Chapitre I Théorie de la ruine
Olivier Wintenberger
ISUP 2, Université Paris VI (slides Olivier Lopez)
Année universitaire 2013-2014
1 Risque collectif
2 Modélisation des coûts de sinistres
3 Probabilité de ruine
4 Calculs de probabilités de ruine
Outline
1 Risque collectif
Définitions et hypothèses simplificatrices Modélisation du nombre de sinistres
2 Modélisation des coûts de sinistres
3 Probabilité de ruine
4 Calculs de probabilités de ruine
Définitions et hypothèses simplificatrices
Risque collectif pour l’assureur
On noteXi lei−ème sinistre pour l’assureur Entre une date 0 et une datet,il y aN(t)sinistres.
Coût global pour l’assureur
On s’intéresse àS(t) =X1+...+XN(t).
Dans le cast =1,on noteraS(1) =SetN(t) =N.
Définitions et hypothèses simplificatrices
Risque collectif pour l’assureur
On noteXi lei−ème sinistre pour l’assureur Entre une date 0 et une datet,il y aN(t)sinistres.
Coût global pour l’assureur
On s’intéresse àS(t) =X1+...+XN(t).
Dans le cast =1,on noteraS(1) =SetN(t) =N.
Définitions et hypothèses simplificatrices
Hypothèses simplificatrices
Dans un modèle simple (considéré dans ce chapitre), on suppose lesXi i.i.d.
On suppose que le processus(N(t))t∈R+ est indépendant desXi.
Question :calculerE[S(t)]en fonction deE[X1]etE[N(t)].
Que pensez-vous de ces hypothèses ?
Définitions et hypothèses simplificatrices
Hypothèses simplificatrices
Dans un modèle simple (considéré dans ce chapitre), on suppose lesXi i.i.d.
On suppose que le processus(N(t))t∈R+ est indépendant desXi.
Question :calculerE[S(t)]en fonction deE[X1]etE[N(t)].
Que pensez-vous de ces hypothèses ?
Définitions et hypothèses simplificatrices
Hypothèses simplificatrices
Dans un modèle simple (considéré dans ce chapitre), on suppose lesXi i.i.d.
On suppose que le processus(N(t))t∈R+ est indépendant desXi.
Question :calculerE[S(t)]en fonction deE[X1]etE[N(t)].
Que pensez-vous de ces hypothèses ?
Modélisation du nombre de sinistres
Modèle 1 : Processus de Poisson
Rappel : processus de Poisson
On appelle processus de Poisson homogène d’intensitéλ (espace de tempsR+), un processusN satisfaisant les propriétés suivantes :
N est un processus à accroissements indépendants N(t+h)−N(t)∼ P(λh)pour toutt.
N est un processus à valeurs entières.
Modélisation du nombre de sinistres
Modèle 1 : Processus de Poisson
Rappel : processus de Poisson
On appelle processus de Poisson homogène d’intensitéλ (espace de tempsR+), un processusN satisfaisant les propriétés suivantes :
N est un processus à accroissements indépendants N(t+h)−N(t)∼ P(λh)pour toutt.
N est un processus à valeurs entières.
Modélisation du nombre de sinistres
Modèle 1 (suite) : Processus de Poisson composé
Processus de Poisson composé
SiN(·)est un processus de Poisson, le processusS(·)est un processus de Poisson composé d’intensitéλ, et de loi de saut PX,oùPX désigne la loi desXi.
Remarque : par définition, le processus de Poisson composé nécessite que lesXi soient i.i.d.
La définition du processus de Poisson s’étend à des intensités non homogènes (non abordées dans ce cours).
Modélisation du nombre de sinistres
Modèle 1 (suite) : Processus de Poisson composé
Processus de Poisson composé
SiN(·)est un processus de Poisson, le processusS(·)est un processus de Poisson composé d’intensitéλ, et de loi de saut PX,oùPX désigne la loi desXi.
Remarque : par définition, le processus de Poisson composé nécessite que lesXi soient i.i.d.
La définition du processus de Poisson s’étend à des intensités non homogènes (non abordées dans ce cours).
Modélisation du nombre de sinistres
Modèle 1 (suite) : Processus de Poisson composé
Processus de Poisson composé
SiN(·)est un processus de Poisson, le processusS(·)est un processus de Poisson composé d’intensitéλ, et de loi de saut PX,oùPX désigne la loi desXi.
Remarque : par définition, le processus de Poisson composé nécessite que lesXi soient i.i.d.
La définition du processus de Poisson s’étend à des intensités non homogènes (non abordées dans ce cours).
Modélisation du nombre de sinistres
Inconvénients du processus de Poisson
Homogénéité (l’hypothèse peut être relâchée).
Modèle très paramétrique (rend l’adéquation parfois difficile).
La variance de la loi de Poisson est égale à son espérance.
Modélisation du nombre de sinistres
Modèle 2 : loi binomiale négative
Loi binomiale négative
Nà valeurs dansNsuit une loi binomiale négative de paramètresr etpsi
P(N =k) = Γ(k+r)
Γ(r)k! pr(1−p)k.
Exercice : on considère le couple de variables aléatoires (N, λ)oùN|λ=l ∼ P(l)etλ∼Γ(r,s).AlorsN suit une loi binomiale négative.
En déduire l’espérance et la variance de la loi binomiale négative en fonction der etp.
Modélisation du nombre de sinistres
Modèle 2 : loi binomiale négative
Loi binomiale négative
Nà valeurs dansNsuit une loi binomiale négative de paramètresr etpsi
P(N =k) = Γ(k+r)
Γ(r)k! pr(1−p)k.
