Category Archives: Seminar

Risque de sécheresse et de subsidence

Jeudi, en arrivant sur Paris, je ferai une intervention pour présenter predicting drought and subsidence risks in France, publié dans le numéro spécial Drought vulnerability, risk, and impact assessments: bridging… de NHESS (Nat. Hazards Earth Syst. Sci.), écrit avec Molly James, et Hani Ali, ainsi que le travail sur les inondations, en France, Insurance against natural catastrophes: balancing actuarial fairness and social solidarity, lors d’une discussion avec Marc Bagarry

Les slides sont en ligne.

Equité et discrimination en assurance

Mercredi 18 mai, j’interviendrai au séminaire de la chaire PARI, à Paris, dans les locaux de la CCR, pour parler d’équité et de discrimination en assurance… Les slides sont en ligne.

En poursuivant la discussion abordée dans “L’équité de l’apprentissage machine en assurance” (co-écrit avec Laurence Barry), nous présentons un aperçu des problèmes auxquels les actuaires sont confrontés lorsqu’ils traitent de la discrimination. Depuis le début de leur histoire, les assureurs sont connus pour utiliser des données pour classifier et tarifer les risques. En tant que tels, ils ont été confrontés très tôt au problème de l’équité et de la discrimination associées aux données. Cette question devient de plus en plus importante avec l’accès à des données plus granulaires et comportementales, et évolue pour refléter les technologies et les préoccupations sociétales actuelles. En examinant les débats antérieurs sur la discrimination, nous montrons que certains préjugés algorithmiques sont une version renouvelée de préjugés plus anciens, tandis que d’autres semblent inverser l’ordre précédent. Paradoxalement, alors que la pratique de l’assurance n’a pas profondément changé et que la plupart de ces biais ne sont pas nouveaux, l’ère de l’apprentissage automatique ébranle encore profondément la conception de l’équité en matière d’assurance. (Cette présentation s’appuiera également sur un rapport qui sera bientôt publié par l’Institut Louis Bachelier).

Exposé à Nanterre sur les accidents corporels

Lundi midi, je serais (physiquement) à Nanterre, au séminaire Laws, Institutions and Economics et je présenterais des travaux sur la modélisation des accidents corporels (en assurance automobile) en France. Les slides sont en ligne. Il est largement inspiré des travaux mené avec Enora Belz dans sa thèse. J’espérais avoir des données à jour, mais la signature de la convention a trainé (on va donc rester sur les données de 1997 à 2014). Ca sera l’occasion de revenir sur l’idée d’avoir des barèmes pour l’indemnisation des accidents corporels, et l’abandon récent de DataJust. Mais je ferais probablement un billet de blog sur le sujet, avec un peu de chance, avant lundi… à suivre donc…

Talk at University of Illinois Urbana-Champaign

This Friday, it is our semester break in Montréal, so I will be giving a talk at the University of Illinois Urbana-Champaign, on fairness and discrimination in actuarial pricing. As mentioned in the abstract, the talk will be based on two recent papers, The Fairness of Machine Learning in Insurance: New Rags for an Old Man? and A fair pricing model via adversarial learning

Slides are now online.

L’équité de l’apprentissage machine en assurance

Avec Laurence Barry, nous avons mis en ligne notre article l’équité de l’apprentissage machine en assurance, sur HAL.

Depuis le début de leur histoire, les assureurs sont réputés utiliser des données pour classer et tarifer les risques. A ce titre, ils ont été assez tôt confrontés aux problèmes d’équité et de discrimination associées aux données. Pourtant, si cette question est récurrente, elle connait un regain d’importance avec l’accès à des données de plus en plus granulaires, massives et comportementales. Nous verrons ici comment les biais de l’apprentissage machine en assurance renouvellent ou transforment ce questionnement pour rendre compte des technologies et des préoccupations sociétales actuelles : paradoxalement, alors que la plupart de ces biais ne sont pas nouveaux, la recherche d’une équité pour les contrer, elle, se transforme.

à suivre donc…

Exposé au CIMMUL, à Québec

Vendredi midi, je donnerai un exposé (en visio) au séminaire du Centre interdisciplinaire en modélisation mathématique de l’Université Laval (CIMMUL). Les slides sont maintenant en ligne. Je ferais une présentation sur le thème “l’assurance : mutualisation des risques, segmentation, classification et compétition“.

