Mémoires d'Actuariat
Construction de proxies pour la participation aux bénéfices discrétionnaire d’un portefeuille Obsèques
Auteur(s) NDOYE A. T.
Société Malakoff Humanis
Année 2025
Confidentiel jusqu'au 24/06/2027
Résumé
Dans le cadre de la gestion d’un portefeuille obsèques, les compagnies d’assurance doivent faire face à la complexité de la modélisation de la participation aux bénéfices sur le long terme. La durée élevée de ces contrats, souvent de plusieurs décennies, expose les assureurs à des incertitudes économiques et réglementaires, rendant l’estimation des bénéfices futurs délicate. Ce mémoire se concentre sur l’estimation de la Future Discretionary Benefit (FDB), élément essentiel de la participation aux bénéfices. Une estimation fiable de la FDB est primordiale pour garantir la solvabilité et le respect des engagements futurs. L’étude propose une comparaison entre une approche statistique classique et des méthodes de machine learning afin de déterminer la plus performante en termes de précision et de rapidité de calcul. Après une présentation de la directive Solvabilité II et du modèle ALM, l’algorithme de participation aux bénéfices est analysé pour identifier les variables pertinentes. La régression linéaire est utilisée comme modèle statistique de référence, tandis que les réseaux de neurones et la méthode SVM sont explorés comme alternatives d’apprentissage automatique. Enfin, l’impact des estimations obtenues sur les sous-modules du SCR et sur le SCR global est évalué. Les résultats permettent d’identifier la méthode la plus adaptée pour améliorer la gestion du risque et la performance actuarielle des portefeuilles obsèques.
Abstract
In managing funeral insurance portfolios, insurance companies face significant challenges in modeling profit participation over extended periods. The long duration of such contracts exposes insurers to economic volatility and regulatory changes, complicating the prediction of future profits. This thesis focuses on estimating the Future Discretionary Benefit (FDB), a key component of profit participation. Accurate estimation of the FDB is essential to ensure solvency and the fulfillment of long-term commitments. The study compares a classical statistical approach with machine learning models to identify which method achieves better accuracy while optimizing computation time. After introducing the Solvency II directive and the ALM framework, the profit participation algorithm is analyzed to extract key predictive variables. Linear regression serves as the statistical benchmark, while neural networks and the SVM model are investigated as machine learning alternatives. The research further assesses how these results affect the SCR sub-modules and the overall SCR. The findings highlight the most effective modeling technique for improving risk management and actuarial performance in funeral insurance portfolios.
Auteur(s) NDOYE A. T.
Société Malakoff Humanis
Année 2025
Confidentiel jusqu'au 24/06/2027
Résumé
Dans le cadre de la gestion d’un portefeuille obsèques, les compagnies d’assurance doivent faire face à la complexité de la modélisation de la participation aux bénéfices sur le long terme. La durée élevée de ces contrats, souvent de plusieurs décennies, expose les assureurs à des incertitudes économiques et réglementaires, rendant l’estimation des bénéfices futurs délicate. Ce mémoire se concentre sur l’estimation de la Future Discretionary Benefit (FDB), élément essentiel de la participation aux bénéfices. Une estimation fiable de la FDB est primordiale pour garantir la solvabilité et le respect des engagements futurs. L’étude propose une comparaison entre une approche statistique classique et des méthodes de machine learning afin de déterminer la plus performante en termes de précision et de rapidité de calcul. Après une présentation de la directive Solvabilité II et du modèle ALM, l’algorithme de participation aux bénéfices est analysé pour identifier les variables pertinentes. La régression linéaire est utilisée comme modèle statistique de référence, tandis que les réseaux de neurones et la méthode SVM sont explorés comme alternatives d’apprentissage automatique. Enfin, l’impact des estimations obtenues sur les sous-modules du SCR et sur le SCR global est évalué. Les résultats permettent d’identifier la méthode la plus adaptée pour améliorer la gestion du risque et la performance actuarielle des portefeuilles obsèques.
Abstract
In managing funeral insurance portfolios, insurance companies face significant challenges in modeling profit participation over extended periods. The long duration of such contracts exposes insurers to economic volatility and regulatory changes, complicating the prediction of future profits. This thesis focuses on estimating the Future Discretionary Benefit (FDB), a key component of profit participation. Accurate estimation of the FDB is essential to ensure solvency and the fulfillment of long-term commitments. The study compares a classical statistical approach with machine learning models to identify which method achieves better accuracy while optimizing computation time. After introducing the Solvency II directive and the ALM framework, the profit participation algorithm is analyzed to extract key predictive variables. Linear regression serves as the statistical benchmark, while neural networks and the SVM model are investigated as machine learning alternatives. The research further assesses how these results affect the SCR sub-modules and the overall SCR. The findings highlight the most effective modeling technique for improving risk management and actuarial performance in funeral insurance portfolios.