Exercice : on considère le couple de variables aléatoires (N, λ)oùN|λ=l ∼ P(l)etλ∼Γ(r,s).AlorsN suit une loi binomiale négative.
En déduire l’espérance et la variance de la loi binomiale négative en fonction der etp.
Modélisation du nombre de sinistres
Modèle 2 : loi binomiale négative
Loi binomiale négative
Nà valeurs dansNsuit une loi binomiale négative de paramètresr etpsi
P(N =k) = Γ(k+r)
Γ(r)k! pr(1−p)k.
Exercice : on considère le couple de variables aléatoires (N, λ)oùN|λ=l ∼ P(l)etλ∼Γ(r,s).AlorsN suit une loi binomiale négative.
En déduire l’espérance et la variance de la loi binomiale négative en fonction der etp.
Modélisation du nombre de sinistres
Loi de S
Exercice : calcul de la fonction caractéristique deSen fonction deλet deF dans le cas d’un processus de Poisson composé.
Idem pourN suivant une loi binomiale négative.
Conclusion ?
Modélisation du nombre de sinistres
Loi de S
Exercice : calcul de la fonction caractéristique deSen fonction deλet deF dans le cas d’un processus de Poisson composé.
Idem pourN suivant une loi binomiale négative.
Conclusion ?
Modélisation du nombre de sinistres
Loi de S
Exercice : calcul de la fonction caractéristique deSen fonction deλet deF dans le cas d’un processus de Poisson composé.
Idem pourN suivant une loi binomiale négative.
Conclusion ?
Modélisation du nombre de sinistres
Un exemple
Nombre de sinistres :
Periode Nombre
1 4
2 8
3 6
4 3
5 2
6 9
7 13
8 10
9 7
10 10
Ajuster une loi de Poisson puis une loi binomiale négative.
Modélisation du nombre de sinistres
Propriétés du processus de Poisson
Processus de renouvellement
Le processus de Poisson est un processus de renouvellement : il existe des temps inter-arrivéesYi iid tels que
N(t) =sup{n≥1;Y1+· · ·Yn≤t}, t≥0.
Exercice :Montrer queY1suit une loi exponentielleE(λ).
Modélisation du nombre de sinistres
Théorie élémentaire du renouvellement
Théorème de renouvellement
On suppose que les temps inter-arrivéesYi iid vérifient E[Y1] =λ−1alors
tlim→∞
E[N(t)]
t =λ.
preuveOn montre d’abord queN(t)/t→λ. On noteTn les instants d’arrivée alorsTn/n→λ−1p.s. On en déduit que TN(t)/N(t)→λ−1.
Outline
1 Risque collectif
2 Modélisation des coûts de sinistres Loi Gamma
Mélange exponentiel Loi de Pareto
Approximation normale Cas discret
3 Probabilité de ruine
4 Calculs de probabilités de ruine
Loi Gamma
Loi Gamma
La loiΓ(n, θ)a deux paramètres.
C’est une loi à valeurs positives.
Bien adaptée quand la fréquence de dommages "très élevés" est faible (exemple type : assurance dommage sur un véhicule, ne portant que sur la voiture elle-même, et pas sur les dommages subis par le conducteur ou par un tiers).
Mélange exponentiel
Mélange exponentiel
Définition du mélange de 2 exponentielles
SoitY etZ deux variables exponentielles indépendantes de paramètresλetµavecλ6=µ.Soitδ∼ B(p),indépendante de Y etZ.La loi deX =δY + (1−δ)Z est appelée mélange de deux exponentielles (paramètresλ, µetp).
Généralisation à 3, 4 exponentielles...
Plus on augmente le nombre d’exponentielles, plus on augmente la flexibilité du modèle.
Il existe des techniques ditesnon superviséesde choix du nombre d’exponentielles dans le mélange.
Mélange exponentiel
Mélange exponentiel
Définition du mélange de 2 exponentielles
SoitY etZ deux variables exponentielles indépendantes de paramètresλetµavecλ6=µ.Soitδ∼ B(p),indépendante de Y etZ.La loi deX =δY + (1−δ)Z est appelée mélange de deux exponentielles (paramètresλ, µetp).
Généralisation à 3, 4 exponentielles...
Plus on augmente le nombre d’exponentielles, plus on augmente la flexibilité du modèle.
Il existe des techniques ditesnon superviséesde choix du nombre d’exponentielles dans le mélange.
Mélange exponentiel
Mélange exponentiel
Définition du mélange de 2 exponentielles
SoitY etZ deux variables exponentielles indépendantes de paramètresλetµavecλ6=µ.Soitδ∼ B(p),indépendante de Y etZ.La loi deX =δY + (1−δ)Z est appelée mélange de deux exponentielles (paramètresλ, µetp).
Généralisation à 3, 4 exponentielles...
Plus on augmente le nombre d’exponentielles, plus on augmente la flexibilité du modèle.
Il existe des techniques ditesnon superviséesde choix du nombre d’exponentielles dans le mélange.
Mélange exponentiel
Mélange exponentiel
Définition du mélange de 2 exponentielles
SoitY etZ deux variables exponentielles indépendantes de paramètresλetµavecλ6=µ.Soitδ∼ B(p),indépendante de Y etZ.La loi deX =δY + (1−δ)Z est appelée mélange de deux exponentielles (paramètresλ, µetp).
Généralisation à 3, 4 exponentielles...
Plus on augmente le nombre d’exponentielles, plus on augmente la flexibilité du modèle.
Il existe des techniques ditesnon superviséesde choix du nombre d’exponentielles dans le mélange.
Loi de Pareto
Loi de Pareto
Définition de la loi de Pareto
On appelle loi de Pareto de paramètres(α, λ)la loi de la variableX de fonction de survie
P(X >x) = λ
x α
,
pourx ≥λ,etP(X >x) =1 sinon.
