Mémoire d'actuariat

Modélisation d'expertise desversements libres sous IFRS 17
Auteur(s) BONENFANT B.
Société AXA France
Année 2021
Confidentiel jusqu'au 08/01/2023

Résumé
La norme IFRS 17 sur les contrats d’assurance qui remplacera la norme IFRS 4 a été publiée en mai 2017. Elle repose sur le principe d’une évaluation économique des passifs. Pour les contrats d’épargne, la frontière des portefeuilles est différente sous IFRS 17, puisqu’elle implique désormais d’intégrer les versements libres futurs non programmés. Ce mémoire a pour objectif de proposer une approche avancée de modélisation des versements libres qui puisse être déployée opérationnellement. Cette étude a été réalisée sur un portefeuille historique de contrats épargne, d’un volume significatif et toujours ouverts à la commercialisation. La démarche retenue a été tout d’abord de classifier des variables explicatives à l’aide d’algorithmes de Machine Learning (forêts aléatoires, XGBoost) en vue de modéliser la fréquence de versement libre par contrat. Les travaux de modélisation ont ensuite été étendus au montant moyen de versement libre par contrat. Plusieurs méthodes ont été appliquées pour modéliser les versements libres : de la plus simple utilisant des triangles de versement aux plus avancées basées sur le modèle linéaire généralisé et son extension le modèle additif généralisé. Certains couples méthodes / variables ont permis d’obtenir des résultats significativement meilleurs que l’approche habituellement retenue.

Abstract
The international standard for accounting for insurance contracts IFRS 17, which will replace IFRS 4, was published in May 2017. It is based on the principle of an economic valuation of liabilities. For savings contracts, the portfolio frontier is different under IFRS 17, since it now requires the inclusion of the future unscheduled free payments. This thesis aims to provide an advanced free payments modeling approach that can be deployed operationally. This study was carried out on a historical portfolio of savings contracts, of a significant volume and still available for sale. First of all, the approach adopted was to classify explanatory variables using Machine Learning algorithms (random forests, XGBoost) in order to model the frequency of free payment by contract. The modeling work was then extended to the average amount of free payment per contract. Several methods have been applied to model free payments: from the simplest using payment triangles to the most advanced based on the generalized linear model and its extension the generalized additive model. Some combination of methods and variables provide significant better results than the usual approach.