faible, on constate une relative insensibilit de la vitesse dterministe pour la loi de
Pareto, et une lgre sensibilit la baisse pour la vitesse stochastique, ce que traduit une
baisse des ratios. De mme les vitesses dterministes et stochastiques pour les deux autres
lois, prsentent plus ou moins la mme sensibilit la baisse, ce qui entrane une relative
stabilit dans les ratios.

-87-

V.2.9 Modification de lAAD:

Nous tenons informer le lecteur, que pour les tests de sensibilit des clauses
AAD /AAL, nous ne ferons figurer que trois ratios :

Ratio 1 Dir = DF Dirichlet / DF simulation
Ratio 2 Dir = EDF Dirichlet / EDF simulation
Ratio 3 Dir = Montant actualiss Dirichlet / Montant actualiss simulation

En effet, nous avions dj voqu au cours de ce mmoire, limpossibilit de
modliser de manire analytique ces deux clauses. Le lecteur avertis prendra soin de ne
pas prendre en compte les valeurs des colonnes dterministes et stochastique , qui
ne sont pas reprsentatives de lapplication de ces clauses, et qui nont t laiss dans les
tableaux qu titre illustratif.

AAD : 250

Tableau (56) Pareto : AAD 250
AAD : 250 Simulation Dterministe Stochastique Dirichlet Copula
BC 0,63% 0,63% 0,63% 0,63% 0,63%
BC_TF 0,45% 0,46% 0,50% 0,49% 0,49%
DF 72,22% 73,23% 79,30% 78,63% 78,63%
BC_TF_CA 0,56% 0,57% 0,60% 0,59% 0,60%
EDF 90,09% 90,87% 95,45% 94,98% 94,96%
Montants moyens
actualiss
72,54% 73,32% 78,17% 77,59% 77,62%
Ratio 1 Dir= 108,91%
Ratio 2 Dir = 104,98%
Ratio 3 Dir = 106,96%

Tableau (57) Log-Normale : AAD 250
BC 1,13% 1,13% 1,13% 1,13% 1,13%
BC_TF 0,82% 0,84% 0,90% 0,88% 0,89%
DF 72,48% 74,00% 79,48% 78,25% 78,63%
BC_TF_CA 1,02% 1,04% 1,08% 1,07% 1,07%
EDF 90,32% 91,49% 95,60% 94,69% 94,96%
Montants moyens
actualiss
72,72% 73,89% 78,30% 77,29% 77,62%
Ratio 2 Dir = 104,89%
Ratio 3 dir = 106,28%

-88-

Tableau (58) Exponentiel : AAD 250
BC 1,50% 1,50% 1,50% 1,49% 1,49%
BC_TF 1,10% 1,12% 1,20% 1,18% 1,18%
DF 73,04% 74,57% 79,65% 78,88% 79,05%
BC_TF_CA 1,36% 1,38% 1,44% 1,42% 1,42%
EDF 90,77% 91,94% 95,74% 95,18% 95,29%
Montants moyens
actualiss
73,13% 74,32% 78,43% 77,78% 77,95%
Ratio 2 Dir = 104,86%
Ratio 3 Dir = 106,36%

AAD : 500

Tableau (59) Pareto : AAD 500
BC 0,46% 0,46% 0,46% 0,46% 0,46%
BC_TF 0,32% 0,33% 0,36% 0,35% 0,35%
DF 71,37% 73,23% 79,30% 77,32% 77,35%
BC_TF_CA 0,41% 0,41% 0,43% 0,43% 0,43%
EDF 89,43% 90,87% 95,46% 93,98% 94,00%
Montants moyens
actualiss
71,89% 73,32% 78,17% 76,56% 76,59%
Ratio 2 Dir = 105,09%
Ratio 3 Dir = 106,50%

Tableau (60) Log-Normale : AAD 500
BC 0,93% 0,93% 0,93% 0,92% 0,92%
BC_TF 0,66% 0,69% 0,74% 0,72% 0,72%
DF 71,40% 74,00% 79,48% 77,65% 77,51%
BC_TF_CA 0,83% 0,85% 0,89% 0,87% 0,87%
EDF 89,48% 91,49% 95,60% 94,24% 94,11%
Montants moyens
actualiss
71,87% 73,89% 78,30% 76,81% 76,73%
Ratio 2 Dir = 105,32%
Ratio 3 Dir = 106,87%

-89-

Tableau (61) Exponentiel : AAD 500
BC 1,23% 1,23% 1,23% 1,23% 1,22%
BC_TF 0,88% 0,92% 0,98% 0,95% 0,95%
DF 71,67% 74,57% 79,65% 77,62% 77,75%
BC_TF_CA 1,10% 1,13% 1,18% 1,15% 1,15%
EDF 89,70% 91,94% 95,74% 94,22% 94,29%
Montants moyens
actualiss
72,06% 74,32% 78,43% 76,79% 76,93%
Ratio 2 Dir = 105,04%
Ratio 3 dir = 106,56%

Commentaire :
Plus lAAD est lev, plus le burning cost est faible ce qui est trivial. De plus
nous constatons que la vitesse de paiement est moins rapide comme lindique les DF et
les EDF.
Tous les commentaires qui vont suivre sont prendre avec prcaution, puisque
nous comparons deux valeurs simules, et non des valeurs issues de calculs analytiques.
Pour les cas log-Normale et Exponentiel, plus lAAD sera lev, plus la vitesse de
paiement est lente, et plus les ratios augmentent, indiquant que les variations de la vitesse
dterministe pour ces cas seront plus prononces que dans le cas stochastique.
Par contre aucune conclusion ne peut tre porte pour le cas Pareto, d
linstabilit des rsultats, mme en portant le nombre de simulation 15000, aucune
conclusion ne peut tre formule, nous constatons simplement une hausse des ratios dans
le cas dun AAD de 250, et une certaine stabilit pour un AAD de 500.