Lien avec la loi exponentielle.
Prise en compte de "queues de distributions lourdes".
Exercice : on suppose que la loi des coûts de sinistre est une Pareto de paramètre(α,1).L’assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs àm euros). Quelle est la loi du coût de sinistre ainsi franchisé ?
Loi de Pareto
Loi de Pareto
Définition de la loi de Pareto
On appelle loi de Pareto de paramètres(α, λ)la loi de la variableX de fonction de survie
P(X >x) = λ
x α
,
pourx ≥λ,etP(X >x) =1 sinon.
Lien avec la loi exponentielle.
Prise en compte de "queues de distributions lourdes".
Exercice : on suppose que la loi des coûts de sinistre est une Pareto de paramètre(α,1).L’assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs àm euros). Quelle est la loi du coût de sinistre ainsi franchisé ?
Loi de Pareto
Loi de Pareto
Définition de la loi de Pareto
On appelle loi de Pareto de paramètres(α, λ)la loi de la variableX de fonction de survie
P(X >x) = λ
x α
,
pourx ≥λ,etP(X >x) =1 sinon.
Lien avec la loi exponentielle.
Prise en compte de "queues de distributions lourdes".
Exercice : on suppose que la loi des coûts de sinistre est une Pareto de paramètre(α,1).L’assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs àm euros). Quelle est la loi du coût de sinistre ainsi franchisé ?
Loi de Pareto
Loi de Pareto
Définition de la loi de Pareto
On appelle loi de Pareto de paramètres(α, λ)la loi de la variableX de fonction de survie
P(X >x) = λ
x α
,
pourx ≥λ,etP(X >x) =1 sinon.
Lien avec la loi exponentielle.
Prise en compte de "queues de distributions lourdes".
Exercice : on suppose que la loi des coûts de sinistre est une Pareto de paramètre(α,1).L’assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs àm euros). Quelle est la loi du coût de sinistre ainsi franchisé ?
Approximation normale
Approximation normale de la loi de S
Théorème
Soitµ(t) =E[S(t)]etσ2(t) =Var(S(t)).Alors P
S(t)−µ(t) σ(t) <x
→t→∞Φ(x),
oùΦdésigne la fonction de répartition de la loi normale centrée réduite.
Question :Calculerσ2(t). Quelle hypothèse doit on faire surN(t)?
Approximation normale
Approximation normale de la loi de S
Théorème
Soitµ(t) =E[S(t)]etσ2(t) =Var(S(t)).Alors P
S(t)−µ(t) σ(t) <x
→t→∞Φ(x),
oùΦdésigne la fonction de répartition de la loi normale centrée réduite.
Question :Calculerσ2(t). Quelle hypothèse doit on faire surN(t)?
Cas discret
Cas discret : calcul récursif de Panjer
On suppose queX1est une variable positive de loi discrète, et on notep(x) =P(X =x).
But: fournir une méthode de calcul récursive de f(x) =P(S=x).
Théorème de Panjer
Soitqn=P(N =n).On suppose qu’il existe deux réelsaetb tels que, pourn≥1,qn = a+bn
qn−1.Alors
f(0) = P(N =0)1p(0)=0+E(p(0)N)1p(0)>0,
f(x) = 1 1−ap(0)
x
X
h=1
a+bh
x
p(h)f(x−h).
Cas discret
Cas discret : calcul récursif de Panjer
On suppose queX1est une variable positive de loi discrète, et on notep(x) =P(X =x).
But: fournir une méthode de calcul récursive de f(x) =P(S=x).
Théorème de Panjer
Soitqn=P(N =n).On suppose qu’il existe deux réelsaetb tels que, pourn≥1,qn = a+bn
qn−1.Alors
f(0) = P(N =0)1p(0)=0+E(p(0)N)1p(0)>0, f(x) = 1
1−ap(0)
x
X
h=1
a+bh
x
p(h)f(x−h).
Cas discret
Distributions de N satisfaisant les hypothèses de Panjer
La loi de Poisson : a=0,etb=λ.
Loi binomiale(k,p):p=a/(a−1),etk =−(b+a)/a.
Loi binomiale négative(r,p):p=1−aetr =1+b/a.
Cas discret
Distributions de N satisfaisant les hypothèses de Panjer
La loi de Poisson : a=0,etb=λ.
Loi binomiale(k,p):p=a/(a−1),etk =−(b+a)/a.
Loi binomiale négative(r,p):p=1−aetr =1+b/a.
Cas discret
Distributions de N satisfaisant les hypothèses de Panjer
La loi de Poisson : a=0,etb=λ.
Loi binomiale(k,p):p=a/(a−1),etk =−(b+a)/a.
Loi binomiale négative(r,p):p=1−aetr =1+b/a.
Outline
1 Risque collectif
2 Modélisation des coûts de sinistres
3 Probabilité de ruine
Modèle de Cramer-Lundberg
Petits sinistres et coefficient d’ajustement Réassurance et probabilité de ruine
4 Calculs de probabilités de ruine
Modèle de Cramer-Lundberg
Définition
Modèle de Cramer-Lundberg On considère le processus
U(t) =u+ct−S(t).
U(t) =capital de l’assureur à la datet, u =capital initial,
c =primes reçues par unité de temps,
S(t) =somme déboursée pour les sinistres, modélisé par unprocessus de Poisson composé. LesXi sont supposés positifs.
Modèle de Cramer-Lundberg
Définition
Modèle de Cramer-Lundberg On considère le processus
U(t) =u+ct−S(t).
