Mémoire d'actuariat

Modélisation du risque de rachat sur un portefeuille d\'épargne : méthode d\'apprentissage et approche actuarielle
Auteur(s) GOUNE Roméo
Société CNP Assurances
Année 2016
Confidentiel jusqu'au 10/11/2018

Résumé
Le rachat fait partie des risques de souscription majeurs en assurance-vie. La cinquième Étude quantitative d'impact (QIS5) de la directive Solvabilité II le range parmi les six risques les plus susceptibles d'entraîner une variation significative du Capital économique, c'est-à-dire l'exigence de fonds propres imposée par la directive. Le mémoire traite du rachat structurel. Des lois de rachat total sur un portefeuille d'épargne sont calibrées suivant plusieurs approches. Des modèles paramétriques, semi-paramétriques et non-paramétriques sont tout d'abord mis en oeuvre dans un double but explicatif et prédictif. Ces modèles sont : la régression logistique classique, la régression logistique lasso, l'estimateur de Kaplan-Meier, le modelè de Cox, l'algorithme CART et les forêts aléatoires. Ces modèles, pour lesquels on propose une méthode permettant de déduire des taux de rachat par ancienneté, sont ensuite validés à partir de métriques permettant d'évaluer leur qualité prédictive. Il ressort notamment que la méthode des forêts aléatoires et la régression logistique permettraient de mieux calibrer les lois de rachat que les autres techniques.

Abstract
The surrender risk is one of the major underwriting risks within life insurance companies. The fifth Quantitative Impact Study (QIS5) for Solvency II ranks it among the six preponderant risks likely to induce a significant variation of the Solvency Capital Requirement. The thesis focuses on structural surrender. Surrender distributions are calibrated within a savings policies portfolio by using several approaches. Parametric, semi-parametric and non-parametric models are first used for explanoatory and predicive purpose. These models include both classic and laso logistic regressions, Kaplan-Meier estimator, Cox model, CART algorithm and random forests. These models, which are used to build surrender rates are then validated with prediction quality criteria. It appears that random forests model and logistic regression are likely to do better than other techniques in calibrating surrender distributions.

Mémoire complet