V.2.10 Modification de lAAL:

AAL : 2500

Tableau (62) Pareto : AAL 2500
AAL : 2500 Simulation Dterministe Stochastique Dirichlet Copula
BC 0,84% 0, 84% 0, 84% 0, 84% 0, 84%
BC_TF 0,62% 0,61% 0,67% 0,68% 0,68%
DF 73,56% 73,23% 79,29% 80,30% 80,55%
BC_TF_CA 0,77% 0,76% 0,80% 0,81% 0,81%
EDF 91,13% 90,87% 95,45% 96,26% 96,41%
Montants moyens
actualiss
73,58% 73,32% 78,17% 78,91% 79,15%
Ratio 2 Dir = 105,63%
Ratio 3 Dir = 107,24%

-90-

Tableau (63) Log-Normale : AAL 2500
BC 1,33% 1,33% 1,33% 1,33% 1,33%
BC_TF 0,99% 0,99% 1,06% 1,07% 1,07%
DF 74,68% 74,00% 79,48% 80,69% 80,81%
BC_TF_CA 1,23% 1,22% 1,27% 1,28% 1,28%
EDF 92,02% 91,49% 95,60% 96,55% 96,64%
Montants moyens
actualiss
74,41% 73,89% 78,30% 79,23% 79,34%
Ratio 2 Dir = 104,92%
Ratio 3 Dir = 106,48%

Tableau (64) Exponentiel : AAL 2500
BC 1,61% 1,61% 1,61% 1,60% 1,60%
BC_TF 1,21% 1,20% 1,28% 1,30% 1,30%
DF 75,60% 74,57% 79,65% 81,17% 81,13%
BC_TF_CA 1,49% 1,48% 1,54% 1,55% 1,55%
EDF 92,75% 91,94% 95,74% 96,92% 96,88%
Montants moyens
actualiss
75,11% 74,32% 78,43% 79,61% 79,59%
Ratio 2 Dir = 104,50%
Ratio 3 Dir = 105,99%

Commentaire :
Nous constatons quavec un AAL la vitesse de paiement est lgrement plus
rapide dans les trois cas. En outre, plus lAAL sera faible, plus faible sera le burning cost,
car lengagement du rassureur en sera dautant plus faible.
Nous observons une lgre augmentation des ratios.

V.2.11 Modification des clauses de stabilit :

Date de paiement final

Tableau (65) Pareto : Date de paiement final
Date de paiement
final
BC 0,64% 0,64% 0,64% 0,64% 0,64%
BC_TF 0,48% 0,48% 0,52% 0,52% 0,53%
DF 74,64% 74,77% 82,16% 81,92% 82,53%
BC_TF_CA 0,59% 0,59% 0,62% 0,62% 0,62%
EDF 91,96% 92,06% 97,62% 97,46% 97,90%
Montants moyens
actualiss
74,42% 74,52% 80,45% 80,23% 80,74%

-91-


Tableau (66) Log-Normale : Date de paiement final
Date de paiement
final
BC 1,18% 1,18% 1,18% 1,18% 1,18%
BC_TF 0,88% 0,88% 0,96% 0,96% 0,96%
DF 74,89% 74,82% 81,54% 81,24% 81,47%
BC_TF_CA 1,08% 1,08% 1,14% 1,14% 1,14%
EDF 92,17% 92,12% 97,16% 96,94% 97,11%
Montants moyens
actualiss
74,59% 74,53% 79,95% 79,69% 79,89%

Tableau (67) Exponentiel : Date de paiement final
Date de paiement
final
BC 1,50% 1,50% 1,50% 1,50% 1,50%
BC_TF 1,13% 1,13% 1,22% 1,22% 1,22%
DF 75,06% 75,10% 81,32% 81,11% 81,42%
BC_TF_CA 1,38% 1,39% 1,46% 1,45% 1,46%
EDF 92,31% 92,35% 97,00% 96,85% 97,07%
Montants moyens
actualiss
74,71% 74,74% 79,77% 79,59% 79,85%

Commentaire :
Il est noter que nous nappliquons pas au sens strict la thorie pour cette
clause de stabilit, mais que nous appliquons les us et coutumes en la matire, cest
dire, que les priorits et les plafonds sont indexs chaque anne.
Le burning cost est le mme pour tous les cas, car cest le mme ratio qui est
appliqu aux sinistres ultimes. Les burning cost sont moins levs que dans le cas initial,
car cette clause de stabilit diminuent les engagements du rassureur.
Comme le montre les DF et EDF, la vitesse de paiement est plus rapide avec cette
clause de stabilit, la vitesse dans le cas stochastique est plus sensible la hausse, ceci
expliquant les hausses des ratios qui augmentent pour les diffrents cas.