U(t) =capital de l’assureur à la datet, u =capital initial,
c =primes reçues par unité de temps,
S(t) =somme déboursée pour les sinistres, modélisé par unprocessus de Poisson composé. LesXi sont supposés positifs.
Modèle de Cramer-Lundberg
La ruine
On définitT =inf(t|t ≥0,U(t)<0),avec la convention inf{∅}=∞.
Remarque : T est un temps d’arrêt par rapport à la filtration naturelle du processusU.
Probabilité de ruine
On définit la probabilité de ruine comme
ψ(u) =P(T <∞|U(0) =u).
Terminologie : siµ1=E[X1],on appelle coefficient de chargement (safety loading) la constante
θ= c
λµ1
−1.
Modèle de Cramer-Lundberg
La ruine
On définitT =inf(t|t ≥0,U(t)<0),avec la convention inf{∅}=∞.
Remarque : T est un temps d’arrêt par rapport à la filtration naturelle du processusU.
Probabilité de ruine
On définit la probabilité de ruine comme
ψ(u) =P(T <∞|U(0) =u).
Terminologie : siµ1=E[X1],on appelle coefficient de chargement (safety loading) la constante
θ= c λµ1
−1.
Modèle de Cramer-Lundberg
La ruine
On définitT =inf(t|t ≥0,U(t)<0),avec la convention inf{∅}=∞.
Remarque : T est un temps d’arrêt par rapport à la filtration naturelle du processusU.
Probabilité de ruine
On définit la probabilité de ruine comme ψ(u) =P(T <∞|U(0) =u).
Terminologie : siµ1=E[X1],on appelle coefficient de chargement (safety loading) la constante
θ= c λµ1
−1.
Modèle de Cramer-Lundberg
La ruine
On définitT =inf(t|t ≥0,U(t)<0),avec la convention inf{∅}=∞.
Remarque : T est un temps d’arrêt par rapport à la filtration naturelle du processusU.
Probabilité de ruine
On définit la probabilité de ruine comme ψ(u) =P(T <∞|U(0) =u).
Terminologie : siµ1=E[X1],on appelle coefficient de chargement (safety loading) la constante
θ= c
λµ1
−1.
Modèle de Cramer-Lundberg
La ruine
Proposition
Si le coefficient de chargementθ≤0 alorsψ(u) =1 pour tout u≥0.
Remarque : On est certain de tomber en ruine quelque soit le capital initial.
On appellecondition de profit netl’hypothèseθ >0.
Modèle de Cramer-Lundberg
La ruine
Proposition
Si le coefficient de chargementθ≤0 alorsψ(u) =1 pour tout u≥0.
Remarque : On est certain de tomber en ruine quelque soit le capital initial.
On appellecondition de profit netl’hypothèseθ >0.
Modèle de Cramer-Lundberg
La ruine
Proposition
Si le coefficient de chargementθ≤0 alorsψ(u) =1 pour tout u≥0.
Remarque : On est certain de tomber en ruine quelque soit le capital initial.
On appellecondition de profit netl’hypothèseθ >0.
Petits sinistres et coefficient d’ajustement
Coefficient d’ajustement, borne de Lundberg
On suppose que les sinistres sont petits,X est à queue légère et il exister >0 tel queE[exp(rX)]<∞.
On cherche une borne du typeψ(u)≤exp(−Ru).
Borne de Lundberg
SoitRla solution positive de l’équation 1+ (1+θ)µ1r =mX(r), oùmX(r) =E[exp(rX)],alors
ψ(u)≤exp(−Ru).
Définition
LeRdu théorème précédent est appelé coefficient d’ajustement.
Petits sinistres et coefficient d’ajustement
Coefficient d’ajustement, borne de Lundberg
On suppose que les sinistres sont petits,X est à queue légère et il exister >0 tel queE[exp(rX)]<∞.
On cherche une borne du typeψ(u)≤exp(−Ru).
Borne de Lundberg
SoitRla solution positive de l’équation 1+ (1+θ)µ1r =mX(r), oùmX(r) =E[exp(rX)],alors
ψ(u)≤exp(−Ru).
Définition
LeRdu théorème précédent est appelé coefficient d’ajustement.
Petits sinistres et coefficient d’ajustement
Coefficient d’ajustement, borne de Lundberg
On suppose que les sinistres sont petits,X est à queue légère et il exister >0 tel queE[exp(rX)]<∞.
On cherche une borne du typeψ(u)≤exp(−Ru).
Borne de Lundberg
SoitRla solution positive de l’équation 1+ (1+θ)µ1r =mX(r), oùmX(r) =E[exp(rX)],alors
ψ(u)≤exp(−Ru).
Définition
LeRdu théorème précédent est appelé coefficient d’ajustement.
Petits sinistres et coefficient d’ajustement
Coefficient d’ajustement, borne de Lundberg
On suppose que les sinistres sont petits,X est à queue légère et il exister >0 tel queE[exp(rX)]<∞.
On cherche une borne du typeψ(u)≤exp(−Ru).
Borne de Lundberg
SoitRla solution positive de l’équation 1+ (1+θ)µ1r =mX(r), oùmX(r) =E[exp(rX)],alors
ψ(u)≤exp(−Ru).
Définition
LeRdu théorème précédent est appelé coefficient d’ajustement.
Petits sinistres et coefficient d’ajustement
Quelques propriétés du coefficient d’ajustement
On a les relations suivantes :
exp(Rc) = E[exp(RS)], mc−S(−R) = 1,
c = 1
RlogmS(R).
Exercice : que vautRdans le cas oùX ∼ E(β)? Réponse :
R= θβ 1+θ.
