Mémoires d'Actuariat
Estimation de la FDB : mise en place d’un proxy sur la base d’indicateurs financiers
Auteur(s) BASCHUNG L.
Société Malakoff Humanis
Année 2023
Confidentiel jusqu'au 23/05/2024
Résumé
La directive Solvabilité II impose aux assureurs le calcul de leurs provisions techniques, notamment constitué par le Best Estimate. La détermination de ce dernier nécessite un modèle ALM, stochastique de par l’utilisation d’un générateur de scénarios économiques risque-neutre. L’une des raisons de cet usage est la participation aux bénéfices. Cette dernière est une partie du résultat financier reversée aux assurés, et comporte un minimum règlementaire. Compte tenu de toutes les projections et estimations qu’il effectue, le recours à ce type de modèle est chronophage. Le but de ce mémoire est de construire un modèle qui estimera la partie stochastique du Best Estimate. Diverses études pourront alors être menées suivant les différents contextes économiques, entraînant ainsi l’élaboration de stratégies de manières plus efficaces. On utilisera le Machine Learning, qui est une méthode de plus en plus développée dans ce domaine, afin de mettre en place ce proxy. Pour cela, une courte présentation de la solvabilité ainsi qu’une analyse du modèle ALM seront d’abord menées afin de comprendre qu’elles variables seront essentielles pour créer le proxy. La méthode utilisée sera un réseau de neurones, dont les paramètres seront optimisés. Ce modèle sera ensuite interprété́ par l’intermédiaire de différentes méthodes, pour enfin tester les impacts et limites de ce proxy sur certains sous-modules de SCR.
Abstract
The Solvency II Directive imposes to insurance companies the calculation of their technical provisions, especially composed by the Best Estimate. The latter determination requires an ALM model, which is stochastic through the use of a risk-neutral economic scenario generator. One of the reasons for this use is profit-sharing. It is the part of financial outcomes given to the policyholders, and includes a regulatory minimum. Using this type of model is time consuming, in view of all the projections it makes. The goal of this paper is to build a model which estimates the stochastic part of the Best Estimate. Various studies can be carried out according to the different economic environments, leading to an early strategy development. We will use machine learning, which is more and more developed in this field, to set up the proxy. For this purpose, a small Solvency II presentation along with the ALM model analysis will be broached in order to understand the primordial variables to create the proxy. The method used will be a neuronal network, with optimized factors. Thanks to several methods, it will afterward be interpreted, to finally test the limits and impacts on some under-units SCR.
Auteur(s) BASCHUNG L.
Société Malakoff Humanis
Année 2023
Confidentiel jusqu'au 23/05/2024
Résumé
La directive Solvabilité II impose aux assureurs le calcul de leurs provisions techniques, notamment constitué par le Best Estimate. La détermination de ce dernier nécessite un modèle ALM, stochastique de par l’utilisation d’un générateur de scénarios économiques risque-neutre. L’une des raisons de cet usage est la participation aux bénéfices. Cette dernière est une partie du résultat financier reversée aux assurés, et comporte un minimum règlementaire. Compte tenu de toutes les projections et estimations qu’il effectue, le recours à ce type de modèle est chronophage. Le but de ce mémoire est de construire un modèle qui estimera la partie stochastique du Best Estimate. Diverses études pourront alors être menées suivant les différents contextes économiques, entraînant ainsi l’élaboration de stratégies de manières plus efficaces. On utilisera le Machine Learning, qui est une méthode de plus en plus développée dans ce domaine, afin de mettre en place ce proxy. Pour cela, une courte présentation de la solvabilité ainsi qu’une analyse du modèle ALM seront d’abord menées afin de comprendre qu’elles variables seront essentielles pour créer le proxy. La méthode utilisée sera un réseau de neurones, dont les paramètres seront optimisés. Ce modèle sera ensuite interprété́ par l’intermédiaire de différentes méthodes, pour enfin tester les impacts et limites de ce proxy sur certains sous-modules de SCR.
Abstract
The Solvency II Directive imposes to insurance companies the calculation of their technical provisions, especially composed by the Best Estimate. The latter determination requires an ALM model, which is stochastic through the use of a risk-neutral economic scenario generator. One of the reasons for this use is profit-sharing. It is the part of financial outcomes given to the policyholders, and includes a regulatory minimum. Using this type of model is time consuming, in view of all the projections it makes. The goal of this paper is to build a model which estimates the stochastic part of the Best Estimate. Various studies can be carried out according to the different economic environments, leading to an early strategy development. We will use machine learning, which is more and more developed in this field, to set up the proxy. For this purpose, a small Solvency II presentation along with the ALM model analysis will be broached in order to understand the primordial variables to create the proxy. The method used will be a neuronal network, with optimized factors. Thanks to several methods, it will afterward be interpreted, to finally test the limits and impacts on some under-units SCR.
