L’une des principales difficultés de la modélisation actuarielle de la taille du sinistre est qu’il n’existe pas de distribution simple standard qui fournisse simultanément un bon modèle de distribution pour le corps principal et la queue des données. Plus particulièrement, les covariables peuvent avoir des effets différents selon que la taille du sinistre est petite ou grande. Pour résoudre ce problème, nous utilisons un modèle de régression composite profond dont le point de jonction est défini en fonction d’un quantile de la distribution conditionnelle de la taille du sinistre plutôt que d’une constante. Afin de faciliter l’estimation M de ces modèles, nous créons et caractérisons la classe des fonctions de pointage strictement cohérentes pour le triplet constitué d’un quantile, ainsi que du déficit inférieur et supérieur estimé au-delà de ce quantile. Dans un deuxième temps, nous appliquons ce résultat d'élicitabilité pour ajuster des modèles de régression à réseaux de neurones profonds. Nous démontrons l’applicabilité de notre approche et sa supériorité par rapport aux approches classiques sur un ensemble de données réelles d’assurance contre les accidents corporels.