Petits sinistres et coefficient d’ajustement
Quelques propriétés du coefficient d’ajustement
On a les relations suivantes :
exp(Rc) = E[exp(RS)], mc−S(−R) = 1,
c = 1
RlogmS(R).
Exercice : que vautRdans le cas oùX ∼ E(β)? Réponse :
R= θβ 1+θ.
Petits sinistres et coefficient d’ajustement
Quelques propriétés du coefficient d’ajustement
On a les relations suivantes :
exp(Rc) = E[exp(RS)], mc−S(−R) = 1,
c = 1
RlogmS(R).
Exercice : que vautRdans le cas oùX ∼ E(β)? Réponse :
R= θβ 1+θ.
Petits sinistres et coefficient d’ajustement
Lien avec le concept d’utilité
SoitZ un risque (i.e. une variable aléatoire). Combien l’assuré est-il prêt à payer pour s’assurer contre ce risque ? Le comportement de l’assuré face au risque est modélisé par une fonctionu,appeléeutilité.
Signification : si l’assuré dispose d’une fortunew, l’importance réelle accordée à cette fortune estu(w).
Utilité
L’assuré, au maximum est prêt à payer une sommeP telle que E[u(w−Z)] =u(w−P).
Petits sinistres et coefficient d’ajustement
Lien avec le concept d’utilité
SoitZ un risque (i.e. une variable aléatoire). Combien l’assuré est-il prêt à payer pour s’assurer contre ce risque ? Le comportement de l’assuré face au risque est modélisé par une fonctionu,appeléeutilité.
Signification : si l’assuré dispose d’une fortunew, l’importance réelle accordée à cette fortune estu(w).
Utilité
L’assuré, au maximum est prêt à payer une sommeP telle que
E[u(w−Z)] =u(w−P).
Petits sinistres et coefficient d’ajustement
Lien avec le concept d’utilité
SoitZ un risque (i.e. une variable aléatoire). Combien l’assuré est-il prêt à payer pour s’assurer contre ce risque ? Le comportement de l’assuré face au risque est modélisé par une fonctionu,appeléeutilité.
Signification : si l’assuré dispose d’une fortunew, l’importance réelle accordée à cette fortune estu(w).
Utilité
L’assuré, au maximum est prêt à payer une sommeP telle que
E[u(w−Z)] =u(w−P).
Petits sinistres et coefficient d’ajustement
Lien avec le concept d’utilité
SoitZ un risque (i.e. une variable aléatoire). Combien l’assuré est-il prêt à payer pour s’assurer contre ce risque ? Le comportement de l’assuré face au risque est modélisé par une fonctionu,appeléeutilité.
Signification : si l’assuré dispose d’une fortunew, l’importance réelle accordée à cette fortune estu(w).
Utilité
L’assuré, au maximum est prêt à payer une sommeP telle que E[u(w−Z)] =u(w−P).
Petits sinistres et coefficient d’ajustement
Utilité exponentielle
L’utilité exponentielle correspond àu(x) =−αexp(−αx).
Dans ce cas particulier, on appelleα=−u00(x)/u0(x) l’aversion au risque.
On a alors
P = 1
αlog(mX(α)).
Conclusion
Le coefficient d’ajustement correspond à l’aversion au risque qui entraîneP =c dans le cas d’une utilité exponentielle.
Petits sinistres et coefficient d’ajustement
Utilité exponentielle
L’utilité exponentielle correspond àu(x) =−αexp(−αx).
Dans ce cas particulier, on appelleα=−u00(x)/u0(x) l’aversion au risque.
On a alors
P = 1
αlog(mX(α)).
Conclusion
Le coefficient d’ajustement correspond à l’aversion au risque qui entraîneP =c dans le cas d’une utilité exponentielle.
Petits sinistres et coefficient d’ajustement
Utilité exponentielle
L’utilité exponentielle correspond àu(x) =−αexp(−αx).
Dans ce cas particulier, on appelleα=−u00(x)/u0(x) l’aversion au risque.
On a alors
P = 1
αlog(mX(α)).
Conclusion
Le coefficient d’ajustement correspond à l’aversion au risque qui entraîneP =c dans le cas d’une utilité exponentielle.
Petits sinistres et coefficient d’ajustement
Utilité exponentielle
L’utilité exponentielle correspond àu(x) =−αexp(−αx).
Dans ce cas particulier, on appelleα=−u00(x)/u0(x) l’aversion au risque.
On a alors
P = 1
αlog(mX(α)).
Conclusion
Le coefficient d’ajustement correspond à l’aversion au risque qui entraîneP =c dans le cas d’une utilité exponentielle.
Réassurance et probabilité de ruine
Réassurance et probabilité de ruine
Idée : Une politique de réassurance change le coefficient d’ajustement. On cherche le contrat le plus avantageux permettant d’assurer unR≥R0.
Deux contrats de réassurance classiques
Réassurance proportionnelle : pour la perteXi,le réassureur paieh1(Xi) =αXi,avec 0≤α≤1.
Réassurance excess of loss : pour la perteXi,le réassureur paieh2(Xi) = (Xi−β)+.
Réassurance et probabilité de ruine
Comparaison de deux traités de réassurance
On suppose queX ne prend que les valeurs 1 et 2 avec probabilité 1/2 pour chacune des valeurs.
L’assureur prend une commission de réassurance par unité de temps,
ch = (1+ξ)λE[h(X)].
On considère deux valeurs deξ:ξ =1/3 etξ =2/5.
Expliciter l’équation que doit satisfaireRdans le cas des deux traités. (se résout avec le solveur)
Réassurance et probabilité de ruine
Comparaison de deux traités de réassurance
On suppose queX ne prend que les valeurs 1 et 2 avec probabilité 1/2 pour chacune des valeurs.