-92-

Date de paiement sans rserve

Tableau (68) Pareto : Date de paiement sans rserve
Date de paiement
sans rserve
BC 0,89% 0,89% 0,89% 0,89% 0,89%
BC_TF 0,66% 0,66% 0,71% 0,71% 0,71%
DF 73,91% 73,85% 80,20% 79,79% 79,90%
BC_TF_CA 0,81% 0,81% 0,85% 0,85% 0,85%
EDF 91,41% 91,36% 96,16% 95,87% 95,94%
Montants moyens
actualiss
73,84% 73,79% 78,86% 78,50% 78,62%

Tableau (69) Log-Normale : Date de paiement sans rserve
Date de paiement
sans rserve
BC 1,42% 1,42% 1,41% 1,41% 1,41%
BC_TF 1,06% 1,06% 1,14% 1,13% 1,13%
DF 74,54% 74,63% 80,15% 80,20% 80,12%
BC_TF_CA 1,30% 1,30% 1,36% 1,36% 1,36%
EDF 91,92% 91,99% 96,13% 96,18% 96,10%
Montants moyens
actualiss
74,29% 74,37% 78,82% 78,43% 78,79%

Tableau (70) Exponentiel : Date de paiement sans rserve
Date de paiement
sans rserve
BC 1,81% 1,81% 1,81% 1,80% 1,80%
BC_TF 1,36% 1,36% 1,45% 1,44% 1,45%
DF 75,11% 75,19% 80,22% 80,10% 80,53%
BC_TF_CA 1,67% 1,67% 1,74% 1,73% 1,73%
EDF 92,36% 92,43% 96,18% 96,09% 96,41%
Montants moyens
actualiss
74,73% 74,79% 78,87% 78,77% 79,11%

-93-

Commentaire :
Les ratios sont plus levs dans le cas Pareto et lgrement infrieurs pour
lExponentiel, et constants pour le cas Log-Normale.
Comme nous pouvons le constater pour les trois cas, la vitesse de paiement est
lgrement plus rapide, comme le montre les valeurs des DF et des EDF lgrement
suprieures ceux du cas initial, de fait la baisse des ratios pour le cas Exponentiel
proviennent dune plus grande sensibilit de la vitesse dterministe la hausse.

Date de paiement avec SIC sans rserve

Tableau (71) Pareto : Date de paiement avec SIC sans rserve
Date de paiement
avec Sic sans
rserve
BC 0,94% 0,94% 0,94% 0,95% 0,95%
BC_TF 0,69% 0,69% 0,75% 0,75% 0,75%
DF 73,53% 73,56% 79,62% 79,40% 79,58%
BC_TF_CA 0,86% 0,86% 0,90% 0,90% 0,90%
EDF 91,11% 91,14% 95,73% 95,58% 95,70%
Montants moyens
actualiss
73,54% 73,57% 78,40% 78,20% 78,37%

Tableau (72) Log-Normale : Date de paiement avec SIC sans rserve
Date de paiement
avec Sic sans
rserve
BC 1,55% 1,55% 1,55% 1,55% 1,55%
BC_TF 1,16% 1,16% 1,24% 1,24% 1,23%
DF 74,63% 74,58% 79,80% 79,66% 79,77%
BC_TF_CA 1,43% 1,43% 1,49% 1,49% 1,48%
EDF 91,99% 91,96% 95,87% 95,77% 95,85%
Montants moyens
actualiss
74,36% 74,33% 78,53% 78,40% 78,51%

-94-

Tableau (73) Exponentiel : Date de paiement avec SIC sans rserve
Date de paiement
avec Sic sans
rserve
BC 1,91% 1,91% 1,91% 1,90% 1,90%
BC_TF 1,43% 1,43% 1,52% 1,52% 1,52%
DF 75,27% 75,22% 79,96% 79,71% 80,02%
BC_TF_CA 1,76% 1,76% 1,83% 1,82% 1,82%
EDF 92,49% 92,45% 95,99% 95,81% 96,04%
Montants moyens
actualiss
74,84% 74,81% 78,65% 78,44% 78,70%

Commentaire :
Tout comme dans le cas prcdent, la vitesse de paiement est un peu plus rapide,
ce qui se traduit au travers des DF et des EDF.
Dans le cas Pareto, les variations des DF et des EDF entre dterministe et
stochastique sont peu prs similaires, de fait les ratios restent peu prs stables, a
contrario, pour les cas exponentiel et Log-Normale, les DF et EDF dterministes sont
plus sensible que leurs homologues stochastiques, donc les ratios pour ces deux lois
diminuent lgrement.

Date de paiement avec SIC avec rserve

Tableau (74) Pareto : Date de paiement avec SIC avec rserve
Date de paiement
avec Sic avec
rserve
BC 0,95% 0,95% 0,95% 0,95% 0,95%
BC_TF 0,70% 0,70% 0,75% 0,75% 0,75%
DF 73,21% 73,19% 79,12% 79,29% 79,38%
BC_TF_CA 0,86% 0,86% 0,91% 0,91% 0,91%
EDF 90,86% 90,85% 95,33% 95,48% 95,54%
Montants moyens
actualiss
73,31% 73,29% 78,02% 78,12% 78,21%

-95-

Tableau (75) Log-Normale : Date de paiement avec SIC avec rserve
Date de paiement
avec Sic avec
rserve
BC 1,56% 1,56% 1,56% 1,55% 1,55%
BC_TF 1,15% 1,15% 1,24% 1,24% 1,24%
DF 74,24% 74,23% 79,44% 79,65% 79,74%
BC_TF_CA 1,43% 1,43% 1,49% 1,49% 1,49%
EDF 91,68% 91,67% 95,58% 95,76% 95,82%
Montants moyens
actualiss
74,07% 74,06% 78,26% 78,40% 78,49%

Tableau (76) Exponentiel : Date de paiement avec SIC avec rserve
Date de paiement
avec Sic avec
rserve
BC 1,90% 1,90% 1,90% 1,90% 1,89%
BC_TF 1,42% 1,42% 1,51% 1,52% 1,51%
DF 74,86% 74,88% 79,66% 79,96% 79,80%
BC_TF_CA 1,75% 1,75% 1,82% 1,82% 1,81%
EDF 92,17% 92,19% 95,75% 95,99% 95,87%
Montants moyens
actualiss
74,54% 74,56% 78,43% 78,64% 78,53%

Commentaire :
Comme laccoutumer, il nous faut observer une segmentation dans nos
commentaires entre le cas Pareto et le couple Exponentiel/Log-Normale.
Pour le cas Pareto, nous voyons que la vitesse de paiement dterministe reste
inchange, alors que la vitesse stochastique enregistre une lgre baisse, do la baisse
des ratios observs pour le cas Pareto.
A linverse, la vitesse stochastique semble insensible dans le cas
Exponentiel/Log-Normale, alors que la vitesse dterministe augmente lgrement, ainsi
les ratios diminuent comme pour le cas Pareto, mais pour dautres raisons.

