Thèse Modèles Génératifs pour l'Assurance des Catastrophes Naturelles H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris École nationale de la statistique et de l'administration économique École doctorale : Mathématiques Hadamard Laboratoire de recherche : CREST - Centre de recherche en économie et statistique Direction de la thèse : Olivier LOPEZ ORCID 0000000261584113 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-04-30T23:59:59 L'assurance des catastrophes naturelles est déstabilisée par les évolutions liées au changement climatique. Redéfinir le partage du risque entre acteurs publics et privés nécessite la projection, à moyen ou long terme, de scénarios climatiques. Les spécificités du secteur de l'assurance nécessitent également la projection de variables économiques, et l'analyse de quantiles élevés (la réglementation imposant la maîtrise d'un quantile à 99.5%). La présente thèse visera à mettre en place des techniques d'IA génératives pour projeter le risque, et à les utiliser pour définir des stratégies de partage de risque adaptées. Ces techniques devront être adaptées au contexte de l'étude de la queue de distribution (théorie des valeurs extrêmes), entraînant le développement de techniques génératives permettant de capter des événements sévères et rares, ayant vocation à s'appliquer au-delà du champ assurantiel. Le développement de méthodes d'IA générative dans le contexte de la théorie des valeurs extrêmes, notamment extrêmes multivariées, a reçu des contributions récentes. La difficulté du problème vient à la rareté du phénomène, qui limite la qualité de l'apprentissage du fait d'un faible nombre de données. L'utilisation de propriétés issues de la théorie des valeurs extrêmes permet de structurer les modèles génératifs afin d'accélérer cet apprentissage. L'usage de telles méthodes est un enjeu important dans le champ de l'assurance, où l'adaptation au changement climatique nécessite la simulation de scénarios d'évolution suffisamment fins pour pouvoir analyser la robustesse de la mutualisation entre assurés. Développer des nouvelles méthodes d'IA générative adaptées à des distributions 'heavy tail' et à la projection de scénarios climatiques utilisables par le secteur de l'assurance ;
Utiliser ces méthodes pour proposer ou tester des solutions de partage de risque permettant de soutenir l'adaptation au changement climatique.

Connaissances en machine learning et IA générative.
Si possible connaissance des différents types de scénarios climatiques (RCP, DRIAS...)
Appétence pour les applications au secteur de l'assurance