Mémoires d'Actuariat
ORSA et calcul prospectif du SCR
Auteur(s) RAZAFINDRABARY IARIVONJY B.M.T.F.
Société Optimind
Année 2021
Résumé
Ce mémoire s’intéresse à la capacité d’un assureur épargne à évaluer rapidement son activité suivant un plan stratégique ou consécutivement à un changement de structure dans son portefeuille sur une vision prospective. La stratégie de l’assureur sera évaluée par le biais de sa solvabilité donnée par le Solvency capital Requirement (SCR). Les méthodes de machine learning apportent une solution rapide à ce type de problématique grâce à leur grande capacité de calcul. Le SCR étant lié au Best Estimate of Liabilities noté également BEL, nous choisissons de calibrer un modèle de machine learning qui apprend le BEL à partir de variables de pilotage à l’actif et au passif. Il s’agit des variables pilotées et celles étudiées dans le but d’atteindre l’objectif d’un business plan. La base de données utilisée a été générée par itération automatique du modèle existant en modifiant les paramètres d’entrée à chaque run du modèle ALM initial. Un outil a été créé sur python dans le cadre de ce mémoire pour automatiser le processus et ainsi gagner du temps. Les modèles étudiés sont le K plus proches voisins et la Forêt aléatoire, deux modèles opérant par partitionnement d’espace. Il s’avère que la Forêt aléatoire offre des résultats plus satisfaisants que la méthode des K plus proches voisins. Nous appliquons par la suite nos méthodes pour l’estimation de SCR dans le cadre de l’ORSA. Pour cela, un business plan est établi, ce qui permet de projeter l’activité de l’entreprise sur l’horizon temporel de la stratégie, et à chaque pas de temps, une estimation du SCR peut-être établie grâce à cette projection et au machine learning.
Abstract
This paper focuses on the ability of a savings insurer to quickly evaluate its business according to a strategic plan or following a change in the structure of its portfolio on a prospective basis. The insurer's strategy will be evaluated through its solvency given by the Solvency Capital Requirement (SCR). Machine learning methods provide a quick solution to this type of stake thanks to their high calculation capacity. Since the SCR is linked to the Best Estimate of Liabilities (BEL), we choose to calibrate a machine learning model that learns the BEL from asset and liability control variables. These are the driven variables and those studied in order to reach the objective of a business plan. The database used was generated by automatic iteration of the existing ALM model by modifying the input parameters at each run. A tool was created on python for this thesis to automate the process and thus save time. The models studied are the K-nearest neighbors and the Random Forest, two models operating by space partitioning. It turns out that the Random Forest offers more satisfactory results than the K-nearest neighbor method. We then apply our methods to the estimation of SCR in the framework of ORSA. For this, a business plan is established, which allows to project the activity of the company on the time horizon of the strategy, and at each time step, an estimate of the SCR can be established thanks to this projection and to the machine learning
Mémoire complet
Auteur(s) RAZAFINDRABARY IARIVONJY B.M.T.F.
Société Optimind
Année 2021
Résumé
Ce mémoire s’intéresse à la capacité d’un assureur épargne à évaluer rapidement son activité suivant un plan stratégique ou consécutivement à un changement de structure dans son portefeuille sur une vision prospective. La stratégie de l’assureur sera évaluée par le biais de sa solvabilité donnée par le Solvency capital Requirement (SCR). Les méthodes de machine learning apportent une solution rapide à ce type de problématique grâce à leur grande capacité de calcul. Le SCR étant lié au Best Estimate of Liabilities noté également BEL, nous choisissons de calibrer un modèle de machine learning qui apprend le BEL à partir de variables de pilotage à l’actif et au passif. Il s’agit des variables pilotées et celles étudiées dans le but d’atteindre l’objectif d’un business plan. La base de données utilisée a été générée par itération automatique du modèle existant en modifiant les paramètres d’entrée à chaque run du modèle ALM initial. Un outil a été créé sur python dans le cadre de ce mémoire pour automatiser le processus et ainsi gagner du temps. Les modèles étudiés sont le K plus proches voisins et la Forêt aléatoire, deux modèles opérant par partitionnement d’espace. Il s’avère que la Forêt aléatoire offre des résultats plus satisfaisants que la méthode des K plus proches voisins. Nous appliquons par la suite nos méthodes pour l’estimation de SCR dans le cadre de l’ORSA. Pour cela, un business plan est établi, ce qui permet de projeter l’activité de l’entreprise sur l’horizon temporel de la stratégie, et à chaque pas de temps, une estimation du SCR peut-être établie grâce à cette projection et au machine learning.
Abstract
This paper focuses on the ability of a savings insurer to quickly evaluate its business according to a strategic plan or following a change in the structure of its portfolio on a prospective basis. The insurer's strategy will be evaluated through its solvency given by the Solvency Capital Requirement (SCR). Machine learning methods provide a quick solution to this type of stake thanks to their high calculation capacity. Since the SCR is linked to the Best Estimate of Liabilities (BEL), we choose to calibrate a machine learning model that learns the BEL from asset and liability control variables. These are the driven variables and those studied in order to reach the objective of a business plan. The database used was generated by automatic iteration of the existing ALM model by modifying the input parameters at each run. A tool was created on python for this thesis to automate the process and thus save time. The models studied are the K-nearest neighbors and the Random Forest, two models operating by space partitioning. It turns out that the Random Forest offers more satisfactory results than the K-nearest neighbor method. We then apply our methods to the estimation of SCR in the framework of ORSA. For this, a business plan is established, which allows to project the activity of the company on the time horizon of the strategy, and at each time step, an estimate of the SCR can be established thanks to this projection and to the machine learning
Mémoire complet