-96-

Date daccident indice : 2,5%

Tableau (77) Pareto : Date daccident indice : 2,5%
Date daccident
indice : 2,5%
BC 1,08% 1,08% 1,08% 1,08% 1,08%
BC_TF 0,79% 0,79% 0,84% 0,84% 0,84%
DF 72,87% 72,87% 78,30% 78,11% 78,29%
BC_TF_CA 0,98% 0,98% 1,02% 1,02% 1,02%
EDF 90,60% 90,53% 94,72% 94,59% 94,70%
Montants moyens
actualiss
73,04% 72,97% 77,36% 77,19% 77,35%

Tableau (78) Log-Normale : Date daccident indice : 2,5%
Date daccident
indice : 2,5%
BC 1,63% 1,63% 1,63% 1,63% 1,63%
BC_TF 1,21% 1,21% 1,29% 1,29% 1,29%
DF 74,10% 74,17% 78,99% 78,88% 78,96%
BC_TF_CA 1,50% 1,50% 1,56% 1,56% 1,56%
EDF 91,58% 91,62% 95,25% 95,17% 95,22%
Montants moyens
actualiss
73,96% 74,00% 77,90% 77,79% 77,88%

Tableau (79) Exponentiel : Date daccident indice : 2,5%
Date daccident
indice : 2,5%
BC 2,02% 2,02% 2,02% 2,02% 2,02%
BC_TF 1,51% 1,51% 1,60% 1,60% 1,60%
DF 74,96% 74,93% 79,36% 79,28% 79,34%
BC_TF_CA 1,86% 1,86% 1,93% 1,93% 1,93%
EDF 92,25% 92,23% 95,53% 95,48% 95,51%
Montants moyens
actualiss
74,61% 74,59% 78,18% 78,11% 78,16%

-97-

Commentaire :
Les valeurs des burning cost sont plus leves, indiquant que lengagement du
rassureur est plus important, du fait que les priorits et plafonds ne sont indexs quune
seule fois, et que cette indexation est infrieure linflation.
Pour le cas Pareto, nous constatons une plus grande sensibilit la baisse de la
vitesse de paiement stochastique, ce qui a pour effet de diminuer les ratios, remarque
galement valable pour les cas Exponentiel et Log-Normale, mais sajoute cela, un
autre effet qui va dans le sens dune baisse des ratios pour ces deux lois, la vitesse de
paiement dterministe est plus rapide avec celle clause, alors que celle stochastique est
plus lente. Do la baisse plus marque des ratios pour ces deux lois.

V.2.12 Modification de la tranche :

Dans ce test nous testerons seulement le cas Exponentiel et Log-normale pour
diffrentes tranches, puisque nous avons montr que lorsque le montant du sinistre tait
modlis par une Pareto, la vitesse de paiement tait indpendante des priorits et des
plafonds. Nous changerons galement les paramtres des lois, nous poserons que la
moyenne vaut 1000 et que la variance vaut 1000000. Donc nous obtenons les lois
suivantes : Expo(0,0001) ; LN(6,56; 0,83). Nous fixerons la couverture 500, et nous
ferons varier la priorit de 500 en 500 en commenant 500 jusqu 2000.

Tableau (80) Log-Normale : 500 XS 500
500 XS 500 Simulation Dterministe Stochastique Dirichlet Copula
BC 1,39% 1,39% 1,39% 1,39% 1,39%
BC_TF 1,09% 1,09% 1,13% 1,12% 1,12%
DF 78,58% 78,40% 81,00% 81,13% 81,17%
BC_TF_CA 1,32% 1,32% 1,35% 1,34% 1,34%
EDF 95,01% 94,87% 96,77% 96,88% 96,90%
Montants moyens
actualiss
77,47% 77,32% 79,49% 79,59% 79,62%

Tableau (81) Exponentiel : 500 XS 500
BC 1,50% 1,50% 1,50% 1,49% 1,50%
BC_TF 1,20% 1,20% 1,22% 1,21% 1,22%
DF 79,91% 79,94% 81,51% 81,43% 81,40%
BC_TF_CA 1,44% 1,44% 1,46% 1,45% 1,45%
EDF 96,05% 96,07% 97,17% 97,10% 97,08%
Montants moyens
actualiss
78,49% 78,52% 79,88% 79,83% 79,79%

-98-

BC 0,61% 0,61% 0,61% 0,61% 0,61%
BC_TF 0,46% 0,46% 0,49% 0,49% 0,49%
DF 74,82% 74,88% 79,77% 80,00% 79,97%
BC_TF_CA 0,56% 0,56% 0,59% 0,58% 0,58%
EDF 92,13% 92,18% 95,83% 96,03% 95,99%
Montants moyens
actualiss
74,53% 74,57% 78,53% 78,69% 78,68%

BC 0,76% 0,76% 0,76% 0,76% 0,75%
BC_TF 0,57% 0,57% 0,60% 0,60% 0,60%
DF 74,93% 74,89% 79,73% 79,74% 80,01%
BC_TF_CA 0,70% 0,70% 0,73% 0,72% 0,72%
EDF 92,23% 92,20% 95,80% 95,82% 96,02%
Montants moyens
actualiss
74,58% 74,55% 78,49% 78,49% 78,70%

