Mémoire d'actuariat

Proxys de calculs du Best Estimate pour un portefeuille d’épargne en euro dans une logique Fast Close
Auteur(s) CABORE H. A.-A.
Société PwC
Année 2020
Confidentiel jusqu'au 13/01/2022

Résumé
En épargne, les engagements Best Estimate de l'assureur à chaque date d'inventaire sont une composante complexe à déterminer. Le calcul du Best Estimate requiert l'utilisation d'outils ALM capables de modéliser les interactions actif-passif. Ces outils bien que permettant une modélisation assez fidèle, ont l'inconvénient d'engendrer une grande complexité opérationnelle tant dans la phase de préparation des données qui serviront d'inputs aux calculs ALM, que pour les temps de calculs longs. Cette complexité est une problématique à laquelle sont confrontés les assureurs, qui sont en perpétuelle quête de techniques leur permettant de calculer leurs engagements avec une bonne fiabilité et un niveau de complexité peu élevé. Par ailleurs, les assureurs déjà confrontés aux délais de reportings sous Solvabilité 2, doivent faire face à des délais de livraison plus resserrés sous le référentiel IFRS qui dans un souci de communication avec les investisseurs, exige la publication de reportings financiers à intervalles de temps plus restreints que sous Solvabilité 2. La mise en place de techniques dites "Fast Close" pour le calcul du Best Estimate, est devenue une nécessité pour faire face à ce challenge. Ce mémoire, s'inscrit dans une logique de Fast Close, en proposant une série de proxys sur la base de modèles financiers permettant de calculer le Best Estimate pour un portefeuille d’épargne, à l'aide de formules fermées ou par simulations (avec un faible niveau de complexité), ainsi que des modèles statistiques. Les modèles financiers proposés dans ce mémoire s'appuient sur des modèles classiques de type Black and Scholes, tandis que les modèles statistiques utiliseront la régression linéaire multiple.

Abstract
In savings, insurer Best Estimate Liabilities, at each inventory date are a complex component to calculate, mainly because of the policy target rate which mainly depends on the random asset return rate. The Best Estimate calculation requires the use of ALM tools capable of modelling interactions between assets and liabilities. Although, these tools, allowing a fairly modelling of the real insurer’s liabilities, have the disadvantage of generating a high complexity as well in the data (which will be used as inputs for ALM tools) preparation phase, as for long calculations times. This operational complexity, in the Best Estimate Liabilities calculation, is a huge issue faced by insurers who are constantly looking for techniques able to calculate their commitments with good reliability and a low level of complexity. In addition, insurers already facing reporting deadlines under Solvency 2, have to deal with shorter reporting deadlines under IFRS (IFRS 17 on liabilities side and IFRS 9 for assets valuation) which in order to communicate with investors, requires publication of financial reports at shorter intervals time than Solvency 2. Setting up Fast Close techniques for Best Estimate Liabilities calculation has become a necessity in order to face this challenge. This thesis is part of a Fast-Close logic, by proposing a set of proxies based on statistical models and financial models allowing the calculation of Best Estimate Liabilities for a life insurance savings portfolio by using closed formulas or simulations (with low complexity level). The financial models proposed in this paper are built on classic Black and Scholes models, while the statistical models will use multiple linear regression.