Skip to content

GRA · Risque actuariel et quantitatif

Spatial financeWhere capital meets hazard, exposure and transition

Crédibilité et rareté des données

Many risks have little data: new products, small portfolios, rare perils and emerging markets. Credibility theory blends a portfolio’s own experience with wider data according to how much the own data can be trusted. Bayesian methods, pooling and expert judgement extend this. This page sets out how actuaries estimate risk with sparse data, where estimates go wrong, the sources used and who decides.

01Registre

Crédibilité et données éparses, versées au dossier.

02La question

Crédibilité et données rares : comment le risque se développe.

Travailler lorsque l'historique des pertes est court ou inexistant. Le dossier ci-dessous expose comment le risque se développe, ce qui est mesuré, d'où proviennent les données, comment il est modélisé et qui décide.

Mécanisme

Combiner données propres et données plus larges

Les pondérations de crédibilité accordent plus de poids à l'expérience propre à mesure qu'elle s'accroît. Un poids trop faible ignore des différences réelles ; un poids trop élevé tarifie le bruit.

Mécanisme

Benchmarks may not fit

Les référentiels du secteur ou des réassureurs reflètent d'autres portefeuilles. Si le portefeuille diffère par sa composition ou ses pratiques, le mélange introduit un biais.

Mécanisme

L'expertise comble les lacunes

Where data are absent, structured expert elicitation provides estimates. Without structure and documentation, judgement adds hidden bias.

Mécanisme

Mise à jour à mesure que les données arrivent

Bayesian updating revises estimates as experience accumulates, showing how far data have moved the prior assumption.

03Spatial finance

Un indice de sécheresse rapporté à son point d'attachement.

Comment une saison sèche se lit au regard du point à partir duquel la couverture sécheresse commence à indemniser. Saison et paramètres de conception synthétiques.

Une saison des pluies à travers le Sahel, lue au regard des seuils où la couverture sécheresse commencerait et cesserait de payer.Saison synthétique et conditions de conception ; aucune couverture n'est sous-entendue.
04Indicateurs

Ce qui est mesuré, et avec quelle qualité.

Chaque indicateur porte son unité, sa périodicité, le type de source qui le sous-tend et l'étiquette de preuve que porterait une valeur. Aucune valeur n'est affichée : un programme les fournit sous sa propre autorité.

IndicateurUnitéFréquenceType de sourceÉtiquette
Credibility weight assigned to own experienceproportion, zero to onepar analyseAnalyse des prixMODÉLISÉ
Exposition sous-jacente à l'expérience propreexposure unitspar analysePortfolio dataOBSERVÉ
Écart entre les estimations propres et de référencepour centpar analyseAnalyse des prixESTIMÉ
Élicitation d'experts documentéesnombrepar modèleDocumentation du modèleDÉCLARÉ
Posterior uncertainty of key parametersinterval widthpar analyseModèles bayésiensMODÉLISÉ
Ratio réel/attendu après le lancementratiopériodiqueExperience monitoringESTIMÉ
05Simulateur de jumeau et de cascade

Trace a shock in credibility and sparse data to the balance sheet.

Assembled from the Nexus Standards area profile Insurance and reinsurance: the shocks it names, the systems and sectors that carry the loss, the controls that dampen it and the data that observe it. Pick an initiating shock and step through the cascade to see which exposures it reaches and where losses could concentrate. The Map view places the run on an example geography with open data. Every weight is a stated assumption. An exercise, not a forecast, a valuation, a rating or investment advice. To model a place of your own choosing, open the full System Builder.

Aléas

  • cyclones tropicaux
  • Séisme
  • Inondation par embâcle
  • Feu de forêt
  • Onde de tempête (déclenchée en aval)
  • Précipitations intenses (déclenchées en aval)
  • Crue fluviale (déclenchée en aval)
  • Flash flood (set off downstream)
  • Houle dangereuse (déclenchée en aval)
  • Panne d'électricité généralisée (déclenchée en aval)
  • Déplacements massifs (déclenchés en aval)
  • Inondation côtière (déclenchée en aval)
  • Aftershock sequence (set off downstream)
  • Fault surface rupture (set off downstream)
  • Soil liquefaction (set off downstream)
  • Slope slide (set off downstream)
  • Rockfall (set off downstream)
  • Tsunami (set off downstream)

