Mémoires d'Actuariat
Apprentissage du modèle ALM pour un usage quotidien au service du management
Auteur(s) SOUMAHORO A.
Société Abeille assurances
Année 2024
Résumé
Depuis le 1er janvier 2016, la directive Solvabilité II oblige les compagnies d’assurance à évaluer leurs engagements financiers de manière précise, notamment en utilisant des indicateurs comme le « Capital de Solvabilité Requis » (SCR), le « Best Estimate » (BE) pour les engagements futurs, et la « Value of In Force » (VIF) pour les profits futurs. Pour répondre à ces exigences, les compagnies doivent créer des modèles de gestion des actifs et des passifs (ALM) pour estimer leur situation financière, évaluer leurs engagements et surtout mesurer leur niveau de solvabilité en effectuant des tests de sensibilité sur les indicateurs de solvabilité, notamment le Best Estimate, face à des scénarios adverses impliquant différents facteurs tels que les marchés financiers ou les comportements des assurés. Cependant, les calculs et les ressources nécessaires pour un modèle ALM rendent difficile la réalisation régulière de tests de sensibilité sur les indicateurs de Solvabilité II. Ce mémoire propose une méthode alternative basée sur une approche de l’apprentissage automatique pour effectuer ces tests de sensibilité de manière plus rapide et avec moins de ressources. L’étude se déroule en deux phases. La première phase se concentre sur la création d’un modèle Full ALM, inspiré du modèle de Flexing utilisé par l’entreprise. Cette étape implique la modélisation d’un portefeuille d’épargne, avec une simplification de certaines règles. Le but étant de construire le modèle d’apprentissage étape par étape, en mettant l’accent sur un périmètre spécifique. La seconde phase consiste à développer des modèles de machine learning qui, s’appuyant sur le modèle ALM conçu, permettent de réaliser rapidement différentes analyses de sensibilité. Dans un premier temps, une contextualisation de la problématique est réalisée. Elle débute par une introduction succincte d’Abeille Assurances, un leader dans le secteur français, suivie d’une description de son département actuariel qui héberge ces travaux. Ensuite, le cadre réglementaire de Solvabilité II est présenté, soulignant les enjeux liés à la solvabilité et à la gestion des risques pour les compagnies d’assurance. La deuxième partie décrit le processus de construction du modèle Full ALM. On commence par présenter la modélisation des variables économiques du Générateur de Scénarios Économiques (GSE) intégré au modèle. Ensuite, la technique du « flexing » pour l’équilibrage actif-passif est exposée, ouvrant la voie à l’élaboration complète du modèle Full ALM. Ce modèle est conçu pour projeter diverses variables du passif (provisions mathématiques, prestations telles que les rachats, décès, ainsi que les frais et les commissions) et de l’actif (obligations, actions, liquidités), ainsi que les éléments du compte de résultat (résultat financier, résultat technique, résultat net). Des modèles d’apprentissage automatique ont été élaborés, dans la troisième partie, pour reproduire avec précision le comportement du modèle ALM. D’abord, une approche basée sur le K-Means a été adoptée pour simplifier le portefeuille passif en le représentant sous forme de points modèles plus aisés à manipuler. Par la suite, un modèle XGBoost a été formé pour prédire l’impact des variables sur les indicateurs S2.
Abstract
Since 1st January 2016, the Solvency II Directive has required insurance companies to precisely evaluate their financial commitments, notably using indicators such as the “Solvency Capital Requirement” (SCR), the “Best Estimate” (BE) for future commitments, and the “Value of In Force” (VIF) for future profits. To meet these requirements, companies must create asset and liability management (ALM) models to assess their financial situation, evaluate their commitments, and particularly measure their solvency level by performing sensitivity tests on solvency indicators, especially the Best Estimate, against adverse scenarios involving various factors such as financial markets or the behaviour of policyholders. However, the calculations and resources necessary for an ALM model make regularly performing sensitivity tests on Solvency II indicators challenging. This thesis proposes an alternative method based on a machine learning approach to perform these sensitivity tests more quickly and with fewer resources. The study unfolds in two phases. The first phase focuses on creating a Full ALM model, inspired by the Flexing model used by the company. This step involves modelling a savings portfolio, with a simplification of certain rules. The goal is to build the learning model step by step, focusing on a specific scope. The second phase involves developing machine learning models that, based on the designed ALM model, allow for the rapid performance of various sensitivity analyses. Initially, a contextualization of the issue is provided. It begins with a brief introduction to Abeille Assurances, a leader in the French sector, followed by a description of its actuarial department that hosts these works. Then, the regulatory framework of Solvency II is presented, highlighting the challenges related to solvency and risk management for insurance companies. The second part describes the process of constructing the Full ALM model. It starts with the presentation of the modelling of economic variables from the Economic Scenario Generator (ESG) integrated into the model. Then, the “flexing” technique for asset-liability balancing is exposed, paving the way for the complete development of the Full ALM model. This model is designed to project various liability variables (mathematical provisions, benefits such as redemptions, deaths, as well as fees and commissions) and asset variables (bonds, stocks, cash), as well as the elements of the income statement (financial result, technical result, net result). Machine learning models were developed to accurately replicate the behaviour of the ALM model. Initially, a K-Means-based approach was adopted to simplify the passive portfolio by representing it in the form of more manageable model points. Subsequently, an XGBoost model was trained to predict the impact of variables on the S2 indicators.
Mémoire complet
Auteur(s) SOUMAHORO A.
Société Abeille assurances
Année 2024
Résumé
Depuis le 1er janvier 2016, la directive Solvabilité II oblige les compagnies d’assurance à évaluer leurs engagements financiers de manière précise, notamment en utilisant des indicateurs comme le « Capital de Solvabilité Requis » (SCR), le « Best Estimate » (BE) pour les engagements futurs, et la « Value of In Force » (VIF) pour les profits futurs. Pour répondre à ces exigences, les compagnies doivent créer des modèles de gestion des actifs et des passifs (ALM) pour estimer leur situation financière, évaluer leurs engagements et surtout mesurer leur niveau de solvabilité en effectuant des tests de sensibilité sur les indicateurs de solvabilité, notamment le Best Estimate, face à des scénarios adverses impliquant différents facteurs tels que les marchés financiers ou les comportements des assurés. Cependant, les calculs et les ressources nécessaires pour un modèle ALM rendent difficile la réalisation régulière de tests de sensibilité sur les indicateurs de Solvabilité II. Ce mémoire propose une méthode alternative basée sur une approche de l’apprentissage automatique pour effectuer ces tests de sensibilité de manière plus rapide et avec moins de ressources. L’étude se déroule en deux phases. La première phase se concentre sur la création d’un modèle Full ALM, inspiré du modèle de Flexing utilisé par l’entreprise. Cette étape implique la modélisation d’un portefeuille d’épargne, avec une simplification de certaines règles. Le but étant de construire le modèle d’apprentissage étape par étape, en mettant l’accent sur un périmètre spécifique. La seconde phase consiste à développer des modèles de machine learning qui, s’appuyant sur le modèle ALM conçu, permettent de réaliser rapidement différentes analyses de sensibilité. Dans un premier temps, une contextualisation de la problématique est réalisée. Elle débute par une introduction succincte d’Abeille Assurances, un leader dans le secteur français, suivie d’une description de son département actuariel qui héberge ces travaux. Ensuite, le cadre réglementaire de Solvabilité II est présenté, soulignant les enjeux liés à la solvabilité et à la gestion des risques pour les compagnies d’assurance. La deuxième partie décrit le processus de construction du modèle Full ALM. On commence par présenter la modélisation des variables économiques du Générateur de Scénarios Économiques (GSE) intégré au modèle. Ensuite, la technique du « flexing » pour l’équilibrage actif-passif est exposée, ouvrant la voie à l’élaboration complète du modèle Full ALM. Ce modèle est conçu pour projeter diverses variables du passif (provisions mathématiques, prestations telles que les rachats, décès, ainsi que les frais et les commissions) et de l’actif (obligations, actions, liquidités), ainsi que les éléments du compte de résultat (résultat financier, résultat technique, résultat net). Des modèles d’apprentissage automatique ont été élaborés, dans la troisième partie, pour reproduire avec précision le comportement du modèle ALM. D’abord, une approche basée sur le K-Means a été adoptée pour simplifier le portefeuille passif en le représentant sous forme de points modèles plus aisés à manipuler. Par la suite, un modèle XGBoost a été formé pour prédire l’impact des variables sur les indicateurs S2.
Abstract
Since 1st January 2016, the Solvency II Directive has required insurance companies to precisely evaluate their financial commitments, notably using indicators such as the “Solvency Capital Requirement” (SCR), the “Best Estimate” (BE) for future commitments, and the “Value of In Force” (VIF) for future profits. To meet these requirements, companies must create asset and liability management (ALM) models to assess their financial situation, evaluate their commitments, and particularly measure their solvency level by performing sensitivity tests on solvency indicators, especially the Best Estimate, against adverse scenarios involving various factors such as financial markets or the behaviour of policyholders. However, the calculations and resources necessary for an ALM model make regularly performing sensitivity tests on Solvency II indicators challenging. This thesis proposes an alternative method based on a machine learning approach to perform these sensitivity tests more quickly and with fewer resources. The study unfolds in two phases. The first phase focuses on creating a Full ALM model, inspired by the Flexing model used by the company. This step involves modelling a savings portfolio, with a simplification of certain rules. The goal is to build the learning model step by step, focusing on a specific scope. The second phase involves developing machine learning models that, based on the designed ALM model, allow for the rapid performance of various sensitivity analyses. Initially, a contextualization of the issue is provided. It begins with a brief introduction to Abeille Assurances, a leader in the French sector, followed by a description of its actuarial department that hosts these works. Then, the regulatory framework of Solvency II is presented, highlighting the challenges related to solvency and risk management for insurance companies. The second part describes the process of constructing the Full ALM model. It starts with the presentation of the modelling of economic variables from the Economic Scenario Generator (ESG) integrated into the model. Then, the “flexing” technique for asset-liability balancing is exposed, paving the way for the complete development of the Full ALM model. This model is designed to project various liability variables (mathematical provisions, benefits such as redemptions, deaths, as well as fees and commissions) and asset variables (bonds, stocks, cash), as well as the elements of the income statement (financial result, technical result, net result). Machine learning models were developed to accurately replicate the behaviour of the ALM model. Initially, a K-Means-based approach was adopted to simplify the passive portfolio by representing it in the form of more manageable model points. Subsequently, an XGBoost model was trained to predict the impact of variables on the S2 indicators.
Mémoire complet
