Nos derniers articles

Le modèle Cascading Climate Risk Network (CCRN) surmonte les limites des copules statiques en modélisant la propagation causale des risques climatiques via des Graphes Acycliques Dirigés (DAG). Il dissocie le conditionnement climatique annuel de la cascade physique intra-événementielle. Cette approche offre une transparence causale sur les enchaînements d'aléas (ex. : aridité → incendie → coulée de débris), une précision accrue sur les pertes extrêmes (VaR et TVaR à 99,5 %) pour la tarification des tranches hautes de réassurance, et une robustesse théorique fondée sur la monotonie, essentielle au stress-testing réglementaire et à la gestion du capital.

This study explores a Bayesian approach to Pay-As-You-Drive (PAYD) insurance, using Naive Bayes classifiers and Bayesian Networks for risk assessment. It achieved 87.5% accuracy in predicting risk and improved interpretability over traditional models, optimizing pricing strategies and promoting affordable coverage by dismissing geographic grouping in insurance pricing.