Machine Learning for Climate Risk

Objectif

Ce cours propose d’explorer les apports du machine learning pour modéliser, anticiper et mieux gérer les risques climatiques dans le secteur de l’assurance, avec un accent particulier sur les catastrophes naturelles (inondations, tempêtes, sécheresses, incendies de forêt, etc.).

Dans un monde où le climat devient plus extrême et moins prévisible, les actuaires et professionnels de l’assurance doivent repenser leurs outils. Ce cours permet de comprendre les méthodologies actuelles de modélisation du risque climatique en assurance. L’objectif est d’identifier comment et en quoi l’apprentissage automatique peut enrichir les approches traditionnelles — de la sélection des données à la conception de modèles innovants, dans le respect des contraintes opérationnelles et réglementaires (notamment le régime CatNat en France).

Les étudiants apprendront à exploiter un large éventail de données – climatiques, géospatiales, assurantielles – afin d’enrichir ou reconstruire l’information sur les actifs exposés. L’objectif est de transformer ces sources, souvent hétérogènes, en variables pertinentes pour alimenter des modèles robustes, explicables et adaptés aux nouveaux enjeux climatiques.

Plan

À l’issue de ce cours, les étudiants seront capables de :

• Analyser les enjeux climatiques contemporains afin de garantir la viabilité du régime assurantiel et maintenir une couverture accessible et durable pour les assurés.
• Comprendre le cadre réglementaire français des catastrophes naturelles (CatNat) et son impact sur la modélisation des risques.
• Identifier, croiser et exploiter des données climatiques, géospatiales et assurantielles dans des cas concrets.
• Mettre en œuvre des techniques de machine learning supervisé et non supervisé pour modéliser :
  • l’exposition aux événements extrêmes,
  • la vulnérabilité des assurés,
  • les sinistres climatiques.
• Concevoir des indicateurs climatiques pertinents pour l’assurance, y compris dans le cadre de produits paramétriques.
• Structurer une démarche complète de modélisation prédictive : choix des variables, entraînement du modèle, validation, backtesting, interprétation et utilisation opérationnelle.