L’assureur prend une commission de réassurance par unité de temps,
ch = (1+ξ)λE[h(X)].
On considère deux valeurs deξ:ξ =1/3 etξ =2/5.
Expliciter l’équation que doit satisfaireRdans le cas des deux traités. (se résout avec le solveur)
Réassurance et probabilité de ruine
Quelques résultats numériques
β 2 1.4 0.9 0.6 0.3 0.15 0
α 0 0.2 0.4 0.6 0.8 0.9 1
ξ =1/3 XL .325 .444 .611 .917 1.83 3.67 ∞
Prop .325 .407 .542 .813 1.63 3.25 ∞
ξ =1/5 XL .325 .425 .542 .676 .426 ∗ ∗
Prop .325 .390 .482 .602 .382 ∗ ∗
Réassurance et probabilité de ruine
Extension au cadre du renouvellement
Cadre d’étude
il existe des temps inter-arrivéesYi iid tels que
N(t) =sup{n≥1;Y1+· · ·Yn≤t}, t≥0.
On considèreU(t) =u+ct−S(t)avecS(t) =PN(t) i=1 Xi. On étend la terminologie précédente :
Coefficient de chargement : θ=cE[X1]E[Y1] −1,
Coefficient d’ajustement : la solutionRde l’équation E[exp(r(X1−cY1))] =1,r >0.
Réassurance et probabilité de ruine
Borne de Lundberg, cadre du renouvellement
Exercice :retrouver la définition du coefficient d’ajustement dans le cadre Poissonnien.
Borne de Lundberg
Si le coefficient d’ajustementR existe alors ψ(u)≤exp(−Ru), u>0.
Preuve : par récurrence en utilisant le processus squelette Sk =U(Tk) =U(Y1+· · ·+Yk).
Outline
1 Risque collectif
2 Modélisation des coûts de sinistres
3 Probabilité de ruine
4 Calculs de probabilités de ruine Cadre Poissonnien
Approximation de probabilités de ruine Cas de grands sinistres
Cadre Poissonnien
Formule explicite pour la probabilité de ruine (X exponentiel)
X ∼ E(1/µ),N processus de Poisson homogène d’intensitéλ.
Théorème
Dans le cadre ci-dessus,
ψ(u) =ψ(0)exp(−Ru), où l’on rappelle que
R= θ (1+θ)µ, etψ(0) = 1+θ1 .
Cadre Poissonnien
Une première expression de la probabilité de ruine
Théorème
La probabilité de ruine satisfait
ψ(u) = exp(−Ru)
E[exp(−RU(T))|T <∞].
On en déduit queψ(u)→θ→01,et queψ(u) =1 siθ≤0.
On peut en déduire une autre preuve de la formule de Lundberg.
SiX1≤b p.s., alorsψ(u)>exp(−R(u+b)).
Siψ(u0) =1,alors pour toutu≥0, ψ(u) =1.
Exercice : Montrer que dans le casX ∼ E(β)alors E[exp(−RU(T))|T <∞]ne dépend pas deu.
Cadre Poissonnien
Une première expression de la probabilité de ruine
Théorème
La probabilité de ruine satisfait
ψ(u) = exp(−Ru)
E[exp(−RU(T))|T <∞].
On en déduit queψ(u)→θ→01,et queψ(u) =1 siθ≤0.
On peut en déduire une autre preuve de la formule de Lundberg.
SiX1≤b p.s., alorsψ(u)>exp(−R(u+b)).
Siψ(u0) =1,alors pour toutu≥0, ψ(u) =1.
Exercice : Montrer que dans le casX ∼ E(β)alors E[exp(−RU(T))|T <∞]ne dépend pas deu.
Cadre Poissonnien
Une première expression de la probabilité de ruine
Théorème
La probabilité de ruine satisfait
ψ(u) = exp(−Ru)
E[exp(−RU(T))|T <∞].
On en déduit queψ(u)→θ→01,et queψ(u) =1 siθ≤0.
On peut en déduire une autre preuve de la formule de Lundberg.
SiX1≤b p.s., alorsψ(u)>exp(−R(u+b)).
Siψ(u0) =1,alors pour toutu≥0, ψ(u) =1.
Exercice : Montrer que dans le casX ∼ E(β)alors E[exp(−RU(T))|T <∞]ne dépend pas deu.
Cadre Poissonnien
Une première expression de la probabilité de ruine
Théorème
La probabilité de ruine satisfait
ψ(u) = exp(−Ru)
E[exp(−RU(T))|T <∞].
On en déduit queψ(u)→θ→01,et queψ(u) =1 siθ≤0.
On peut en déduire une autre preuve de la formule de Lundberg.
SiX1≤b p.s., alorsψ(u)>exp(−R(u+b)).
Siψ(u0) =1,alors pour toutu≥0, ψ(u) =1.
Exercice : Montrer que dans le casX ∼ E(β)alors E[exp(−RU(T))|T <∞]ne dépend pas deu.
Cadre Poissonnien
Une première expression de la probabilité de ruine
Théorème
La probabilité de ruine satisfait
ψ(u) = exp(−Ru)
E[exp(−RU(T))|T <∞].
On en déduit queψ(u)→θ→01,et queψ(u) =1 siθ≤0.
On peut en déduire une autre preuve de la formule de Lundberg.
SiX1≤b p.s., alorsψ(u)>exp(−R(u+b)).
Siψ(u0) =1,alors pour toutu≥0, ψ(u) =1.
Exercice : Montrer que dans le casX ∼ E(β)alors E[exp(−RU(T))|T <∞]ne dépend pas deu.
Cadre Poissonnien
Une première expression de la probabilité de ruine
Théorème
La probabilité de ruine satisfait
ψ(u) = exp(−Ru)
E[exp(−RU(T))|T <∞].
