Mémoires d'Actuariat
Risque de modèle : Analyse qualitative et sensibilité globale des modèles
Auteur(s) NDJENG NDJENG A.
Société BNP Paribas Cardif
Année 2022
Résumé
L'utilisation des modèles mathématiques comme instruments d'aide à la décision, est une pratique devenue incontournable dans l'univers des institutions financières. Ces modèles sont notamment utilisés dans le cadre des calculs prospectifs, la tarification et plus récemment déployés, les modèles d'intelligence artificielle qui accentuent la digitalisation et l'automatisation de nombreuses opérations jusque-là exécutées manuellement : détection de la fraude, acceptation des sinistres et réclamations etc. Au regard de leur rôle central de plus en plus affirmé, il devient essentiel de s'intéresser au risque inhérent à l'utilisation des modèles, ainsi que les dispositifs à implémenter visant à maîtriser ce risque au sein des organisations. Ce mémoire aborde cette problématique sous un double axe qualitatif à travers une présentation modulaire du risque de modèle focalisant sur le cycle de vie des modèles, et un axe quantitatif fondé sur des analyses de sensibilité. Ces travaux s'étendent également aux processus modulaires de mise en œuvre et de validation des modèles : conception des fonctionnalités, implémentation, qualité des données, interprétation des résultats et production des rapports. En plus de procéder à une revue détaillée des modules du risque de modèle, ce mémoire propose une analyse des dispositifs mis en place pour sa maîtrise. L'approche quantitative est abordée à travers l'implémentation de mesures d’importance et de sensibilité classiques utilisant les indices de Sobol, ainsi que des récentes mesures de sensibilité qui se fondent sur des chocs inverses de modèles. Ces méthodes quantitatives ont été évaluées sur un modèle ALM simplifié pour un contrat d'épargne mono support euro, à partir duquel un modèle Proxy a été décliné sous la forme d'un polynôme. Cette analyse a permis enfin de déterminer les entrées qui constituent les principaux drivers du risque sur le résultat du modèle.
Abstract
The use of mathematical models as decision-making aids has become a common practice within financial institutions. These models are used in particular in the context of prospective calculations, pricing and more recently, artificial intelligence models which accentuate the digitization and automation of many processes previously performed manually: fraud detection, claims management etc. With regard to their increasingly central role, assessing the inherent risk of models has become a key process, as well as the mitigation framework to be implemented aiming at controlling this risk within companies. This work addresses this issue under both a qualitative axis through a modular presentation of model risk focusing on the models life cycle, and a quantitative axis based on sensitivity analyzes. This work also extends to modular model implementation and validation processes: design of functionalities, implementation, data quality, interpretation of results and reporting. In addition to carrying out a detailed review of the model risk modules, this work extends to an analysis of the model risk mitigation framework. The quantitative approach is based the implementation of classical importance and sensitivity measures such as Sobol indices, as well as recent sensitivity measures which are founded on model reverse stress. These quantitative methods were evaluated using a simplified ALM model, that was implemented for a Euro savings contract, from which a Proxy model was developed in the form of a polynomial. This analysis allows to determine the inputs of the model which constitute the main risk drivers on the results of the model.
Mémoire complet
Auteur(s) NDJENG NDJENG A.
Société BNP Paribas Cardif
Année 2022
Résumé
L'utilisation des modèles mathématiques comme instruments d'aide à la décision, est une pratique devenue incontournable dans l'univers des institutions financières. Ces modèles sont notamment utilisés dans le cadre des calculs prospectifs, la tarification et plus récemment déployés, les modèles d'intelligence artificielle qui accentuent la digitalisation et l'automatisation de nombreuses opérations jusque-là exécutées manuellement : détection de la fraude, acceptation des sinistres et réclamations etc. Au regard de leur rôle central de plus en plus affirmé, il devient essentiel de s'intéresser au risque inhérent à l'utilisation des modèles, ainsi que les dispositifs à implémenter visant à maîtriser ce risque au sein des organisations. Ce mémoire aborde cette problématique sous un double axe qualitatif à travers une présentation modulaire du risque de modèle focalisant sur le cycle de vie des modèles, et un axe quantitatif fondé sur des analyses de sensibilité. Ces travaux s'étendent également aux processus modulaires de mise en œuvre et de validation des modèles : conception des fonctionnalités, implémentation, qualité des données, interprétation des résultats et production des rapports. En plus de procéder à une revue détaillée des modules du risque de modèle, ce mémoire propose une analyse des dispositifs mis en place pour sa maîtrise. L'approche quantitative est abordée à travers l'implémentation de mesures d’importance et de sensibilité classiques utilisant les indices de Sobol, ainsi que des récentes mesures de sensibilité qui se fondent sur des chocs inverses de modèles. Ces méthodes quantitatives ont été évaluées sur un modèle ALM simplifié pour un contrat d'épargne mono support euro, à partir duquel un modèle Proxy a été décliné sous la forme d'un polynôme. Cette analyse a permis enfin de déterminer les entrées qui constituent les principaux drivers du risque sur le résultat du modèle.
Abstract
The use of mathematical models as decision-making aids has become a common practice within financial institutions. These models are used in particular in the context of prospective calculations, pricing and more recently, artificial intelligence models which accentuate the digitization and automation of many processes previously performed manually: fraud detection, claims management etc. With regard to their increasingly central role, assessing the inherent risk of models has become a key process, as well as the mitigation framework to be implemented aiming at controlling this risk within companies. This work addresses this issue under both a qualitative axis through a modular presentation of model risk focusing on the models life cycle, and a quantitative axis based on sensitivity analyzes. This work also extends to modular model implementation and validation processes: design of functionalities, implementation, data quality, interpretation of results and reporting. In addition to carrying out a detailed review of the model risk modules, this work extends to an analysis of the model risk mitigation framework. The quantitative approach is based the implementation of classical importance and sensitivity measures such as Sobol indices, as well as recent sensitivity measures which are founded on model reverse stress. These quantitative methods were evaluated using a simplified ALM model, that was implemented for a Euro savings contract, from which a Proxy model was developed in the form of a polynomial. This analysis allows to determine the inputs of the model which constitute the main risk drivers on the results of the model.
Mémoire complet
