Mémoire d'actuariat

IFRS 17 : Mise en oeuvre et Modélisation stochastique de l’ajustement pour risque sur périmètre épargne euro
Auteur(s) NGUYEN H-D
Société Nexialog Consulting
Année 2020

Résumé
Après environ 20 ans de discussions et de débats, l’IASB a publié en mai 2017 la nouvelle norme comptable d’assurance IFRS 17 - Contrats d’assurance. Son principal objectif étant d’harmoniser la comptabilisation des différents contrats d’assurance et de produire le rapport financier le plus transparent possible. Bien que le passif du bilan d’assurance à travers cette norme se présente selon une décomposition par blocs, similaire à celle de la Solvabilité 2, l'évaluation de certains blocs et la procédure de mise à jour du bilan IFRS 17 constituent toujours une zone d'ombre. Ce mémoire a donc deux grands objectifs : (i) Éclaircir le processus de mise à jour du bilan IFRS 17 à chaque arrêté pour le fond en euros et (ii) modéliser l’ajustement pour risque qui constitue un des blocs de ce bilan. Dans un premier temps, nous présentons de manière pédagogique la construction du bilan et du compte de résultats sur le périmètre de l’épargne euro. En particulier, après une introduction du bilan IFRS 17 initial, nous développerons les mécanismes de mise à jour du passif d'assurance en comptabilisation ultérieure. Nous distinguerons ainsi les variations d’engagements qui s’intègrent dans la marge pour service contractuel et qui se comptabilise directement dans le profit de l'assureur. Puis dans un second temps, nous traiterons le sujet de l’ajustement pour risque. Après analyser des différentes approches héritées de la directive solvabilité 2, nous reconnaissons l’importance d’une nouvelle approche stochastique qui pourrait être la meilleure réponse à la définition de dans la norme. Ainsi, le périmètre scientifique de ce mémoire tourne autour de la construction d'une nouvelle approche de calcul de l’ajustement pour risque qui repose sur l’approximation par Monte-Carlo et la modélisation de la surface de mortalité à l’aide de la Machine Learning. Mots-clés : IFRS 17, Variable fee approche, Ajustement pour risque, Épargne, Modèle ALM, Machine Learning, Forêts aléatoires, Processus gaussien, Krigeage, Table de mortalité.

Abstract
After nearly 20 years of discussion, the IASB published the new accounting standard IFRS 17 - Insurance Contracts in May 2017. Its main objectives are to harmonize the accounting of different insurance contracts and to produce the financial reports as transparent and as comparable as possible. According to this standard, the insurance liabilities are presented by building block approach, similar to that of Solvency II, however, the evaluation of certain blocks and the updating procedure for balance sheet liabilities have still been in a shadow zone. This thesis, therefore, focuses on two challenging objectives: (i) to clarify the subsequent compatibilization at each exercise for the fund in euros and (ii) to model Risk Adjustment which constitutes one of blocks of IFRS 17 's statement. Hence, initially, we present theoretically the construction of the balance sheet and of the income statement on the scope of euro savings. To be more specific, after introducing IFRS 17 balance sheet, we develop the mechanism for updating the insurance liability in subsequent recognition. We then distinguish the variations of estimated future cash flows which are integrated in the contractual service margin and which are booked in the profit of insurance companies. In the second step, we deal with Risk Adjustment. After researching the different approaches inherited from Solvency II, we recognize the importance of a new stochastic approach which could be the best answer to the definition under the new standard. Thus, the scientific contribution of this thesis is the construction of a new approach for estimating Risk Adjustment based on the Monte Carlo simulation and on the modeling of the mortality surface by Machine Learning model. Keywords: IFRS 17, Variable fee approach, Risk Adjustment, Saving contracts, Model ALM, Machine Learning, Random Forest, Gaussian process, Kriging, Mortality table.

Mémoire complet