On en déduit queψ(u)→θ→01,et queψ(u) =1 siθ≤0.
On peut en déduire une autre preuve de la formule de Lundberg.
SiX1≤b p.s., alorsψ(u)>exp(−R(u+b)).
Siψ(u0) =1,alors pour toutu≥0, ψ(u) =1.
Exercice : Montrer que dans le casX ∼ E(β)alors E[exp(−RU(T))|T <∞]ne dépend pas deu.
Cadre Poissonnien
Transformées de Laplace - Préliminaires
On définitL=max(S(t)−ct|t ≥0).
SoitFLla fonction de répartition deL.On a ψ(u) =1−FL(u)
L=L1+...+LM oùL1désigne la valeur prise parS(t)−ct lorsque le processus passe pour la première fois
au-dessus de 0,L2la différence entreL1et la valeur de S(t)−ctoù ce record est battu pour la première fois, etc...
M suit unedistribution géométrique(dû au caractère poissonnien).
LesLi sont i.i.d.
Cadre Poissonnien
Transformées de Laplace - Préliminaires
On définitL=max(S(t)−ct|t ≥0).
SoitFLla fonction de répartition deL.On a ψ(u) =1−FL(u)
L=L1+...+LM oùL1désigne la valeur prise parS(t)−ct lorsque le processus passe pour la première fois
au-dessus de 0,L2la différence entreL1et la valeur de S(t)−ctoù ce record est battu pour la première fois, etc...
M suit unedistribution géométrique(dû au caractère poissonnien).
LesLi sont i.i.d.
Cadre Poissonnien
Transformées de Laplace - Préliminaires
On définitL=max(S(t)−ct|t ≥0).
SoitFLla fonction de répartition deL.On a ψ(u) =1−FL(u)
L=L1+...+LM oùL1désigne la valeur prise parS(t)−ct lorsque le processus passe pour la première fois
au-dessus de 0,L2la différence entreL1et la valeur de S(t)−ctoù ce record est battu pour la première fois, etc...
M suit unedistribution géométrique(dû au caractère poissonnien).
LesLi sont i.i.d.
Cadre Poissonnien
Transformées de Laplace - Préliminaires
On définitL=max(S(t)−ct|t ≥0).
SoitFLla fonction de répartition deL.On a ψ(u) =1−FL(u)
L=L1+...+LM oùL1désigne la valeur prise parS(t)−ct lorsque le processus passe pour la première fois
au-dessus de 0,L2la différence entreL1et la valeur de S(t)−ctoù ce record est battu pour la première fois, etc...
M suit unedistribution géométrique(dû au caractère poissonnien).
LesLi sont i.i.d.
Cadre Poissonnien
Transformée de Laplace - Résultat intermédiaire
Théorème (distribution du capital à la ruine) Si le capital initial vautu=0,alors
P(U(T)∈[−y−dy,−y],T <∞) = λ
c[1−FX(y)],
oùFX désigne la fonction de répartition deX.
en déduitψ(0) = [1+θ]−1etP(M =0) =θ[1+θ]−1. La densité deL1s’exprime comme :
fL1(y) = 1−FX(y)
µ1 .
Cadre Poissonnien
Transformée de Laplace - Résultat intermédiaire
Théorème (distribution du capital à la ruine) Si le capital initial vautu=0,alors
P(U(T)∈[−y−dy,−y],T <∞) = λ
c[1−FX(y)],
oùFX désigne la fonction de répartition deX.
en déduitψ(0) = [1+θ]−1etP(M =0) =θ[1+θ]−1. La densité deL1s’exprime comme :
fL1(y) = 1−FX(y)
µ1 .
Cadre Poissonnien
Transformée de Laplace - Résultat intermédiaire
Théorème (distribution du capital à la ruine) Si le capital initial vautu=0,alors
P(U(T)∈[−y−dy,−y],T <∞) = λ
c[1−FX(y)],
oùFX désigne la fonction de répartition deX.
en déduitψ(0) = [1+θ]−1etP(M =0) =θ[1+θ]−1. La densité deL1s’exprime comme :
fL1(y) = 1−FX(y)
µ1 .
Cadre Poissonnien
Transformée de Laplace
Résultat 1 (convolution) On a
ψ(u) =1−
∞
X
m=0
p(1−p)mHm∗(u),
oùH désigne la fdr deL1,m∗désigne le produit de convolution itérémfois, etp =θ[1+θ]−1.
Résultat 2
SoitmL(r) =E[exp(Lr)].On a
mL(r) = θ
1+θ+ 1 1+θ
θ(mX(r)−1) 1+ (1+θ)µ1r −mX(r).
Cadre Poissonnien
Transformée de Laplace
Résultat 1 (convolution) On a
ψ(u) =1−
∞
X
m=0
p(1−p)mHm∗(u),
oùH désigne la fdr deL1,m∗désigne le produit de convolution itérémfois, etp =θ[1+θ]−1.
Résultat 2
SoitmL(r) =E[exp(Lr)].On a mL(r) = θ
1+θ+ 1 1+θ
θ(mX(r)−1) 1+ (1+θ)µ1r −mX(r).
Cadre Poissonnien
Exercice : mélange exponentiel
Question 1 : Calculer la transformée de Laplace d’un mélange de deux exponentiellesX =δY+ (1−δ)Z est appelée mélange de deux exponentielles (paramètresλ, µ etp).
Question 2 : CalculermL(r)dans le cas oùX est un mélange de deux exponentielles.
Question 3 : En déduireψ(u).
Approximation de probabilités de ruine
Approximation de probabilités de ruine
Approximation classique : ψ(u)≈ 1+θ1 exp(−Ru).
