Mémoires d'Actuariat

Modélisation des mouvements d’arbitrage sur un portefeuille épargne suite à une incitation à arbitrer
Auteur(s) MASSOUNGA MOUKAGNI L.
Société Generali France
Année 2021
Confidentiel jusqu'au 07/09/2023

Résumé
Face aux exigences réglementaires et au contexte financier actuels, les assureurs redoublent de vigilance quant à leur activité d’épargne. Pour une gestion optimale de leurs portefeuilles, ils doivent suivre l’évolution de la répartition de l’encours entre les différents supports. L’ordre du jour est de faire basculer progressivement les assurés sur les supports en unités de compte, plus avantageux pour l’assureur. C’est dans cette optique que Generali a lancé en 2018 et en 2019 deux campagnes d’arbitrage sur l’un de ses portefeuilles. Ces campagnes ont pour but d’inciter les clients à acter des mouvements d’arbitrage des fonds en euros vers les fonds en unités de compte. La présente étude propose la modélisation des mouvements d’arbitrage sur ce portefeuille à l’aide de modèles linéaires généralisés et de deux méthodes de machine learning : les arbres CART et les forêts aléatoires. Ensuite, dans la mesure où le pilotage de l’activité passe également par la connaissance client, il sera question de dégager les profils des assurés qui réalisent majoritairement des arbitrages des fonds en euros vers les fonds en unités de compte. Les profils des assurés mis en valeur pourront notamment servir d’indicateurs pour de futures actions commerciales plus ciblées.

Abstract
Considering the regulatory requirements and the economic context, insurers are more vigilant about their savings business lines. For optimal portfolio management, they must find ways to divert policyholders from euro funds. With this aim in mind, Generali conducted two switching periods in 2018 and 2019 on one of its business lines. The purpose of these switching campaigns was to encourage policyholders to make switch options from euro funds to other riskier supports. This thesis proposes the modelling of switching options on this business line using generalised linear models and two machine learning methods: CART trees and random forests. Then, as the management of the activity also requires policyholder knowledge, the profiles of the policyholders who mostly make switch options from the euro funds to to other riskier supports will be identified. The policyholder profiles highlighted could serve as indicators for more targeted marketing actions in the future.

Mémoire complet