L’assurance est généralement définie comme “the contribution of the many to the misfortune of the few” (“la contribution du plus grand nombre au malheur du plus petit nombre”). Cette idée de mutualisation des risques par la loi des grands nombres légitime l’utilisation de la perte annuelle espérée comme prime actuarielle “juste”. Dans le contexte de risques hétérogènes, néanmoins, il est possible de légitimer une segmentation des prix basée sur des caractéristiques observables. Mais dans le contexte du ” Big Data “, une segmentation intensive peut être observée, avec une fourchette de prime offerte beaucoup plus large, sur un portefeuille donné. Dans cet exposé, nous reviendrons brièvement sur les approches économiques, actuarielles et philosophiques de la tarification de l’assurance, en essayant de lier une prime unique équitable sur une population donnée et une prime fortement segmentée. Nous reviendrons ensuite sur les expériences récentes (appelées “actuarial pricing game”) organisées depuis 2015, où de (vrais) actuaires ont joué sur un marché (artificiel) compétitif, qui imite le marché réel de l’assurance. Nous reviendrons sur les conclusions obtenues sur des expériences récentes (dont le dernier, organisé en 2021 avec AICrowd).
Je présenterais aussi rapidement, en ouverture, quelques travaux récents, et en cours…

Talk on climate models and insurance

Tomorrow morning, at 7 am, I will give a talk at the Actuarial Conference # 62 on climate models and insurance, getting back on two recent paper.

  • Flood, French’s Nat Cat System and Fairness

The first paper is Insurance against NaturalCatastrophes: Balancing Actuarial Fairness and Social Solidarity with Laurence Barry (PARI) and Molly James (EURIA)

Based on official risk areas (PPRL and PPRI)

we will investigate the prices of houses and apartments

and discuss connections between risk and wealth.

  • Subsidence and predictions

The second paper is Predicting Drought and SubsidenceRisks in France with Hani Ali (Willis Re) and Molly James (EURIA)

We did try several models to predict subsidence frequency

GLMs and also random forests

Then we got predictions for frequency, in 2017

and 2018

Then, we’ve been able to derive some risk maps

Here are predictions for costs for 2017

for 2019

and for 2020

I still wonder how to take into account climate change in this approach (except that we are more and more likely to be in the upper left corner – hot and dry)

  • Extensions (wildfires in Québec and RL)

Finally, I will (very briefly) discuss two recent works, the first one with Amirouche Benchallal (UQAM) and Yacine Bouroubi (Sherbrooke) on wildfire in Québec

and the second one, with Nouri Sakr (Columbia) and Mennatalla Mohamed Hassan (AmericanUniversity in Cairo) on government intervention in the context of natural catastrophes.

Talk at Sherbrooke University on bias and (well) calibration

This Tuesday, I will be at Sherbrooke University to give a talk at the statistics seminar, on autocalibration. According to the Handbook of Statistical Methods,

Accuracy is a qualitative term referring to whether there is agreement between a measurement made on an object and its true (target or reference) value. Bias is a quantitative term describing the difference between the average of measurements made on the same object and its true value

As mentioned on scikit learn‘s page,

Well calibrated classifiers are probabilistic classifiers for which the output can be directly interpreted as a confidence level. For instance, a well calibrated (binary) classifier should classify the samples such that among the samples to which it gave a [predicted probability] value close to 0.8, approximately 80% actually belong to the positive class.

We can find that idea in Dawid (1982),

Suppose that a forecaster sequentially assigns probabilities to events. He is well calibrated if, for example, of those events to which he assigns a probability 30 percent, the long-run proportion that actually occurs turns out to be 30 percent

and, with the same words, in Nate Silver’s The signal and the noise

Out of all the times you said there was a 40 percent chance of rain, how often did rain actually occur? If, over the long run, it really did rain about 40 percent of the time, that means your forecasts were well calibrated

Or according to Kuhn & Johnson (2013)

we desire that the estimated class probabilities are reflective of the true underlying probability of the sample

Finally, Kruger & Ziegel (2020) gave the definition of autocalibration

the forecast X of Y is an auto-calibrated forecast of Y  if \mathbb{E}(Y|X)=X almost surely,

With my notations, it means that \mathbb{E}(Y|\widehat{Y}=y)=y , \forall y. See also Van Calster et al. (2019) for a discussion.

Of course, we will get back to what models are, starting with a (generalized) linear model

the extention of additive models with splines

Then, we can consider neural nets

Finally, consider ensemble methods, such as bagging

and boosting