Contrats ANR
L’Agence nationale de la recherche (ANR) est un établissement public à caractère administratif, placé sous la tutelle du ministère de l’Enseignement supérieur, de la Recherche et de l’Innovation. L’Agence met en œuvre le financement de la recherche sur projets, pour les opérateurs publics en coopération entre eux ou avec des entreprises.
InsurFraud
Économétrie et data science pour la détection de la fraude à l'assurance
ANR PRCE appel à projets générique 2023
Coordinatrice : Georgiana Denisa BANULESCU-RADU
Montant total : 259 136 €
Montant LEO : 239 108 €
Durée : 01/10/2023 au 30/09/2027
InsurFraud est un projet de recherche interdisciplinaire à la frontière de l'économétrie et de l'apprentissage automatique, qui vise à contribuer au développement et à la diffusion (dans les domaines académique et professionnel) des avancées récentes en Data Science appliquées au domaine de la détection de la fraude à l'assurance. Surtout, cette fraude n'est pas un phénomène récent, mais elle continue d'avoir un énorme impact financier, économique et social. De nos jours, la fraude à l'assurance enregistre des montants impressionnants et affiche toujours une tendance à la hausse en raison de l'expansion de la technologie. L'objectif du projet InsurFraud sera d'identifier les principales spécificités de la fraude à l’assurance et de proposer des solutions appropriées pour la détecter. Par ailleurs, le partenariat avec une compagnie d'assurance nous permettra d'utiliser des bases de données propriétaires originales sur des cas de fraude.
Les principales motivations du projet sont liées (i) au défi de la modélisation du comportement stratégique des fraudeurs, (ii) au besoin de systèmes de détection efficaces, compte tenu des énormes pertes financières générées par la fraude à l'assurance, (iii) à l'existence de nouvelles bases de données permettant d’identifier les mécanismes de fraude. Les principales attentes du projet sont (i) de proposer de nouveaux modèles avec de bonnes performances prédictives, et qui conservent leur interprétabilité, (ii) de renforcer la recherche française dans le domaine de la fraude à l'assurance, et (iii) de sensibiliser le grand public aux enjeux de sa détection.
Le projet s'articule autour de quatre objectifs principaux. Premièrement, la fraude est un phénomène complexe, évolutif et intentionnel. La fraude à l'assurance peut prendre une grande variété de formes (par exemple, la fraude à l'assurance automobile, la fraude à l'assurance habitation, etc.), et même si leurs caractéristiques sont les mêmes et que l'objectif final consiste à détecter les cas de fraude, la solution à chaque problème est plutôt sectorielle. En outre, les fraudeurs ont un comportement très évolutif dans le temps et leurs actions sont intentionnelles. Pour toutes ces raisons, le premier objectif du projet est de développer des méthodes de détection combinées, automatisées et en temps réel pour les repérer.
Deuxièmement, la fraude est un événement rare, ce qui signifie que les bases de données utilisées pour la détection des fraudes sont fortement déséquilibrées, rendant le processus de détection encore plus compliqué. Le problème du déséquilibre des classes compromet fortement le processus d'apprentissage et l'évaluation des résultats. Notre objectif est d'évaluer le comportement de différentes méthodologies face à des bases de données déséquilibrées, à la fois théoriquement et empiriquement.
Troisièmement, l'évaluation des modèles de détection des fraudes est cruciale et soulève plusieurs problèmes. InsurFraud se concentrera principalement sur la construction de nouveaux tests statistiques utilisés pour évaluer la performance de différents modèles de classification.
Enfin, le quatrième objectif du projet InsurFraud est de mener une analyse de recherche académique sur le compromis entre la performance statistique des modèles prédictifs, le coût économique de la fraude et les ressources financières et humaines limitées utilisées pour l'investigation des alertes.
Les bénéfices attendus du projet InsurFraud auront donc un double impact : (i) le projet contribuera à la littérature sur la détection de la fraude à l’assurance, et (ii) l'industrie tirera parti des résultats du projet et les utilisera pour réduire les pertes dues à la fraude, améliorer la satisfaction du client et fidéliser ses meilleurs clients.
MLEforRisk
Machine Learning et Econométrie pour la Mesure des Risques en Finance.
ANR PRC appel à projets générique 2021
Coordinateur : Christophe HURLIN
Equipes concernées : LEO, AMSE, CREST et DRM Paris Dauphine
Montant total : 393 120€
Montant LEO : 110 880€
Durée : 01/10/21 au 30/11/25
L'utilisation de l'intelligence artificielle et de l'apprentissage automatique (Machine Learning ou ML) par les banques et les Fintechs est l'un des changements technologiques les plus importants du secteur financier observés au cours des dernières décennies. Ces nouvelles technologies apparaissent très prometteuses pour de nombreuses activités financières mais elles soulèvent également de nouveaux défis.
Dans ce contexte, le projet MLEforRisk vise à mieux comprendre l'utilité de la combinaison de l'économétrie et du ML pour la mesure des risques financiers. Ce projet a pour ambition de fournir une étude rigoureuse des avantages et des limites de ces deux approches dans le domaine de la gestion des risques qui constitue l’activité centrale de l’industrie financière. MLEforRisk est un projet multidisciplinaire dans les domaines de la finance et de l'économétrie financière qui réunit des chercheurs débutants et confirmés en gestion, économie, mathématiques appliquées et data science appartenant aux équipes du CREST (ENSAE), de l’AMSE (Université Aix-Marseille), de DRM (Université Paris Dauphine) et LEO (Université d’Orléans).
Le projet s’articule autour de cinq objectifs méthodologiques en rapport avec la modélisation des risques de crédit, de marché et de liquidité. Dans le contexte du risque de crédit, l’objectif est de développer des approches hybrides de modélisation du risque de crédit en combinant économétrie et ML afin de dépasser l’arbitrage entre interprétabilité et performances prédictives. Parallèlement, l'utilisation du ML dans le domaine du crédit suscite un débat sur les potentiels biais de discrimination que ces algorithmes pourraient générer en désavantageant systématiquement certains groupes d’emprunteurs. Notre objectif est de développer des méthodes statistiques permettant de tester l’équité algorithmique des modèles de risque de crédit et de réduire l’importance de ces biais.
Dans le domaine du risque de marché, le projet vise à combiner les techniques de ML et des modélisations économétriques avancées dans le but d’améliorer la prévision des mesures de risque conditionnel associées à la détention d’un portefeuille d’actifs. Notre objectif est de proposer de nouvelles approches hybrides pour la modélisation de la matrice de variance conditionnelle des rendements ou de son inverse, appelée matrice de précision. Ces méthodes d’estimation seront conçues dans la perspective de portefeuilles de grande dimension pour lesquels le nombre d’actifs peut dépasser très largement le nombre d’observations temporelles disponibles pour estimer ces moments.
Enfin pour ce qui concerne le risque de liquidité, nous partons du constat que le développement des indices de marché alternatifs et l'investissement factoriel modifient sensiblement la dynamique des volumes échangés sur les marchés en accroissant notamment les dépendances et les effets de réseaux. Notre objectif est de prendre en compte ces effets afin d’améliorer la mesure du risque de liquidité tout en limitant la dimension des modèles économétriques grâce à des techniques de ML.
Le projet MLEforRisk vise à constituer un réseau de recherche et de formation doctorale pour les jeunes chercheurs spécialisés en économétrie financière. Il vise en outre à promouvoir une recherche reproductible. L'ensemble des codes et des données produits dans le cadre du projet certifiés par cascad, la première agence de certification pour le code et les données scientifiques.