Mémoire d'actuariat

Avantages et limites d'un optimisation intelligente pour le pilotage d'une stratégie financière
Auteur(s) JULIER Eléonore
Société ACTUARIS
Année 2018

Résumé
Ce mémoire a pour but de répondre à la problématique que se pose un organisme de Prévoyance-Santé : trouver l’allocation d’actifs optimale en termes de rendement et de risque de marché. Pour commencer nous avons dressé un état des lieux du niveau de solvabilité et de rentabilité de l’organisme, avant de préciser les objectifs et contraintes d’optimisation attendus. La seconde étape a consisté à sélectionner et mettre en place le modèle d’optimisation le plus adapté à notre étude. Après avoir envisagé différents modèles tels que celui de Markowitz ou de Black-Litterman, nous avons finalement retenu la méthode d’optimisation des algorithmes génétiques. Une fois implémenté et calibré, ce modèle nous a permis d’obtenir le front de Pareto des solutions à la problématique initialement posée. Nous nous sommes ensuite intéressés plus particulièrement à quatre allocations retenues au sein de ce front. Pour chacune, nous avons challengé leur robustesse en cas de scénario choqué afin de mettre en avant leurs points forts. Ce travail a permis de mettre en évidence l’intérêt des algorithmes génétiques dans les problèmes d’optimisation multi-objectifs. Leur adaptabilité aux différentes problématiques (en termes de contraintes et d’objectifs), ainsi que leur rapidité de convergence sont assurément des avantages conséquents pour un outil d’aide à la décision.

Abstract
The purpose of this thesis is to answer an issue of a provident & Health Insurance organisation: how to find the optimal asset allocation in terms of return and market risk. To begin with, we drew up an inventory of the organization's solvency and profitability level, before specifying the objectives and expected optimization constraints. The second step consisted in selecting and implementing the optimization model best suited to our study. After considering different models such as Markowitz's or Black-Litterman's, we finally adopted the optimization method of genetic algorithms. Once implemented and calibrated, this model provided us with the Pareto's front of solutions to the initial issue. Then we focused on four allocations selected from this front. For each, we challenged their robustness in case of shocked scenario in order to highlight their strengths. This study demonstrates the real efficiency of genetic algorithms in multi-objectives optimization. Their main assets as a decision making tool are the adaptability to different playgrounds (in terms of constraints and objectives) and the convergence speed.

Mémoire complet