Mémoire d'actuariat

Utilisation du Machine Learning dans l'estimation du ratio de solvabilité d'un assureur vie et application aux Reverses Stress Tests
Auteur(s) ZURFLUH Eve
Société ACTUARIS
Année 2019

Résumé
Dans le cadre de Solvabilité II, les organismes d'assurance sont amenés à calculer différents indicateurs afin de quantifier leurs risques et s'assurer du suivi de leur solvabilité. Nous nous intéresserons dans ce mémoire à un indicateur usuel qui est le ratio de solvabilité. Le calcul de cet indicateur nécessite l'utilisation d'un modèle ALM complexe, en particulier en Assurance vie dans le cas des contrats d'épargne en euros. Or, l'exposition aux risques d'un assureur est particulièrement sensible aux conditions économiques. Ainsi, les temps de calcul importants du modèle ALM entraînent un manque de réactivité pour connaître l'évolution du profil de risque de l'assureur suite à un choc de marché. Les travaux menés proposent d'explorer des méthodes fondées sur l'apprentissage automatique afin d'apporter plus de réactivité aux équipes de pilotage des risques. La démarche suivie se compose de deux principales parties. La première partie a pour but de sélectionner le modèle de Machine Learning le plus performant grâce à la construction d'une base d'apprentissage. Le modèle de krigeage s'avère être le modèle le plus adapté, permettant de prédire la valeur du ratio de solvabilité de façon très précise quelle que soit la situation économique envisagée. Ce modèle conduit ainsi à un gain non négligeable en termes de temps de calcul, tout en conservant la qualité de la prédiction. La deuxième partie a pour objectif d'exploiter ce modèle de krigeage au cadre des Reserves Stress Tests. Ces derniers permettent à un assureur de sélectionner des scénarios économiques pouvant conduire à un niveau de ratio correspondant à son seuil d'appétence au risque.

Abstract
In the context of Solvency II, insurance companies need to compute various indicators in order to quantify their risks and monitor their solvency. We are interested in this paper to a common indicator that is the solvency ratio. The calculation of this indicator requires the use of a complex ALM model, especially in Life Insurance int he case of Euro savings contracts. However, the risk exposure of an insurance company is particularly sensitive to economic conditions. Thus, the important calculation time of the ALM model lead to a lack of responsiveness to know the evolution of thie risk profile of the insurer following a market shock. The work carried out thus proposes to explore methods based on machine learning in order to bring more reactivity to the risk management teams. The proces followed consists in two main parts. The first part aims to select the best machine learning model by building a learning base. The kriging model is proving to be the most appropriate model, making it possible to predict the value of the solvency ratio in a very precise manner whatever the economic situation considered. This model leads to a significant gain in terms of calculation time, while maintaining the quality of the prediction. The second part aims to use the kriging model in the context of Reverse Stress Tests. The latter allow an insurance company to select economic scenarios that can lead to a ratio level corresponding to its risk appetite threshold.

Mémoire complet