Mémoires d'Actuariat
Implementation of Machine Learning techniques to estimate the impact of a change in the future management of asset allocation on the Solvency II Own Funds.
Auteur(s) SABATHIE M.
Société Fixage
Année 2021
Résumé
Notre point de départ est le modèle actif-passif stochastique d’un assureur. Ce modèle, nommé ALIM, est lourd : il nécessite une heure pour calculer le ratio de Solvabilité Fonds Propres SII /SCR dans un an, pour une allocation d’actif donnée. Nous avons testé quatre algorithmes de Machine Learning et avons mesuré leurs efficacités à retrouver les fonds propres SII calculés par le modèle ALIM. Nous avons sélectionné celui qui était le plus proche en terme de résultats. L’algorithme sélectionné réplique le modèle ALIM à l’aide du Machine Learning afin d’obtenir un résultat rapide (cinq secondes) ce qui représente un gain de temps important. Nous avons recommencé la procédure pour différentes allocations d’actifs. Nous avons alors pu déterminer les allocations d’actifs efficientes par rapport au critère de rentabilité de l’assureur (l’accroissement des fonds propres) et à son critère de risque (l’accroissement du SCR). L’algorithme de Machine Learning n’a pas pour but de remplacer complètement le modèle ALIM mais de présélectionner les allocations cibles qui seront ensuite testées dans le modèle ALIM. Tout cela dans le but d’augmenter l’efficience du processus de sélection.
Abstract
Our starting point is the stochastic asset-liability model of an insurer. This model, called ALIM, is time-consuming: it requires an hour to calculate the solvency ratio Solvency II Own Funds / SCR in a year, for a given asset allocation. We tested four Machine Learning algorithms and measured their efficiency to estimate the Own Funds calculated by the model ALIM. We selected the one that was the closest in terms of results. The selected algorithm replicates the model ALIM using machine learning in order to obtain a fast result (five seconds) which allows significant time saving. We restarted the procedure for different asset allocations. We were then able to determine the efficient asset allocations according to the insurer’s profitability criterion (increase in the Own Funds) and its risk criterion (increase in the SCR). The aim of the Machine Learning algorithm is not to completely replace the ALIM model but to preselect the strategic asset allocations which will then be tested in the ALIM model. All this with the aim of increasing the efficiency of the selection process.
Mémoire complet
Auteur(s) SABATHIE M.
Société Fixage
Année 2021
Résumé
Notre point de départ est le modèle actif-passif stochastique d’un assureur. Ce modèle, nommé ALIM, est lourd : il nécessite une heure pour calculer le ratio de Solvabilité Fonds Propres SII /SCR dans un an, pour une allocation d’actif donnée. Nous avons testé quatre algorithmes de Machine Learning et avons mesuré leurs efficacités à retrouver les fonds propres SII calculés par le modèle ALIM. Nous avons sélectionné celui qui était le plus proche en terme de résultats. L’algorithme sélectionné réplique le modèle ALIM à l’aide du Machine Learning afin d’obtenir un résultat rapide (cinq secondes) ce qui représente un gain de temps important. Nous avons recommencé la procédure pour différentes allocations d’actifs. Nous avons alors pu déterminer les allocations d’actifs efficientes par rapport au critère de rentabilité de l’assureur (l’accroissement des fonds propres) et à son critère de risque (l’accroissement du SCR). L’algorithme de Machine Learning n’a pas pour but de remplacer complètement le modèle ALIM mais de présélectionner les allocations cibles qui seront ensuite testées dans le modèle ALIM. Tout cela dans le but d’augmenter l’efficience du processus de sélection.
Abstract
Our starting point is the stochastic asset-liability model of an insurer. This model, called ALIM, is time-consuming: it requires an hour to calculate the solvency ratio Solvency II Own Funds / SCR in a year, for a given asset allocation. We tested four Machine Learning algorithms and measured their efficiency to estimate the Own Funds calculated by the model ALIM. We selected the one that was the closest in terms of results. The selected algorithm replicates the model ALIM using machine learning in order to obtain a fast result (five seconds) which allows significant time saving. We restarted the procedure for different asset allocations. We were then able to determine the efficient asset allocations according to the insurer’s profitability criterion (increase in the Own Funds) and its risk criterion (increase in the SCR). The aim of the Machine Learning algorithm is not to completely replace the ALIM model but to preselect the strategic asset allocations which will then be tested in the ALIM model. All this with the aim of increasing the efficiency of the selection process.
Mémoire complet