BC 0,31% 0,31% 0,31% 0,30% 0,30%
BC_TF 0,22% 0,22% 0,24% 0,24% 0,24%
DF 72,64% 73,06% 79,17% 79,53% 80,00%
BC_TF_CA 0,28% 0,28% 0,29% 0,29% 0,29%
EDF 90,44% 90,76% 95,36% 95,67% 96,00%
Montants moyens
actualiss
72,83% 73,16% 78,06% 78,32% 78,71%

-99-

BC 0,39% 0,39% 0,39% 0,39% 0,39%
BC_TF 0,28% 0,28% 0,31% 0,31% 0,31%
DF 71,92% 71,74% 78,70% 78,87% 79,71%
BC_TF_CA 0,35% 0,35% 0,37% 0,37% 0,37%
EDF 89,90% 89,76% 95,00% 95,16% 95,78%
Montants moyens
actualiss
72,26% 72,12% 77,69% 77,79% 78,48%

BC 0,16% 0,16% 0,16% 0,16% 0,16%
BC_TF 0,12% 0,12% 0,13% 0,13% 0,13%
DF 71,67% 71,89% 78,79% 79,52% 79,90%
BC_TF_CA 0,15% 0,15% 0,16% 0,16% 0,16%
EDF 89,68% 89,86% 95,07% 95,66% 95,94%
Montants moyens
actualiss
72,09% 72,26% 77,77% 78,30% 78,61%

BC 0,20% 0,20% 0,20% 0,20% 0,20%
BC_TF 0,14% 0,14% 0,16% 0,16% 0,16%
DF 69,72% 69,57% 78,00% 78,53% 79,03%
BC_TF_CA 0,18% 0,18% 0,19% 0,19% 0,19%
EDF 88,18% 88,06% 94,46% 94,89% 95,27%
Montants moyens
actualiss
70,58% 70,46% 77,16% 77,54% 77,94%

Commentaire :
Pour le cas Log-Normale, nous constatons que plus la priorit est leve, plus la
vitesse de paiement est lente, avec une plus forte sensibilit la baisse pour la vitesse
dterministe, ce qui explique laccroissement des ratios.
Pour lexponentiel, nous pouvons faire le mme constat, cela prs que la
sensibilit de la vitesse dterministe est suprieure, et que donc laccroissement des ratios
y est plus important.

-100-

V.2.13 Modification des moments de la vitesse de paiement :

Nous supposons que la vitesse de paiement stochastique suit une Dirichlet, nous
choissions nous mme les paramtres, et nous en dduisons les moments via les formules
prsentes en premire partie de ce mmoire.

I= 1 2 3 4 5 6 7 8 9 10 11 12
i

0,25 0,25 0,25 0,5 0,75 1 1 0,75 0,5 0,25 0,25 0,25

Tableau (88) Echantillon1
Anne i
*
i

*
i

i

i

1 4,2% 7,6% 4,2% 7,6%
2 4,2% 7,6% 8,3% 10,4%
3 4,2% 7,6% 12,5% 12,5%
4 8,3% 10,5% 20,8% 15,3%
5 12,5% 12,5% 33,3% 17,8%
6 16,7% 14,1% 50% 18,9%
7 16,7% 14,1% 66,7% 17,8%
8 12,5% 12,5% 79,2% 15,3%
9 8,3% 10,5% 87,5% 12,5%
10 4,2% 7,6% 91,7% 10,4%
11 4,2% 7,6% 95,8% 7,6%
12 4,2% 7,6% 100% 0%

Nous avons calcul les variances cumules via la formule :
( ) ( )

<
+
,
_
n j i
j i
n
i
i
n
i
i
X X X Var X Var
1 1 1
, cov 2

Tableau (89) Pareto : Echantillon1
Echantillon1 Simulation Dterministe Stochastique Dirichlet
BC 0,85% 0,85% 0,85% 0,85%
BC_TF 0,64% 0,64% 0,65% 0,65%
DF 75,61% 75,63% 76,77% 76,89%
BC_TF_CA 0,79% 0,79% 0,79% 0,79%
EDF 92,86% 92,87% 93,74% 93,84%
Montants moyens
actualiss
74,98% 74,99% 75,90% 75,99%

-101-

Tableau (90) Log-Normale : Echantillon1
BC 1,42% 1,42% 1,42% 1,41%
BC_TF 1,08% 1,08% 1,09% 1,09%
DF 76,04% 76,14% 77,16% 77,14%
BC_TF_CA 1,32% 1,32% 1,33% 1,33%
EDF 93,12% 93,28% 94,05% 94,03%
Montants moyens
actualiss
75,29% 75,37% 76,19% 76,17%
Tableau (91) Exponentiel : Echantillon1
BC 1,87% 1,87% 1,87% 1,87%
BC_TF 1,43% 1,43% 1,45% 1,45%
DF 76,61% 76,50% 77,46% 77,57%
BC_TF_CA 1,75% 1,75% 1,76% 1,76%
EDF 93,66% 93,57% 94,28% 94,36%
Montants moyens
actualiss
75,72% 75,64% 76,42% 76,50%
Ratio 2 sim= 100,76% Ratio 2 det= 100,85%

A prsent nous modifions les paramtres de la loi de Dirichlet, nous divisons chaque
paramtre par deux.
I= 1 2 3 4 5 6 7 8 9 10 11 12
i

