Intact : Preuve de concept des méthodes Policy Gradient ou Actor-Critic pour l’ajustement des primes et l’estimation de la valeur future des clients

Intact : Preuve de concept des méthodes Policy Gradient ou Actor-Critic pour l’ajustement des primes et l’estimation de la valeur future des clients
Principales activités du partenaire :
Intact Assurance est la plus importante société d’assurance automobile, habitation et entreprises au pays ainsi que le choix de plus de quatre millions de consommateurs.
Problématique et avantages escomptés du projet :
L’approche actuelle de tarification repose sur l’apprentissage par renforcement (RL) séquentiel avec une méthode Monte Carlo (MC). Cette méthode, de type value-based, présente certaines limites : elle nécessite des trajectoires complètes pour mettre à jour la politique et s’appuie uniquement sur l’historique des observations.
Ce projet vise à explorer des algorithmes plus avancés, notamment les méthodes basées sur le gradient de politique (Policy Gradient) et les architectures de type acteur-critique (Actor-Critic), afin de mieux gérer des environnements stochastiques et d’adopter une vision à long terme. Ces approches permettraient d’estimer plus précisément la valeur terminale d’un client, puis de construire une politique de tarification plus dynamique et proactive.
L’objectif général du projet est de produire une preuve de concept démontrant que les méthodes de type
Policy Gradient ou Actor-Critic permettent, grâce à des mises à jour incrémentales et à l’utilisation du bootstrap, d’ajuster plus efficacement les primes au fil du temps, tout en fournissant une estimation de la valeur future des clients.

Faculty Supervisor:

Christian Gagné;Audrey Durand

Student:

Partner:

Intact

Discipline:

Computer science

Sector:

Finance and Insurance

University:

Université Laval

Program: