Mémoires d'Actuariat
Etude d’une approche de calcul semi-supervisé du SCR par des chocs multiwise
Auteur(s) FOTSO B.
Société Aviva
Année 2021
Confidentiel jusqu'au 14/09/2022
Résumé
Le but de ce mémoire est de construire un proxy prenant en compte la co-occurrence des risques assurantiels et de marché pour calculer le SCR sur un horizon de 1 an. L'enjeu principal est de sélectionner une base d'apprentissage qui puisse rendre compte de la relation entre les risques et leur impact sur les évolutions du bilan. Cette base d'apprentissage est composée d'un nombre restreint de scénarios probables. Ces scénarios sont représentés par des vecteurs dont chaque élément décrit l'évolution d'un risque donné, les risques représentés dans ces vecteurs sont les risques auxquels le portefeuille de Aviva est exposé. Ce proxy s'inscrit comme une alternative aux méthodes de Simulations Dans les Simulations et de Curve Fitting utilisées par Aviva mais qui sont coûteuses en temps d'exécution. Pour pallier ce problème, on se propose d'étudier deux approches de modélisation : - la régression linéaire pénalisée - la régression non paramétrique L'interprétabilité de la méthode de régression linéaire en fait communément la méthode utilisée par défaut, cependant, supposer une relation linéaire entre des facteurs de risques ou des combinaisons de facteurs de risques, représente ici une limite. Par ailleurs, la flexibilité ainsi que la performance des méthodes de régression non paramétrique (Extreme Gradient Boosting, Régression Multivariée par Spline Adaptative) nous poussent à privilégier ces dernières.
Abstract
The aim of this thesis is to build a proxy model able to learn from the co-occurence of life insurance and market risks to estimate the SCR on a 1-year-horizon. The issue at stake is to select a database who efficiently portrays the relationships between risks and their impact on the evolutions of the balance sheet. This database consists in a limited number of probable scenarios. These scenarios are represented by a vector of values, each of these values represent the evolution of a given risk who has an impact on Aviva's balance sheet. The proxy model is an alternative to time consuming methods, such as the "nested simulations" method and the Curve Fitting method implemented by Aviva. To tackle this issue, we consider two different modelling approaches: - Penalized regression - Non linear adaptative regression The interpretability of the linear regression method makes it a commonly used method, yet, assuming a linear relationship between risk factors and combination of risk factors is a limit. Nevertheless, the flexibility and the accuracy of the two non linear regression methods (Extreme Gradient Boosting, Multivariate Adaptive Regression Splines) make them adequate solution.
Mémoire complet
Auteur(s) FOTSO B.
Société Aviva
Année 2021
Confidentiel jusqu'au 14/09/2022
Résumé
Le but de ce mémoire est de construire un proxy prenant en compte la co-occurrence des risques assurantiels et de marché pour calculer le SCR sur un horizon de 1 an. L'enjeu principal est de sélectionner une base d'apprentissage qui puisse rendre compte de la relation entre les risques et leur impact sur les évolutions du bilan. Cette base d'apprentissage est composée d'un nombre restreint de scénarios probables. Ces scénarios sont représentés par des vecteurs dont chaque élément décrit l'évolution d'un risque donné, les risques représentés dans ces vecteurs sont les risques auxquels le portefeuille de Aviva est exposé. Ce proxy s'inscrit comme une alternative aux méthodes de Simulations Dans les Simulations et de Curve Fitting utilisées par Aviva mais qui sont coûteuses en temps d'exécution. Pour pallier ce problème, on se propose d'étudier deux approches de modélisation : - la régression linéaire pénalisée - la régression non paramétrique L'interprétabilité de la méthode de régression linéaire en fait communément la méthode utilisée par défaut, cependant, supposer une relation linéaire entre des facteurs de risques ou des combinaisons de facteurs de risques, représente ici une limite. Par ailleurs, la flexibilité ainsi que la performance des méthodes de régression non paramétrique (Extreme Gradient Boosting, Régression Multivariée par Spline Adaptative) nous poussent à privilégier ces dernières.
Abstract
The aim of this thesis is to build a proxy model able to learn from the co-occurence of life insurance and market risks to estimate the SCR on a 1-year-horizon. The issue at stake is to select a database who efficiently portrays the relationships between risks and their impact on the evolutions of the balance sheet. This database consists in a limited number of probable scenarios. These scenarios are represented by a vector of values, each of these values represent the evolution of a given risk who has an impact on Aviva's balance sheet. The proxy model is an alternative to time consuming methods, such as the "nested simulations" method and the Curve Fitting method implemented by Aviva. To tackle this issue, we consider two different modelling approaches: - Penalized regression - Non linear adaptative regression The interpretability of the linear regression method makes it a commonly used method, yet, assuming a linear relationship between risk factors and combination of risk factors is a limit. Nevertheless, the flexibility and the accuracy of the two non linear regression methods (Extreme Gradient Boosting, Multivariate Adaptive Regression Splines) make them adequate solution.
Mémoire complet
