Mémoires d'Actuariat
Étude du risque de modèle en prévoyance
Auteur(s) LE SERGENT A.
Société La Banque Postale Prévoyance
Année 2023
Confidentiel jusqu'au 10/03/2025
Résumé
L’activité d’assurance nécessite de réaliser des anticipations. Celles-ci sont réalisées grâce à des modèles prédictifs, qui induisent un risque d’erreur pouvant provoquer des décisions inadaptées. Dans ce cadre, ce mémoire propose trois approches complémentaires pour évaluer et gérer ce risque de modèle. La 1ère se base sur des applications d’Enterprise Risk Management. Elle consiste à cartographier les modèles d’une entité, à évaluer leur risque brut puis net et à conclure sur l’acceptabilité de ce dernier. Des plans d’action sont proposés si celle-ci n’est pas respectée. La 2ème s’inspire de la méthode Worst Case, de Kerkhof et al (2002). Elle consiste à mesurer l’écart entre les résultats d’un modèle de référence et les résultats d’autres modèles. Le risque de modèle est alors évalué comme l’écart entre les résultats du modèle de référence et les résultats les plus éloignés du modèle de référence. La 3ème approche consiste à étudier un plan d’action de réduction du risque de modèle par identification des profils d’assurés réalisant des réductions en utilisant des méthodes d’analyses univariées et de machine learning de prédiction. Cette identification permet de déterminer des actions afin de réduire les réductions, ce qui permet de réduire le risque de sous-estimation du best estimate, les réductions ayant un impact positif sur ce dernier. Les trois approches étudiées sont complémentaires. La 1ère permet d’évaluer, en grande maille, le risque de plusieurs modèles. La 2ème permet d’évaluer, de manière plus fine, le risque d’un modèle en particulier. La 3ème permet de mettre en place un plan d’action visant à réduire le risque du modèle préétudié. Mots clés : risque de modèle, machine learning, enterprise risk management, gestion des risques, approche worst case, classification and regression tree, forêts aléatoires, prévoyance, dépendance.
Abstract
The insurance business requires anticipating costs. These anticipations are carried out thanks to predictive models, inducing a risk of error which can trigger unsuitable decisions. In this context, this thesis proposes three complementary approaches to assess model risk. The 1st is based on Enterprise Risk Management theories. It consists of referencing the models of an entity, evaluating their gross and net risk and to conclude on the acceptability of the net risk. Action plans are proposed if the risk appetite is not respected. The 2nd is inspired by the Worst-Case method, by Kerkhof and al (2002). It consists of measuring the difference between the results of a reference model and the results of other methods. The model risk is assessed as the difference between the results of the reference model and the results the furthest from the reference model. This method is here applied on a dependency best estimate valuation model. The 3rd approach consists in studying a model risk reduction action plan by identifying the profiles of policyholders making reductions, using univariate analysis and machine learning prediction methods. This identification makes it possible to determine actions to reduce the reductions, which makes it possible to reduce the risk of underestimation of the best estimate, reductions being positively correlated to the latter. The three approaches are complementary. The 1st makes it possible to evaluate, in a macro way, the risk of several models. The 2nd makes it possible to assess, in a more precise way, the risk of a particular model. The 3rd makes it possible to set up an action plan aimed at reducing the risk of the pre-studied model. Keywords: model risk, machine learning, enterprise risk management, worst case approach, classification and regression tree, random forest, dependency.
Auteur(s) LE SERGENT A.
Société La Banque Postale Prévoyance
Année 2023
Confidentiel jusqu'au 10/03/2025
Résumé
L’activité d’assurance nécessite de réaliser des anticipations. Celles-ci sont réalisées grâce à des modèles prédictifs, qui induisent un risque d’erreur pouvant provoquer des décisions inadaptées. Dans ce cadre, ce mémoire propose trois approches complémentaires pour évaluer et gérer ce risque de modèle. La 1ère se base sur des applications d’Enterprise Risk Management. Elle consiste à cartographier les modèles d’une entité, à évaluer leur risque brut puis net et à conclure sur l’acceptabilité de ce dernier. Des plans d’action sont proposés si celle-ci n’est pas respectée. La 2ème s’inspire de la méthode Worst Case, de Kerkhof et al (2002). Elle consiste à mesurer l’écart entre les résultats d’un modèle de référence et les résultats d’autres modèles. Le risque de modèle est alors évalué comme l’écart entre les résultats du modèle de référence et les résultats les plus éloignés du modèle de référence. La 3ème approche consiste à étudier un plan d’action de réduction du risque de modèle par identification des profils d’assurés réalisant des réductions en utilisant des méthodes d’analyses univariées et de machine learning de prédiction. Cette identification permet de déterminer des actions afin de réduire les réductions, ce qui permet de réduire le risque de sous-estimation du best estimate, les réductions ayant un impact positif sur ce dernier. Les trois approches étudiées sont complémentaires. La 1ère permet d’évaluer, en grande maille, le risque de plusieurs modèles. La 2ème permet d’évaluer, de manière plus fine, le risque d’un modèle en particulier. La 3ème permet de mettre en place un plan d’action visant à réduire le risque du modèle préétudié. Mots clés : risque de modèle, machine learning, enterprise risk management, gestion des risques, approche worst case, classification and regression tree, forêts aléatoires, prévoyance, dépendance.
Abstract
The insurance business requires anticipating costs. These anticipations are carried out thanks to predictive models, inducing a risk of error which can trigger unsuitable decisions. In this context, this thesis proposes three complementary approaches to assess model risk. The 1st is based on Enterprise Risk Management theories. It consists of referencing the models of an entity, evaluating their gross and net risk and to conclude on the acceptability of the net risk. Action plans are proposed if the risk appetite is not respected. The 2nd is inspired by the Worst-Case method, by Kerkhof and al (2002). It consists of measuring the difference between the results of a reference model and the results of other methods. The model risk is assessed as the difference between the results of the reference model and the results the furthest from the reference model. This method is here applied on a dependency best estimate valuation model. The 3rd approach consists in studying a model risk reduction action plan by identifying the profiles of policyholders making reductions, using univariate analysis and machine learning prediction methods. This identification makes it possible to determine actions to reduce the reductions, which makes it possible to reduce the risk of underestimation of the best estimate, reductions being positively correlated to the latter. The three approaches are complementary. The 1st makes it possible to evaluate, in a macro way, the risk of several models. The 2nd makes it possible to assess, in a more precise way, the risk of a particular model. The 3rd makes it possible to set up an action plan aimed at reducing the risk of the pre-studied model. Keywords: model risk, machine learning, enterprise risk management, worst case approach, classification and regression tree, random forest, dependency.