Commandes

  • NS-0 Constitution et principes
  • NS-3 UNI des enregistrements de risque (grammaire, table de correspondance héritée, autorité d'attribution)
  • NS-9 UNI contextuels (déploiements, instances, instances de programme)
  • NS-10 Politiques et clauses (obligations lisibles par machine : définition, caractère contraignant, évaluation et application)
  • NS-11 Vérification et suivi (éléments probants, attestations, observation de la conformité zero trust)
  • NS-14 Conformité et correspondance avec les normes externes
  • NRS-F3 Assurance, risque de catastrophe et déficits de protection
  • NRS-H113 Famille d'aléas : fragilité du système financier (NHS-1 soc.financial-system)
  • NRS-U17Profil de plateforme Universe : Insurance Nexus
  • NRS-H71 Famille d'aléas : catastrophes cosmiques et des temps géologiques (NHS-1 planet.deep-time)
  • NRS-H65 Famille d'aléas : dépassement des limites planétaires (NHS-1 planet.boundary)
  • NRS-F8 Transfert de risque paramétrique et indiciel

Observation

  • OECD Data Explorer (incl. Creditor Reporting System, insurance and pension statistics) (listed for reference)
  • Insurance statistics (listed for reference)
  • USGS earthquake GeoJSON summary feeds (listed for reference)
  • Direct economic loss attributed to disasters in relation to global gross domestic product (GDP)
  • Direct economic loss attributed to disasters in relation to global gross domestic product
  • (a) Number of commercial bank branches per 100,000 adults and (b) number of automated teller machines (ATMs) per 100,000 adults

Géographie d'exemple

  • Europe occidentale : 152 cellules hexagonales
  • Intensité des précipitations, dernière demi-heure (IMERG), NASA GIBS
  • Lumières nocturnes de ce soir, pannes (VIIRS Day/Night Band), NASA GIBS
  • Eaux de surface à travers les nuages, 30 m (radar OPERA DSWx-S1), NASA GIBS
  • Carbon monoxide, smoke transport (AIRS), NASA GIBS
06Sources

D'où proviennent les données probantes.

Jeux de données publics et registres institutionnels nommés, chacun avec sa catégorie de licence. Les sources fournies dans le cadre d'accords ne sont utilisées que selon leurs conditions et ne sont jamais republiées.

SourcesCe qu'elle apporteCatégorie de licence
Actuarial Standards Board ASOP on credibility proceduresProfessional standards for credibilityGratuit, conditions de l'ASB
Monographies de crédibilité de la Casualty Actuarial SocietyBühlmann and limited fluctuation methodsLecture libre, conditions CAS
Données statistiques sectorielles des agentsPooled experience for benchmarksLicensed, terms per agent
Structured expert judgement literature (Cooke method)Methods for eliciting and combining expert estimatesAccès libre en lecture, conditions selon l'éditeur
Documentation de Stan et PyMCOpen-source Bayesian modelling toolsLicences open source, BSD et Apache
07Exposition, perte et capital

Ce que la crédibilité et la rareté des données signifient pour l'exposition, les pertes et le capital.

Les vues d'exposition, de pertes, de scénarios et de capital que demanderaient un responsable des risques, une autorité de contrôle ou un ministère des finances, avec les cadres dont ils relèvent pour leurs rapports. Les structures suivent la pratique prudentielle et actuarielle. Les valeurs sont illustratives : jamais des prix, des notations ni des conseils.

Exposition et pertes selon les périodes de retour

How losses from credibility and sparse data grow with severity, gross and net of reinsurance, against capital.

1 sur 101 sur 501 sur 1001 sur 250brutnet de réassurance800
Période de retourProbabilité annuellePerte brutePerte netteNet, capital = 100
1 sur 100.10141010
1 sur 500.02332121
1 sur 1000.01462727
1 sur 2500.004683939
Perte annuelle moyenne3.12.22.2
Indice de pertes illustratif pour un portefeuille d'exemple (capital = 100) : la forme de probabilité de dépassement que lisent les assureurs et les superviseurs. Ni des données sur une institution, ni un prix, ni une notation.
Scénarios climatiques du NGFS · Réseau pour le verdissement du système financierIFRS S2 Informations à fournir en lien avec les changements climatiques · ISSBRecommandations de la TCFD · TCFD du Conseil de stabilité financièrePrincipes pour une gestion efficace des risques financiers liés au climat · Comité de Bâle sur le contrôle bancaire
08Décisions

Qui décide, et à quoi servent les données probantes.

Risque actuariel et quantitatif prépare les données probantes. Les décisions ci-dessous sont prises par les autorités désignées, selon leurs propres règles, et jamais par la plateforme.