0,125 0,125 0,125 0,25 0,375 0,5 0,5 0,375 0,25 0,125 0,125 0,125

Tableau (92) Echantillon2
Anne i
*
i

*
i

i

i

1 4,2% 10% 4,2% 10%
2 4,2% 10% 8,3% 13,8%
3 4,2% 10% 12,5% 16,5%
4 8,3% 13,8% 20,8% 20,3%
5 12,5% 16,5% 33,3% 23,6%
6 16,7% 18,6% 50% 25%
7 16,7% 18,6% 66,7% 23,6%
8 12,5% 16,5% 79,2% 20,3%
9 8,3% 13,8% 87,5% 16,5%
10 4,2% 10% 91,7% 13,8%
11 4,2% 10% 95,8% 10%
12 4,2% 10% 100% 0%

-102-

BC 0,84% 0,84% 0,84% 0,84%
BC_TF 0,63% 0,63% 0,65% 0,65%
DF 75,58% 75,63% 77,64% 77,80%
BC_TF_CA 0,78% 0,78% 0,79% 0,79%
EDF 92,83% 92,87% 94,40% 94,52%
Montants moyens
actualiss
74,95% 74,99% 76,59% 76,71%

BC 1,44% 1,44% 1,44% 1,44%
BC_TF 1,10% 1,10% 1,12% 1,12%
DF 76,19% 76,14% 77,92% 78,14%
BC_TF_CA 1,34% 1,34% 1,36% 1,36%
EDF 93,32% 93,28% 94,62% 94,78%
Montants moyens
actualiss
75,41% 75,37% 76,80% 76,98%
BC 1,83% 1,83% 1,83% 1,83%
BC_TF 1,40% 1,40% 1,43% 1,44%
DF 76,52% 76,50% 78,17% 78,38%
BC_TF_CA 1,72% 1,71% 1,74% 1,74%
EDF 93,58% 93,57% 94,82% 94,97%
Montants moyens
actualiss
75,65% 75,64% 77,00% 77,16%

A prsent nous modifions les paramtres de la loi de Dirichlet, nous multiplions chaque
paramtre par deux.

I= 1 2 3 4 5 6 7 8 9 10 11 12
i

0,5 0,5 0,5 0,1 1,5 2 2 1,5 1 0, 5 0, 5 0, 5

-103-

Tableau (96) Echantillon3 :
Anne i
*
i

*
i

i

i

1 4,2% 5,5% 4,2% 5,5%
2 4,2% 5,5% 8,3% 7,7%
3 4,2% 5,5% 12,5% 9,2%
4 8,3% 7,7% 20,8% 11,3%
5 12,5% 9,2% 33,3% 13,1%
6 16,7% 10,3% 50% 13,9%
7 16,7% 10,3% 66,7% 13,1%
8 12,5% 9,2% 79,2% 11,3%
9 8,3% 7,7% 87,5% 9,2%
10 4,2% 5,5% 91,7% 7,7%
11 4,2% 5,5% 95,8% 5,5%
12 4,2% 5,5% 100% 0%

BC 0,87% 0,87% 0,87% 0,87%
BC_TF 0,65% 0,65% 0,66% 0,66%
DF 75,67% 75,63% 76,24% 76,34%
BC_TF_CA 0,80% 0,80% 0,81% 0,81%
EDF 92,91% 92,87% 93,33% 93,41%
Montants moyens
actualiss
75,02% 74,99% 75,47% 75,55%

BC 1,45% 1,45% 1,45% 1,45%
BC_TF 1,11% 1,10% 1,11% 1,11%
DF 76,23% 76,14% 76,67% 76,82%
BC_TF_CA 1,35% 1,35% 1,36% 1,36%
EDF 93,35% 93,28% 93,68% 93,80%
Montants moyens
actualiss
75,44% 75,37% 75,80% 75,91%

-104-

BC 1,80% 1,80% 1,80% 1,80%
BC_TF 1,38% 1,38% 1,39% 1,39%
DF 76,45% 76,50% 77,00% 76,97%
BC_TF_CA 1,69% 1,69% 1,69% 1,69%
EDF 93,53% 93,57% 93,94% 93,92%
Montants moyens
actualiss
75,60% 75,64% 76,04% 76,02%

Commentaire :
Nous voyons que la vitesse de paiement dterministe nest pas influence
par laugmentation de lcart type dans les diffrents cas.
Par contre nous voyons que la vitesse stochastique est dautant plus rapide que les
variances sont leves. linverse, lorsque les variances sont trs faibles, les ratios
tendent vers 100%, indiquant qu la limite il ny a plus de diffrence avec la vitesse
dterministe, constat somme tout logique.

-105-

Conclusion

Nous avons choisi trois lois pour reprsenter le montant des sinistres, pour
chacune dentre elle, nous avons tablit que la vitesse de paiement stochastique du
rassureur est plus rapide que celle dterministe. Ds lors nous avons investiguer dans sa
modlisation. Nous avons explor diffrentes pistes (loi multivari, chanes de Markov,
simulation conditionnelles, copulas, etc), afin de pouvoir lintgrer notre outil de
cotation des traits en excdent de sinistre par simulation.

Au final, seul la loi de Dirichlet et la Copule de Frank ont t retenue pour
modliser la vitesse de paiement stochastique, avec toutefois certaines rserves, nous
imposons lchance de rglement complet du sinistre avec la loi de Dirichlet, et la
vitesse nest pas croissante pour quelques sinistres avec la Copula de Frank (ce
phnomne sobserve galement dans la ralit).

