Développement de mesures d'incertitudes pour le risque de modèle dans des contextes incluant de la dépendance stochastique
Auteur / Autrice : | Kévin Elie-Dit-Cosaque |
Direction : | Véronique Maume-Deschamps |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques appliquées |
Date : | Soutenance le 13/11/2020 |
Etablissement(s) : | Lyon |
Ecole(s) doctorale(s) : | École doctorale en Informatique et Mathématiques de Lyon (2009-....) |
Partenaire(s) de recherche : | établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....) |
Laboratoire : Institut Camille Jordan (Rhône ; 2005-....) | |
Jury : | Président / Présidente : Anne-Laure Fougères |
Examinateurs / Examinatrices : Véronique Maume-Deschamps, Clémentine Prieur, Bertrand Michel, Andrés Cuberos, Bertrand Iooss | |
Rapporteurs / Rapporteuses : Clémentine Prieur, Bertrand Michel |
Mots clés
Résumé
La (ré)assurance utilise depuis longtemps différentes typologies de modèle pour évaluer les risques pour, par exemple, la tarification des contrats, le provisionnement ou encore pour calculer l’exigence de capital et la solvabilité. En tant que simplification ou approximation de la réalité, les modèles sont, par définition, soumis à de potentielles erreurs statistiques. En outre, une utilisation erronée des résultats d’un modèle peut mener à des résultats non conformes à la réalité. Par conséquent, il existe un risque inhérent au modèle mathématique en lui-même mais également à l’usage du modèle et de ses résultats. La littérature regroupe généralement ces deux grandes classes de risque, le risque structurel et le risque opérationnel, sous le terme de risque de modèle. Cette thèse s'intéresse aux outils développés dans le domaine de l'Analyse de Sensibilité afin de réaliser une quantification efficiente du risque de modèle structurel, et plus particulièrement le risque lié aux paramètres du modèle. Dans un premier temps, nous adaptons l'algorithme d'estimation des indices de Shapley basés sur la variance pour obtenir des intervalles de confiance en plus de l'estimation mais aussi pour accélérer le calcul des indices. Cela est réalisé en substituant le modèle initial (probablement coûteux en temps de calcul) par un métamodèle de krigeage et nous proposons un algorithme pour prendre en compte l'erreur de métamodélisation dans le calcul des intervalles de confiance. Dans un second temps, deux méthodes d'estimation des fonctions de répartition conditionnelles et des quantiles conditionnels, basées sur les forêts aléatoires, pour lesquelles nous montrons la consistance sont présentées. Reposant sur ces nouvelles stratégies, plusieurs méthodes d'estimation efficaces des indices de sensibilité basés sur les quantiles (QOSA) sont également proposées. Enfin, une étude théorique de ces indices a été réalisée. Il s'avère que leur interprétation peut être délicate en dehors des modèles additifs dans le cas d'entrées indépendantes et pour tout type de modèle en présence de dépendance stochastique entre les entrées. Afin de surmonter ces limitations, nous proposons des indices de Shapley subordonnés à une caractéristique de la sortie et, en particulier, des indices de Shapley orientés quantile. Ces derniers semblent prometteurs car ils donnent une interprétation claire de l'impact de chaque entrée sur le quantile de la sortie, pour tout type de modèle, à la fois dans le cas d'entrées indépendantes et dépendantes