Qui décideLa questionDonnées probantes servies par cette page
Actuaires de tarification et de provisionnementQuelle crédibilité accorder à ses propres données et quel référentiel utiliserExposition, pertinence de l'indice de référence et normes professionnelles
Comités de produitsS'il faut lancer des produits avec des données éparses et quel suivi s'appliqueEstimations de l'incertitude et plans de suivi
SuperviseursCaractère raisonnable des hypothèses pour les portefeuilles nouveaux ou de petite tailleActuarial reports
RéassureursComment tarifer la couverture de portefeuilles disposant de peu d'historiqueDonnées de référence et d'exposition

Résultats que produit ce thème

  • Guide des méthodes de crédibilité
  • Note méthodologique sur les compromis entre mise à jour bayésienne des hypothèses de tarification
  • Note de synthèse sur l' élicitation d'avis d'experts
  • Questions aux évaluateurs sur la pertinence des références de comparaison
09Questions essentielles

Les questions que se posent les experts.

  • How much weight should a portfolio’s own experience receive relative to wider data?
  • Quelles données externes sont pertinentes, et dans quelle mesure la population cible diffère-t-elle ?
  • How should expert judgement be elicited and combined with data?
  • Comment l'incertitude supplémentaire due à la rareté des données doit-elle se refléter dans les résultats ?
  • Comment les modèles destinés aux contextes pauvres en données peuvent-ils éviter d'importer simplement les hypothèses des contextes riches en données ?
10Mécanismes

Crédibilité et partage d'information.

Credibility theory, developed by actuaries over many decades, blends a risk’s own experience with a broader collective estimate, giving more weight to own experience as its volume and stability grow. The Bühlmann and Bühlmann-Straub models formalise this as a linear estimate that minimises expected error, and they are closely related to Bayesian methods and to hierarchical models in statistics.

Hierarchical Bayesian models extend the idea, letting groups such as regions, industries or policy types share information while retaining their own parameters. They make uncertainty explicit and can incorporate prior knowledge from expert judgement or related data. Structured expert elicitation methods help reduce bias when experts supply estimates.

In emerging risks such as cyber, the problem is not only volume but change: the threat environment evolves faster than data accumulate, so old data may be less relevant. In lower-income markets, using models built for other countries can embed assumptions about building quality, health or behaviour that do not hold.

11Méthodes et données

Les méthodes et leurs limites.

Credibility

Credibility models

Combiner l'expérience propre et l'expérience collective ; cela suppose une définition raisonnable du collectif.

Bayesian

Hierarchical models

Partage d'informations entre groupes avec incertitude explicite ; les résultats dépendent des distributions a priori.

Experts

Structured elicitation

Méthodes formelles pour obtenir et calibrer l'avis d'experts.

Limits: no method creates information that is not there. Sparse-data estimates carry wide uncertainty, and results can be dominated by assumptions about the collective or prior.

13Questions

Questions et réponses.

Qu'est-ce que la crédibilité en actuariat ?
The weight given to a portfolio’s own experience when combining it with broader data, increasing as the volume and stability of own data grow.
Qu'est-ce que la crédibilité de Bühlmann ?
Méthode qui fixe les pondérations de crédibilité à partir de la variance au sein des groupes de risque et entre eux, en équilibrant l'expérience propre et celle du collectif.
When is expert judgement appropriate?
When data are absent or not relevant, provided it is elicited in a structured, documented way and tested as data arrive.
Le secteur peut-il partager des données pour pallier la rareté des données ?
Only aggregated, under GRA’s written competition policy, once membership opens. Competitively sensitive data are not exchanged.
Is expert judgement scientific?
Elle peut l'être, lorsqu'elle est recueillie selon des méthodes structurées, calibrée et documentée, et que son incertitude est communiquée.
Pourquoi le risque cyber est-il difficile à modéliser ?
Because data are short, threats change quickly and losses can be highly correlated across firms.
RapportsContribuer

Apportez des éléments de preuve depuis cette page.

Reports est la publication trimestrielle du Consortium. Ce que vous savez de ce sujet peut devenir une donnée probante, un cas ou une correction dans la prochaine édition, avec mention de votre nom et publié sous licence CC BY 4.0 lorsqu'il s'agit de votre propre travail.

Global Risks AllianceActuarial and Quantitative RiskMethods and TechnicalFinance and Insurance Readiness
Risque actuariel et quantitatif

Soumettez une question d'exposition ou de capital à l'Alliance.

L'information et les demandes sont ouvertes dès aujourd'hui. Une demande reçoit une référence et indique l'étape suivante ; candidatures, paiements, allocations de calcul et inscriptions n'ouvrent que lorsque l'équipe, les conditions et la capacité d'examen existent.