On chercheψ(u) =ψ(u, θ),oùθ∈Rk,et on ajusteθà partir des moments deL.En particulier,
E[L] = Z ∞
0
ψ(u)du = µ2
2θµ1,
E[L2] =2 Z ∞
0
uψ(u)du = µ3
6θµ1 + µ22 4θ2µ21,
avecµk =E[Xk].
Méthode informatique :
Inversion de la transformée de Laplace Méthode par simulation.
Approximation de probabilités de ruine
Approximation de probabilités de ruine
Approximation classique : ψ(u)≈ 1+θ1 exp(−Ru).
On chercheψ(u) =ψ(u, θ),oùθ∈Rk,et on ajusteθà partir des moments deL.En particulier,
E[L] = Z ∞
0
ψ(u)du = µ2
2θµ1, E[L2] =2
Z ∞
0
uψ(u)du = µ3
6θµ1 + µ22 4θ2µ21, avecµk =E[Xk].
Méthode informatique :
Inversion de la transformée de Laplace Méthode par simulation.
Approximation de probabilités de ruine
Approximation de probabilités de ruine
Approximation classique : ψ(u)≈ 1+θ1 exp(−Ru).
On chercheψ(u) =ψ(u, θ),oùθ∈Rk,et on ajusteθà partir des moments deL.En particulier,
E[L] = Z ∞
0
ψ(u)du = µ2
2θµ1, E[L2] =2
Z ∞
0
uψ(u)du = µ3
6θµ1 + µ22 4θ2µ21, avecµk =E[Xk].
Méthode informatique :
Inversion de la transformée de Laplace Méthode par simulation.
Approximation de probabilités de ruine
Approximation de probabilités de ruine
Approximation classique : ψ(u)≈ 1+θ1 exp(−Ru).
On chercheψ(u) =ψ(u, θ),oùθ∈Rk,et on ajusteθà partir des moments deL.En particulier,
E[L] = Z ∞
0
ψ(u)du = µ2
2θµ1, E[L2] =2
Z ∞
0
uψ(u)du = µ3
6θµ1 + µ22 4θ2µ21, avecµk =E[Xk].
Méthode informatique :
Inversion de la transformée de Laplace Méthode par simulation.
Cas de grands sinistres
Lois sous exponentielles
Lois sous exponentielles
Une v.a.X >0 a support non borné est sous exponentielle ssi pour(Xi)iid on a la relation
P Xn
i=1
Xi >x
=P(max
1≤i≤nXi >x)(1+o(1)), x → ∞,n≥2.
Les lois de Pareto, log-normales, Weibull avecτ <1 sont sous exponentielles.
Les lois exponentielles, gamma, Weibull avecτ ≥1 ne sont pas sous exponentielles.
Cas de grands sinistres
Lois sous exponentielles
Lois sous exponentielles
Une v.a.X >0 a support non borné est sous exponentielle ssi pour(Xi)iid on a la relation
P Xn
i=1
Xi >x
=P(max
1≤i≤nXi >x)(1+o(1)), x → ∞,n≥2.
Les lois de Pareto, log-normales, Weibull avecτ <1 sont sous exponentielles.
Les lois exponentielles, gamma, Weibull avecτ ≥1 ne sont pas sous exponentielles.
Cas de grands sinistres
Lois sous exponentielles
Lois sous exponentielles
Une v.a.X >0 a support non borné est sous exponentielle ssi pour(Xi)iid on a la relation
P Xn
i=1
Xi >x
=P(max
1≤i≤nXi >x)(1+o(1)), x → ∞,n≥2.
Les lois de Pareto, log-normales, Weibull avecτ <1 sont sous exponentielles.
Les lois exponentielles, gamma, Weibull avecτ ≥1 ne sont pas sous exponentielles.
Cas de grands sinistres
Ruines avec des grands sinistres
Embrechts et Veraverbecke
Supposons queE[X1] =µ1<∞, que la loi intégrée (1−FX(y))/µ1est sous exponentielle et queθ >0. Alors
Ψ(u) = R∞
u (1−FX(y))dy
µ1θ (1+o(1)), u→ ∞.
Les lois log-normales, Weibull avecτ <1 sont sous exponentielles mais pas leurs lois intégrées.
Exercice : Calculez un équivalent de la ruine lorsque u → ∞pour une loi de Pareto(α,1),α >1. Discutez de la borne de Lundberg.
Cas de grands sinistres
Ruines avec des grands sinistres
Embrechts et Veraverbecke
Supposons queE[X1] =µ1<∞, que la loi intégrée (1−FX(y))/µ1est sous exponentielle et queθ >0. Alors
Ψ(u) = R∞
u (1−FX(y))dy
µ1θ (1+o(1)), u→ ∞.
Les lois log-normales, Weibull avecτ <1 sont sous exponentielles mais pas leurs lois intégrées.
Exercice : Calculez un équivalent de la ruine lorsque u → ∞pour une loi de Pareto(α,1),α >1. Discutez de la borne de Lundberg.
Cas de grands sinistres
Ruines avec des grands sinistres
Embrechts et Veraverbecke
Supposons queE[X1] =µ1<∞, que la loi intégrée (1−FX(y))/µ1est sous exponentielle et queθ >0. Alors
Ψ(u) = R∞
u (1−FX(y))dy
µ1θ (1+o(1)), u→ ∞.
Les lois log-normales, Weibull avecτ <1 sont sous exponentielles mais pas leurs lois intégrées.
Exercice : Calculez un équivalent de la ruine lorsque u → ∞pour une loi de Pareto(α,1),α >1. Discutez de la borne de Lundberg.