Les rsultats sont difiants, si on cte une tranche en excdent de sinistre avec une
vitesse dterministe, systmatiquement, on sous estime la prime. Si nous souhaitons
garder une approche conservatrice, il nous faut recourir une cadence de rglement
stochastique, et major la prime. Cette majoration peut aller de 2-3% prs de 10% dans
certains cas

Ce rsultat pose un problme, dans un march concurrentiel tel quest celui de la
rassurance, un rassureur peut-il se permettre daugmenter ces primes de 2-3%, alors
mme que pour 1% de diffrence, la cdante sadresse la concurrence?

-106-

Bibliographie

Articles

The pratical pricing of Excess of Loss treaties : actuarial, financial, economic
and commercial aspect , J.F. Walhin, L. Herfurth, P. De Longueville, 2001.
On the Pratical Multiline Excess of Loss Pricing , J.F. Walhin, 2001.
Une nouvelle caractrisation de la distribution de Pareto, avec application la
cadence de paiement du rassureur en excdent de sinistre , J.F. Walhin, 2003.
Introduction to Dynamic Financial Analysis , R. Kaufmann, A. Gadmer, R.
Klett, 1999.
Temptes : Etude de dpendance entre les branches auto et incendie avec la
thorie des copulas , O. Belguise, 2002.
Tails of Copula , G. Venter, 2000.
Understanding relationship using Copula , E. Freez, E. Valdez, 1999
Modelling dependence with copulas and applications to risk management ,
Embrechts, McNeil, Lindskog, 2001.
Correlation and dependence in risk management: properties and pitfalls ,
Embrechts, McNeil, Straumann, 1999.
Imputation of missing data items under linear restriction , C. Tempelsman,
2003
Sequential nongaussian simulation using FGM Copula , M. Armstrong, A.
Galli, 2002.
Numerical methods for universal portfolios , H. Ishijima, 2001.
Chapitre 8, cours de gostatistique, Ecole Polytechnique.

Livre

La rassurance, approche technique , J. Blondeau, C. Partrat, 2003.
Calcul des probabilits , D. Foata, A. Fuchs, 1996
Loss Models : From data to decision , Klugmann, Panjer, Willmot

Cours

Calcul Actuariel I,II : K.T. Eisele, 2
re
& 3
me
anne de Magistre dActuariat
Rassurance : J.F Walhin, 3me anne Magistre dActuariat
Rassurance Non-Vie : P. Lacoste, 3me anne Magistre dActuariat
Introduction to Copulas : C. Hipp, 3me anne Magistre dActuariat
Cours de Probabilits II, III : D. Foata, M. Heinkel, 2
re
& 3
me
anne de
Magistre dActuariat

- 107 -
Glossaire
A
Annual Aggregate Deductible 13
Annual Aggregate Limit 13
B
Bta 24
Burning Cost 70
C
Capacit 10
Chanes de Markov 38
Clause de partage des intrts 14
Clause de stabilit 14
Clayton 51, 57
Copulas 51
Copulas archimdiennes 58
Copulas multivaris 51
D
Digamma 34
Dirichlet 31
E
Excdent de plein 9
Excdent de sinistre par vnement 11
Excdent de sinistre par risque 11
Exponentiel 19
F
Farlie-Gumel-Morgenstern 51
Frank 51, 57
G
Gumbel 51, 57
I
Ingalit de Jensen 24
L
Loptimisation non-linaire 46
Log-Normale 19
M
Matrice de transition 39
Maximum de vraisemblance 34
N
Newton-Raphson 34
O
Optimisation non-linaire 45
P
Pareto 18
Plafond 10
Priorit 10
Processus de Poisson 42
Processus de Yule 39
Q
Quote-part 9
R
Recuit simul 48
S
Simulations conditionnelles non-
gaussiennes 48
Stop Loss 12
T
Trigamma 35

- 108 -
Index des tableaux

Tableau (1) - Moments observs sur lchantillon. ..............................................................28
Tableau (2) Vitesse de Paiement pour = 2,5...................................................................29
Tableau (4) Vitesse de Paiement pour = 0,0012 ...........................................................30
Tableau (5) Vitesse de Paiement pour = 0,0014 ............................................................30
Tableau (6) Vitesse de Paiement pour 77 , 0 43 , 6 ...............................................30
Tableau (7) Vitesse de Paiement pour 42 , 0 46 , 6 ...............................................31
Tableau (8) - Estimation des
par la mthode des moments ...............................................34

