Mémoires d'Actuariat

Calibrage d'un modèle d'agrégation de données pour la production de comptes IFRS17 en méthode VFA
Auteur(s) KALAWE KALAWE B.
Société Allianz France
Année 2022

Résumé
La norme IFRS 17 qui entre en vigueur en janvier 2023 va profondément modifier la communication financière des compagnies d’assurance. IFRS 17, qui remplace IFRS4, impose d’évaluer et de communiquer les profits futurs attendus sur les contrats d’assurance comportant une composante de risques. Elle exige en outre une production de l’information financière à une granularité plus fine. Le changement de l’outil de projection des cash flows et de modélisation ALM (Asset and Liability Management), passage d’un modèle ALM Flexing à un modèle Full ALM permettra de répondre en partie à cette exigence. Avec un modèle Full ALM la modélisation est effectuée à la maille model point plus fine que la maille poche de passifs utilisée dans un modèle ALM Flexing. Pour avoir des temps de traitement acceptables, l’utilisation du modèle Full ALM nécessite cependant une agrégation préalable de ces model points. Ce mémoire a pour objectif d’améliorer le calibrage de l’algorithme actuellement utilisé pour agréger les model points. Un calibrage qui se fait d’une part au niveau de la fonction cible et d’autre part au niveau des données en entrée de l’algorithme. Nous effectuerons notre étude sur un portefeuille de prévoyance individuelle. Après avoir rappelé les exigences introduites par IFRS 17 et les évolutions de l’outil de projection, nous procéderons à une description des données de notre portefeuille. Une analyse du modèle d’agrégation nous permettra par la suite d’identifier ces leviers d’optimisation. Grâce à l’étude des corrélations, la combinaison d’un algorithme de classification non supervisée et l’analyse en composantes principales, nous proposerons un calibrage de ce modèle. Mots clés : Moindres Carrés Non Négatifs, Clustering (K-MEANS), Analyse en Composantes Principales, BEL, Model Points

Abstract
IFRS 17 which will be applied in January 2023 will profoundly change the financial reporting of insurance companies. IFRS 17 which will replace IFRS 4, requires measuring and disclosing expected future profits of these contracts at a more detailed granularity. Changing the modeling tool (cash flows projection) from an ALM (Asset and Liability Management) Flexing model to a Full ALM model will help to meet these requirements. With a Full ALM model, modeling is performed using a finer model points than the “Liability” used in an ALM Flexing model. To have acceptable run times, however, the use of the Full ALM model requires prior aggregation of these model points. This thesis aims to improve the calibration of the algorithm currently used to aggregate the model points on individual protection scope. A calibration that is done firstly at the level of the target function and secondly at the level of the input data of the algorithm. After restating the requirements introduced by IFRS 17 and the change made on the modeling tool, we will describe the portfolio. An analysis of the aggregation model will then allow us to identify these optimization levers. Through the study of correlations, the combination of an unsupervised classification algorithm and principal component analysis, we will propose a calibration of the model. Keywords: Non-Negative Least Squares, Clustering, Principal Component Analysis, Best Estimate Liability, Model Points.

Mémoire complet