Mémoires d'Actuariat
Appréhension des rachats dynamiques liés aux hausses de taux d'intérêt : identification des populations à risque
Auteur(s) RENARD L.
Société Abeille Assurances
Année 2025
Confidentiel jusqu'au 22/05/2027
Résumé
Ce mémoire explore les risques de rachat en assurance vie dans un contexte marqué par des hausses successives (de 2022 à 2024). Ce contexte économique a notamment pour conséquence de bouleverser les rendements des produits d’assurance vie et exposent les assureurs à des incertitudes, avec un risque accru de rachats massifs. L’étude commence par souligner comment l’augmentation des taux affecte directement la performance des contrats d’assurance vie tout en rendant certains produits concurrents relativement plus attractifs, ce qui incite de nombreux assurés à envisager des rachats. L’analyse se poursuit avec l’étude du portefeuille d’assurance vie « non-AFER euro », illustrant concrètement l’impact de ces évolutions. Dans la recherche de solutions, nous évoquons plusieurs stratégies pour gérer les risques de rachat : la gestion d’actifs, l’ajustement de la participation aux bénéfices (PB) et la réassurance. L’identification des populations d’assurés les plus à risque est donc la solution pour ensuite appliquer à minima un des leviers mentionnés. Pour affiner cette identification, nous utilisons des modèles de Machine Learning comme le Random Forest, le KNN et le XGBoost afin de comprendre l’influence des variables dans la décision d’effectuer un rachat partiel ou un rachat total. Ensuite nous segmentons nos bases de rachat à l’aide de l’algorithme K-means en ne gardant que les critères pertinents et extrayant les classes avec le plus de dérive entre les années antérieurs à 2022 (supposées sans rachat conjoncturel) et les années 2023 et 2024 (1er semestre).
Abstract
This thesis explores the risks of life insurance lapses in a context marked by successive increases (from 2022 to 2024). One of the consequences of this economic context is that it disrupts the returns on life insurance products and exposes insurers to uncertainty, with an increased risk of massive lapses. The study begins by highlighting how the increase in rates directly affects the performance of life insurance contracts while making certain competing products relatively more attractive, prompting many policyholders to consider lapses. The analysis continues with a study of the ‘non-AFER euro’ life insurance portfolio, illustrating the impact of these developments in concrete terms. In the search for solutions, we discuss several strategies for managing lapse risks: asset management, profit sharing (PB) adjustment and reinsurance. Identifying the most at-risk policyholder populations is therefore the solution, so that at least one of the levers mentioned can then be applied. To refine this identification, we use machine learning models such as Random Forest, KNN and XGBoost to understand the influence of variables in the decision to make a partial or total lapse. We then segment our lapse databases using the K-means algorithm, retaining only the relevant criteria and extracting the classes with the greatest deviation between the years prior to 2022 (assumed to be without cyclical lapses) and the years 2023 and 2024 (first half).
Auteur(s) RENARD L.
Société Abeille Assurances
Année 2025
Confidentiel jusqu'au 22/05/2027
Résumé
Ce mémoire explore les risques de rachat en assurance vie dans un contexte marqué par des hausses successives (de 2022 à 2024). Ce contexte économique a notamment pour conséquence de bouleverser les rendements des produits d’assurance vie et exposent les assureurs à des incertitudes, avec un risque accru de rachats massifs. L’étude commence par souligner comment l’augmentation des taux affecte directement la performance des contrats d’assurance vie tout en rendant certains produits concurrents relativement plus attractifs, ce qui incite de nombreux assurés à envisager des rachats. L’analyse se poursuit avec l’étude du portefeuille d’assurance vie « non-AFER euro », illustrant concrètement l’impact de ces évolutions. Dans la recherche de solutions, nous évoquons plusieurs stratégies pour gérer les risques de rachat : la gestion d’actifs, l’ajustement de la participation aux bénéfices (PB) et la réassurance. L’identification des populations d’assurés les plus à risque est donc la solution pour ensuite appliquer à minima un des leviers mentionnés. Pour affiner cette identification, nous utilisons des modèles de Machine Learning comme le Random Forest, le KNN et le XGBoost afin de comprendre l’influence des variables dans la décision d’effectuer un rachat partiel ou un rachat total. Ensuite nous segmentons nos bases de rachat à l’aide de l’algorithme K-means en ne gardant que les critères pertinents et extrayant les classes avec le plus de dérive entre les années antérieurs à 2022 (supposées sans rachat conjoncturel) et les années 2023 et 2024 (1er semestre).
Abstract
This thesis explores the risks of life insurance lapses in a context marked by successive increases (from 2022 to 2024). One of the consequences of this economic context is that it disrupts the returns on life insurance products and exposes insurers to uncertainty, with an increased risk of massive lapses. The study begins by highlighting how the increase in rates directly affects the performance of life insurance contracts while making certain competing products relatively more attractive, prompting many policyholders to consider lapses. The analysis continues with a study of the ‘non-AFER euro’ life insurance portfolio, illustrating the impact of these developments in concrete terms. In the search for solutions, we discuss several strategies for managing lapse risks: asset management, profit sharing (PB) adjustment and reinsurance. Identifying the most at-risk policyholder populations is therefore the solution, so that at least one of the levers mentioned can then be applied. To refine this identification, we use machine learning models such as Random Forest, KNN and XGBoost to understand the influence of variables in the decision to make a partial or total lapse. We then segment our lapse databases using the K-means algorithm, retaining only the relevant criteria and extracting the classes with the greatest deviation between the years prior to 2022 (assumed to be without cyclical lapses) and the years 2023 and 2024 (first half).