Tableau (9) - Estimation de par le maximum de vraisemblance.........................................36
Tableau (10) - Estimation de par optimisation...................................................................37
Tableau (11) Comparaison des moments avec des simulations de Dirichlet .......................38
Tableau (12) -Matrice de Transition suivant le Processus de Yule ........................................43
Tableau (13) -Matrice de Transition suivant le Processus de Poisson....................................44
Tableau (14) - Moments obtenus avec le Processus de Yule .................................................45
Tableau (15) - Moments obtenus avec le Processus de Poisson.............................................45
Tableau(16) - Comparaison des moments avec les simulations conditionnelles.....................51
Tableau (17) - Estimation des paramtres des lois Bta par ..................................................54
le maximum de vraisemblance.............................................................................................54
Tableau (18) Estimation des paramtres des Bta par la mthode des moments .................55
Tableau (19)- Moments par maximum de vraisemblance......................................................55
Tableau (20)-Estimation des paramtres de la loi Bta .........................................................59
Tableau (21)-Gumbel...........................................................................................................60
Tableau (22)-FGM...............................................................................................................60
Tableau (23)-Frank..............................................................................................................61
Tableau (24)-Clayton...........................................................................................................61
Tableau (25) Moments avec la Copula de Frank................................................................66
Tableau (26) Pareto : paramtres initiaux ..........................................................................72
Tableau (27) Log-Normale : paramtres initiaux ...............................................................73
Tableau (28) Exponentiel : paramtres initiaux..................................................................73
Tableau (29) Pareto : Partage intrts 30%........................................................................74
Tableau (30) Log-Normale : Partage intrts 30%.............................................................75
Tableau (31) Exponentiel : Partage intrts 30%...............................................................75
Tableau (32) Pareto : Partage intrts 0%..........................................................................75
Tableau (33) Log-Normale : Partage intrts 0%...............................................................76
Tableau (34) Exponentiel : Partage intrts 0%.................................................................76
Tableau (35) Pareto : Overstatement .................................................................................77
Tableau (36) Log-Normale : Overstatement ......................................................................77
Tableau (37) Exponentiel : Overstatement.........................................................................78
Tableau (38) Pareto : =3,5............................................................................................79
Tableau (39) Log-Normale : 6,4639 ; 0,4179 ....................................................79
Tableau (40) Exponentiel : 0,0014286.......................................................................79
Tableau (41) Pareto : Inflation +3%..................................................................................80
Tableau (42) Log-Normale : Inflation +3%.......................................................................80
Tableau (43) Exponentiel : Inflation +3%..........................................................................81
Tableau (44) Pareto : Taux +3%........................................................................................82
Tableau (45) Log-Normale : Taux +3%.............................................................................82
Tableau (46) Exponentiel : Taux +3%...............................................................................82
Tableau (47) Pareto : Taux & Inflation +3%......................................................................83
Tableau (48) Log-Normale : Taux & Inflation +3%..........................................................83
Tableau (49) Exponentiel : Taux & Inflation +3%.............................................................84

- 109 -
Tableau (50) Pareto : Marge 20%......................................................................................84
Tableau (51) Log-Normale : Marge 20%...........................................................................85
Tableau (52) Exponentiel : Marge 20%.............................................................................85
Tableau (53) Pareto : Marge 0%........................................................................................85
Tableau (54) Log-Normale : Marge 0%.............................................................................86
Tableau (55) Exponentiel : Marge 0%...............................................................................86
Tableau (56) Pareto : AAD 250.........................................................................................87
Tableau (57) Log-Normale : AAD 250..............................................................................87
Tableau (58) Exponentiel : AAD 250................................................................................88
Tableau (59) Pareto : AAD 500.........................................................................................88
Tableau (60) Log-Normale : AAD 500..............................................................................88
Tableau (61) Exponentiel : AAD 500................................................................................89
Tableau (62) Pareto : AAL 2500 .......................................................................................89
Tableau (63) Log-Normale : AAL 2500............................................................................90
Tableau (64) Exponentiel : AAL 2500 ..............................................................................90
Tableau (65) Pareto : Date de paiement final .....................................................................90
Tableau (66) Log-Normale : Date de paiement final ..........................................................91
Tableau (67) Exponentiel : Date de paiement final ............................................................91
Tableau (68) Pareto : Date de paiement sans rserve .........................................................92
Tableau (69) Log-Normale : Date de paiement sans rserve ..............................................92
Tableau (70) Exponentiel : Date de paiement sans rserve.................................................92
Tableau (71) Pareto : Date de paiement avec SIC sans rserve...........................................93
Tableau (72) Log-Normale : Date de paiement avec SIC sans rserve ...............................93
Tableau (73) Exponentiel : Date de paiement avec SIC sans rserve..................................94
Tableau (74) Pareto : Date de paiement avec SIC avec rserve ..........................................94
Tableau (75) Log-Normale : Date de paiement avec SIC avec rserve...............................95
Tableau (76) Exponentiel : Date de paiement avec SIC avec rserve .................................95
Tableau (77) Pareto : Date daccident indice : 2,5%..........................................................96
Tableau (78) Log-Normale : Date daccident indice : 2,5%...............................................96
Tableau (79) Exponentiel : Date daccident indice : 2,5%..................................................96
Tableau (80) Log-Normale : 500 XS 500 ..........................................................................97
Tableau (81) Exponentiel : 500 XS 500.............................................................................97
Tableau (82) Log-Normale : 500 XS 1000 ........................................................................98
Tableau (83) Exponentiel : 500 XS 1000...........................................................................98
Tableau (88) Echantillon1...............................................................................................100
Tableau (89) Pareto : Echantillon1..................................................................................100
Tableau (90) Log-Normale : Echantillon1.......................................................................101
Tableau (91) Exponentiel : Echantillon1 .........................................................................101
Tableau (92) Echantillon2................................................................................................101
Tableau (93) Pareto : Echantillon2...................................................................................102
Tableau (96) Echantillon3 :.............................................................................................103
Tableau (97) Pareto : Echantillon3..................................................................................103

- 110 -
Tables des illustrations

Gumbel pour la 1
re
et 2
me
anne de dveloppement...........................................63

Clayton pour la 1
re
et 2
me
anne de dveloppement. ..........................................63

Frank pour la 1
re
et 2
me
anne de dveloppement. .............................................64

Gumbel pour la 2
re
et 3
me
anne de dveloppement...........................................64

Clayton pour la 2
re
et 3
me
anne de dveloppement. ..........................................65

Frank pour la 2
re
et 3
me
anne de dveloppement. .............................................65

Graphique (7) : Comparaison fonction de densit de la loi de Pareto(500 ;2,5),.........74
Log-Normale(6,43 ;0,77), Exponentiel(0,0012). .........................................................74

Général

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Général

Uploaded by

Copyright:

Available Formats

2004

par la mthode des moments

. Ainsi, nous pouvons jouer sur le dernier paramtre pour ajuster

, le logiciel SAS, qui procde

exp exp exp exp

par la mthode des moments ...............................................34

You might also like