Mémoire d'actuariat

Intégration de l'ORSA dans le suivi continu de la solvabilité pour une compagnie d'assurance vie
Auteur(s) JANEL Alexandra
Société Swiss Life
Année 2019
Confidentiel jusqu'au 16/01/2021

Résumé
Le processus ORSA (Own Risk and Solvency Assessment) est une réelle opportunité d'aide au pilotage stratégique et à la prise de décision des compagnies d'assurance. Cependant, les procédures utilisées ne permettent pas d'effectuer les calculs dans des délais raisonnables et sur demande, à tout moment. Les décisions stratégiques ne prennent donc pas suffisamment en compte les résultats de l'ORSA. Une solution possible serait d'utiliser l'apprentissage automatique pour obtenir rapidement des résultats de bilan économique approchés. L'utilisation de cette méthode est justifiées par son exploitation actuelle dans de nombreux domaines et, dans le cadre de l'ORSA, par la liberté laissée aux assureurs dans les méthodes de calculs afin de refléter au mieux le profil de risque de l'entreprise. Pour pouvoir mener une étude comparative d'algorithmes d'apprentissage automatique, il est nécessaire de constituer au préalable une base de données. Des variations ont été appliquées aux variables d'entrée les plus impactantes sur le bilan économique d'un assureur vie, puis un modèle ALM a été utilisé pour générer des variables de sortie, telles que la PVFP (Present Value of Future Profits) et les capitaux requis pour chaque sous-module du risque de marché. Trois algorithmes ont ensuite été appliqués à la base de données : les modèles linéaires généralisés (GLM), les modèles linéaires pénalisés (MLP) et l'Extreme Gradient Boosting (XGBoost). Nous avons pu obtenir rapidement des valeurs approchées du bilan économique de la compagnie avec des pourcentages d'erreur faibles, en particulier avec le XGBoost qui a souvent été choisi pour modéliser au mieux les variables de sortie. Les modèles sélectionnés ont par la suite été validés par des tests de sensibilité et de stabilité temporelle. Leurs conformités à la formule standard ont également été vérifiées. Cette validation nous a amenés à apporter certaines modifications aux algorithmes qui ont permis de diminuer les erreurs ainsi que les temps de calcul. Ces nouveaux modèles ont ensuite été appliqués à l'ORSA pour tenter de refléter l'appétence au risque de la compagnie. Le BGS allant au-delà de cette appétence, des mesures contingentes devraient être mises en place afin de respecter les limites définies dans le cadre de la gestion des risques.

Abstract
The ORSA (Own Risk and Solvency Assessment) process, belonging to pillar II of Solvency II, is a real opportunity to help strategic management and decision-making of insurance companies. However, the procedures used do not allow to perform the calculations within a reasonable time and on request, at any time. Therefore strategic decisions do not take enough into account ORSA results. A possible solution would be to use machine learning to quickly get approximative economic balance sheet results. This method is used because it is already exploited in many areas and, as part of the ORSA, insurers have a freedom in the choice of calculation methods to best reflect the company risk profile. In order to conduct a comparative study of machine learning algorithms, it is necessary to build a database first. Variations were applied to the most impactful input variables on a life insurer economic balance sheet. Then an ALM model was used to generate output variables, such as PVFP (Present Value of Future Profits) and the funds required for each market risk sub-module. Three algorithms were later applied to the database: generalized linear models (GLM), penalized regression (MLP) and Extreme Gradient Boosting (XGBoost). We quickly obtained approximative values of the company economic balance sheet with low error percentages, especially with the XGBoost which was often chosen to model as well as possible the output variables. Sensitivity and temporal stability test subsequently validated the selected models. Their conformities to the standard formula were also checked. This validation allowed to make some changes to the algorithms which reduced the errors and the computation times. Then these new models were applied to the ORSA to try to reflect the company risk appetite. As the BGS goes beyond this appetite, contingency palns should be put in place in order to respect the limits defined in the context of risk management.