Mémoires d'Actuariat
Application des réseaux de neurones récurrents à l’estimation des calculs réglementaires
Auteur(s) MORISSE A.
Société KPMG
Année 2022
Résumé
Les entreprises d’assurance-vie utilisent des modèles ALM pour estimer leurs engagements vis-à-vis des assurés. Ils sont cependant très chronophages et freinent la mise en place de l’ORSA. Ce mémoire traite de la mise en place d’un outil de valorisation des passifs des entreprises d’assurance, destiné à des fins réglementaires ou de pilotage. Cet outil est un modèle proxy répliquant les résultats des modèles ALM. Plus précisément, il propose une nouvelle architecture permettant la prédiction des flux financiers en lieu et place des indicateurs économiques (BE, VIF, SCR). Cette architecture a pour but la prise en compte du vieillissement du portefeuille lors des prédictions pluriannuelles. Elle se base sur l’utilisation de réseaux de neurones récurrents, permettant la transmission de l’information avec le temps. Ce mémoire présente dans un premier temps le modèle ALM dupliqué. Il détaille ensuite les différentes étapes ayant mené à l’architecture finalement retenue et analyse les résultats du modèle en fonction des modifications des paramètres en entrée. Enfin, le modèle est utilisé pour calculer un BSCR et effectuer une projection pluriannuelle.
Abstract
Life-insurance companies use ALM models to estimate their liabilities. These models are very time-expensive and are not well-suited to ORSA. In this actuarial thesis, a tool that estimates the liabilities of a life-insurance company is implemented, on regulatory or management purposes. This tool is a proxy model that replicates the results of ALM models. More precisely, this thesis introduces a new architecture that forecasts financial cash flows, whereas existing proxy models directly compute financial indicators (BE, VIF, SCR). This architecture aims at better taking into account the ageing of the portfolio when forecasting on several years (when doing ORSA for example). This architecture is based on recurrent neural networks. It allows transmission of the information through time. First, this master thesis describes the ALM model that is duplicated. Then, it explains the different steps that led to the final architecture and analyzes the robustness of the model against several inputs. Finally, the model is used to compute the BSCR of the company and conduct an ORSA on several years.
Mémoire complet
Auteur(s) MORISSE A.
Société KPMG
Année 2022
Résumé
Les entreprises d’assurance-vie utilisent des modèles ALM pour estimer leurs engagements vis-à-vis des assurés. Ils sont cependant très chronophages et freinent la mise en place de l’ORSA. Ce mémoire traite de la mise en place d’un outil de valorisation des passifs des entreprises d’assurance, destiné à des fins réglementaires ou de pilotage. Cet outil est un modèle proxy répliquant les résultats des modèles ALM. Plus précisément, il propose une nouvelle architecture permettant la prédiction des flux financiers en lieu et place des indicateurs économiques (BE, VIF, SCR). Cette architecture a pour but la prise en compte du vieillissement du portefeuille lors des prédictions pluriannuelles. Elle se base sur l’utilisation de réseaux de neurones récurrents, permettant la transmission de l’information avec le temps. Ce mémoire présente dans un premier temps le modèle ALM dupliqué. Il détaille ensuite les différentes étapes ayant mené à l’architecture finalement retenue et analyse les résultats du modèle en fonction des modifications des paramètres en entrée. Enfin, le modèle est utilisé pour calculer un BSCR et effectuer une projection pluriannuelle.
Abstract
Life-insurance companies use ALM models to estimate their liabilities. These models are very time-expensive and are not well-suited to ORSA. In this actuarial thesis, a tool that estimates the liabilities of a life-insurance company is implemented, on regulatory or management purposes. This tool is a proxy model that replicates the results of ALM models. More precisely, this thesis introduces a new architecture that forecasts financial cash flows, whereas existing proxy models directly compute financial indicators (BE, VIF, SCR). This architecture aims at better taking into account the ageing of the portfolio when forecasting on several years (when doing ORSA for example). This architecture is based on recurrent neural networks. It allows transmission of the information through time. First, this master thesis describes the ALM model that is duplicated. Then, it explains the different steps that led to the final architecture and analyzes the robustness of the model against several inputs. Finally, the model is used to compute the BSCR of the company and conduct an ORSA on several years.
Mémoire complet
