Mémoires d'Actuariat
Modélisation des versements libres en Retraite individuelle dans un contexte IFRS 17
Auteur(s) DULAURANS M.
Société Generali France
Année 2022
Confidentiel jusqu'au 07/09/2024
Résumé
Ce mémoire porte sur la modélisation des versements libres en Retraite individuelle dans un contexte IFRS 17. Un versement libre est un versement qui peut être effectué à tout moment au cours de la vie du contrat contrairement aux primes uniques ou périodiques. Il est par nature aléatoire et donc complexe à modéliser. Or l’entrée en vigueur de la norme IFRS 17 change la définition de la frontière des contrats et rend obligatoire l’intégration de ces versements dans les projections des flux best estimate. Une première approche vise à construire des lois de versements libres par rapport à l’assiette de provisions mathématiques. L’idée a été de construire une modélisation simple des versements libres facilement implémentable dans les outils de projection de best estimate de Generali. Plus précisément, les taux sont obtenus en calculant le rapport entre les montants de versements libres et l’assiette de provisions mathématiques. Ces taux sont construits selon une maille d’agrégation qui a été établie grâce à une analyse descriptive des données. Cette approche permet de mesurer l’enjeu financier de l’intégration des versements libres dans l’estimation du best estimate. Ensuite, les lois construites seront intégrées dans les modèles sous Prophet et permettront de projeter les versements libres. Leur impact sera analysé dans le bilan et le compte de résultat en norme IFRS 17. Des indicateurs tels que le Best Estimate ou la PVFP seront ainsi observés. Pour compléter cette première approche, une modélisation plus fine des versements libres est mise en place afin de comprendre les facteurs prépondérants influençant le déclenchement d’un versement libre. Plusieurs méthodes de modélisation seront testées avec différents niveaux d’interprétabilité. Ce mémoire recourra également à l’utilisation de méthodes de data augmentation car les versements libres en retraite ont une fréquence assez faible ce qui rend leur modélisation difficile. Mots clefs : Retraite individuelle, IFRS 17, Frontière des contrats, Versements libres, Prévision, Machine Learning, Passifs du Bilan économique
Abstract
This essay deals with the modeling of future flexible premiums in individual retirement in an IFRS 17 context. A future flexible premium is a payment that can be made at any time during the life of the contract unlike single or periodic premiums. It is random by nature and therefore complex to predict. However, the coming into effect of IFRS 17 changes the definition of the contract boundary and makes it mandatory to include these payments in the best estimate flow projections. A first approach aims at building laws of future flexible premiums in relation to the base of mathematical reserves. The idea was to create a simple model of future flexible premiums that could be easily implemented in Generali’s best estimate projection tools. More precisely, the rates are obtained by calculating the ratio between the amounts of future flexible premiums and the mathematical reserves base. These rates are constructed according to an aggregation grid that has been established through a descriptive analysis of the data. This approach makes it possible to measure the financial impact of including future flexible premiums in the best estimate. Then, the laws built will be entered into the models in Prophet and will make it possible to forecast the future flexible premiums. Their impact will be analyzed in the balance sheet and the income statement under IFRS 17. Indicators such as the Best Estimate or the PVFP will be observed. To complete this first approach, a more complex modeling of the future flexible premiums is set up in order to understand the predominant factors influencing the triggering of a future flexible premium. Several modeling methods will be tested with different levels of interpretability. This essay will also use data augmentation methods because future flexible premiums in retirement have a relatively low frequency which makes their modeling difficult. Keywords: Individual Retirement, IFRS 17, Contract Boundary, future flexible premiums, Forecasting, Machine Learning, Economic Balance Sheet Liabilities
Auteur(s) DULAURANS M.
Société Generali France
Année 2022
Confidentiel jusqu'au 07/09/2024
Résumé
Ce mémoire porte sur la modélisation des versements libres en Retraite individuelle dans un contexte IFRS 17. Un versement libre est un versement qui peut être effectué à tout moment au cours de la vie du contrat contrairement aux primes uniques ou périodiques. Il est par nature aléatoire et donc complexe à modéliser. Or l’entrée en vigueur de la norme IFRS 17 change la définition de la frontière des contrats et rend obligatoire l’intégration de ces versements dans les projections des flux best estimate. Une première approche vise à construire des lois de versements libres par rapport à l’assiette de provisions mathématiques. L’idée a été de construire une modélisation simple des versements libres facilement implémentable dans les outils de projection de best estimate de Generali. Plus précisément, les taux sont obtenus en calculant le rapport entre les montants de versements libres et l’assiette de provisions mathématiques. Ces taux sont construits selon une maille d’agrégation qui a été établie grâce à une analyse descriptive des données. Cette approche permet de mesurer l’enjeu financier de l’intégration des versements libres dans l’estimation du best estimate. Ensuite, les lois construites seront intégrées dans les modèles sous Prophet et permettront de projeter les versements libres. Leur impact sera analysé dans le bilan et le compte de résultat en norme IFRS 17. Des indicateurs tels que le Best Estimate ou la PVFP seront ainsi observés. Pour compléter cette première approche, une modélisation plus fine des versements libres est mise en place afin de comprendre les facteurs prépondérants influençant le déclenchement d’un versement libre. Plusieurs méthodes de modélisation seront testées avec différents niveaux d’interprétabilité. Ce mémoire recourra également à l’utilisation de méthodes de data augmentation car les versements libres en retraite ont une fréquence assez faible ce qui rend leur modélisation difficile. Mots clefs : Retraite individuelle, IFRS 17, Frontière des contrats, Versements libres, Prévision, Machine Learning, Passifs du Bilan économique
Abstract
This essay deals with the modeling of future flexible premiums in individual retirement in an IFRS 17 context. A future flexible premium is a payment that can be made at any time during the life of the contract unlike single or periodic premiums. It is random by nature and therefore complex to predict. However, the coming into effect of IFRS 17 changes the definition of the contract boundary and makes it mandatory to include these payments in the best estimate flow projections. A first approach aims at building laws of future flexible premiums in relation to the base of mathematical reserves. The idea was to create a simple model of future flexible premiums that could be easily implemented in Generali’s best estimate projection tools. More precisely, the rates are obtained by calculating the ratio between the amounts of future flexible premiums and the mathematical reserves base. These rates are constructed according to an aggregation grid that has been established through a descriptive analysis of the data. This approach makes it possible to measure the financial impact of including future flexible premiums in the best estimate. Then, the laws built will be entered into the models in Prophet and will make it possible to forecast the future flexible premiums. Their impact will be analyzed in the balance sheet and the income statement under IFRS 17. Indicators such as the Best Estimate or the PVFP will be observed. To complete this first approach, a more complex modeling of the future flexible premiums is set up in order to understand the predominant factors influencing the triggering of a future flexible premium. Several modeling methods will be tested with different levels of interpretability. This essay will also use data augmentation methods because future flexible premiums in retirement have a relatively low frequency which makes their modeling difficult. Keywords: Individual Retirement, IFRS 17, Contract Boundary, future flexible premiums, Forecasting, Machine Learning, Economic Balance Sheet Liabilities
