Mémoire d'actuariat

Estimés de solvabilité par méta-modélisation
Auteur(s) CESCUTTI Vincent
Société Crédit Agricole Assurances
Année 2017
Confidentiel jusqu'au 22/11/2019

Résumé
Introduit dans une optique de gestion des risques, Solvabilité 2 est rapidement devenu un outil indispensable dans le pilotage des compagnies d'assurances européennes. L'ORSA en est l'exemple le plus éclairant, mais assez complexe à pratiquer. En effet, cet exercice repose sur le test et les simulations de nombreux scénarios (économiques, financiers, politiques, démographiques...), très gourmands en temps de calcul, du fait des interactions actif/passif (ALM) propres à l'assurance vie. L'objectif de ce mémoire est de proposer une méthode rapide d'estimations de solvabilité, dans le cas d'un choc ponctuel (ORSA Permanent), ou sur une visibilité pluriannuelle (ORSA Prospectif). S'inspirant de pratiques adoptées dans des secteurs radicalement différents (industries de l'énergie, de la géologie, ...), le mémoire utilise le concept d'une méta-modélisation, construite à l'aide de méthodes de type Machine Learning. Une base de sensibilité est créée, sur lesquels de nombreux algorithmes sont testés : arbres et forêts aléatoires, gradient boosting, réseaux de neurones, krigeage à processus gaussien... Le plus efficace d'entre eux est ensuite optimisé, avant d'être mis à l'épreuve sur des cas concrets.

Abstract
At first, Solvency II was set up for a specific purpose: risk management. Then, European Insurance Companies started to use it as a powerful tool for their financial running. The most striking example is ORSA, a very valuable but complex exercice. Based on numerous nested simulations (due to different economical, political, financials, demographical scenarios), ORSA is very time-consuming. We propose here to create and implement quick proxies to estimate Solvency ratios during punctual stress-tests (Permanent ORSA), or on a multi-year horizon (Forward Looking Assessment ORSA). We develop here the concept of meta-modeling, by taking inspiration from the experience of economic sectors that are radically different of the insurance environment (energy industry, geology firms...). We build a dataset of sensibilities, then we train, test and compare different machine learning algorithms: CART, random forest, neural networks, gradient boosting, kriging... Then, we optimize the most powerful, and finally we use it to predict Solvency on examples of concrete cases.