Mémoires d'Actuariat

Etude ALM d'un portefeuille retraite avec une approche par réinforcement learning
Auteur(s) VIGNON C., BORISSOV D.
Société Axa France
Année 2022

Résumé
Les réglementations récentes, comme Solvabilité 2 ou bientôt IFRS 17, exigent des assureurs un suivi prospectif de leurs portefeuilles en vision économique. Pour cela, les modèles utilisés intègrent des stratégies de gestion actif/passif leur permettant d’optimiser les bénéfices futurs sous contrainte de solvabilité. Ces stratégies sont généralement figées et issues de jugements d’experts ou bien calibrées dans un model ad-hoc. Le reinforcement learning est un domaine de l’apprentissage automatique s’attaquant à des problèmes de prise de décision en interaction avec un environnement. Un agent y apprend de son expérience grâce à un conditionnement par des récompenses et des pénalités. Cette approche est particulièrement efficace dans le domaine des jeux ou de la conduite autonome. Mais elle peut également être appliquée à des modèles assurantiels pour mettre en place une stratégie d’allocation d’actifs performante. Dans ce mémoire, nous proposons de mettre en place et étudier un portefeuille de contrats de retraite en run-off dans un cadre de deep learning. L’objectif est d’entrainer un agent prenant des décisions d’allocation d’actifs grâce à un réseau de neurones. Les résultats montrent qu’un tel agent obtient des taux de rendement sur capitaux propres plus importants et plus stables que des stratégies classiques. Ainsi, le reinforcement learning offre un champ large d’application pour les assureurs, allant de la réalisation d’études ALM à l’audit de modèle. Mots-clés : reinforcement Learning, réseau de neurones, assurance retraite collective, ALM.

Abstract
Recent regulations in the field of insurance such as Solvency II or IFRS 17 require a prospective monitoring of insurance portfolios with an economic view. It is achieved by using complex models integrating decision-making modules to implement ALM strategies that maximize the return on equity under solvency constraints. In general, these strategies as based on expert judgement or calibrated in ad-hoc models. Reinforcement learning is a machine learning approach tackling problems with interactions between decisions and an environment. An agent learns from its experience thanks to conditioning with rewards and penalties. This approach is particularly successful in training AI agents playing video games or for autonomous driving. But it can also be applied to create strategies for efficient asset allocation in insurance. Our paper aims to study a run-off group pension portfolio in a deep learning framework. The goal is to train a neural-network-based agent to take investment decisions to optimize shareholder’s return on equity. Results show that such an agent is able to over-perform traditional ALM strategies in terms of both risk and return. This approach can be extended to models involved in business decisions and offer a vast range of applications from ALM studies to model validation. Keywords : reinforcement learning, neural network, group pension insurance, ALM.

Mémoire complet