Mémoires d'Actuariat

ORSA : Application de méthodes de machine learning dans le calcul de la solvabilité infra-annuelle
Auteur(s) CERISIER V.
Société Mazars
Année 2021

Résumé
L’ORSA est une étude qualitative et prospective que les assureurs européens, soumis à la directive Solvabilité II, sont supposés effectuer à chaque modification dans leur stratégie. Notre mémoire porte sur l’application d’une approche machine learning pour pallier les contraintes de temps et de puissance de calcul nécessaires à la projection du Best Estimate (BE) dans le cadre d’une étude de type ORSA. Le BE est calculé grâce au modèle ALM développé par Mazars, que nous analysons afin de sélectionner les variables financières et techniques permettant d’approximer le BE par un proxy machine learning. Nous faisons varier ces variables en entrée de l’outil ALM afin de générer notre base de données. S’ensuit l’étude machine learning, à l’issue de laquelle nous sélectionnons le modèle XGBoost, très performant. Le mémoire se conclut par des applications à des études de type ORSA. Une première application consiste à utiliser la méthode d’interprétabilité à posteriori de modèles "boîtes noires" appelée LIME. Elle permet de montrer que les prédictions du modèle XGBoost sont fiables et met en exergue le potentiel d’une telle méthode comme instrument de guidage de la stratégie de l’assureur. Notre seconde application consiste à projeter le BE de notre compagnie fictive sur 3 années. Nous définissons pour cela des scénarios "Monde Réel" permettant de faire évoluer dans le temps notre compagnie et nous comparons notre BE prédit au BE calculé par l’outil ALM. Nous montrons ainsi que notre approche permet un gain de temps très important, pour une erreur encourageante sur le scénario central. Concernant les scénarios COVID-19 plus adverses, l’erreur est plus grande. Nous pourrions améliorer les performances en complétant la base de données pour apporter plus de variabilité.

Abstract
ORSA is a qualitative and prospective study that European insurers, subject to the Solvency II directive, are supposed to conduct each time there is a change in their strategy. Our thesis deals with the application of a machine learning approach to overcome the time and computational power constraints necessary for the projection of the Best Estimate (BE) in the context of an ORSA type study. The BE is calculated using the ALM model developed by Mazars, which we analyze in order to select the financial and technical variables that allow the BE to be approximated by a machine learning proxy. We vary these variables as inputs to the ALM tool in order to generate our database. The machine learning study follows, at the end of which we select the XGBoost model, which is very efficient. The thesis concludes with applications to ORSA type studies. The first application consists in using the method of model-agnostic interpretability of "black box" models called LIME, which shows that the predictions of the XGBoost model are reliable and highlights the potential of such a method as an instrument for guiding the insurer's strategy. Our second application consists in projecting the BE of our fictitious company over 3 years. We define "Real World" scenarios allowing our company to evolve over time and we compare our predicted BE to the BE calculated by the ALM tool. We show that our approach allows a very important time saving, for an encouraging error on the central scenario. For the more adverse COVID-19 scenarios, the error is larger. We could improve the performance by completing the database to bring more variability.

Mémoire complet