Mémoires d'Actuariat
Elaboration d'un proxy Machine Learning du BEL à partir de sa sensibilité aux aléas du marché
Auteur(s) BEN YOUSSEF G.
Société BNP Paribas Cardif
Année 2023
Résumé
Depuis l'entrée en vigueur le 1er janvier 2016 de la directive Solvabilité II, les assureurs ont, une fois de plus, du faire preuve d'adaptabilité face à la nouvelle réforme. Depuis, de nouvelles problématiques émergent dont le besoin d'efficience quant aux calculs des indicateurs de reporting de la réglementation. Le BEL ou Best Estimate Liabilities est un indicateur estimant les engagements probables de l'assureur. Son calcul se fait grâce au modèle ALM de BNP Paribas Cardif. Cependant, ce processus est coûteux en temps et l'évaluation plus fréquente du BEL peut s'avérer utile pour l'assureur tant pour la prise de décision que pour se projeter et évaluer sa solvabilité (capacité à faire face à ses engagements). L'objectif de ce mémoire est de produire un proxy du BEL pour les contrats d'épargne fonds Euro à partir des aléas du marché. Concrètement, l'étude évalue la sensibilité de l'indicateur face à la variation de diverses variables représentant la fluctuation du marché : la PMVL, la PPE et la courbe des taux. Des chocs simples, doubles et triples sont appliqués à ces variables à partir des données 2018, 2019 et 2020. Les résultats de ces chocs sont ensuite intègres comme inputs au modèle ALM afin de déterminer le BEL correspondant. Une base de données est, par la suite, constituée à partir des diverses valeurs d'inputs ainsi que d'autres variables non choquées et du BEL d'output. La base composée des données 2018 et 2019 est utilisée pour des fins d'apprentissage supervisé i.e. pour calibrer divers modèles de Machine Learning aux données. Finalement, le modèle présentant la meilleure performance est choisi et validé à travers, entre autres, un Backtesting sur les données 2020. Mots-clés : BEL, proxy, Solvabilité II, Machine Learning, épargne, fonds Euro, PMVL, PPE, courbe des taux.
Abstract
Since the entry into force on the 1st of January 2016 of the Solvency II directive, insurers have, once again, had to demonstrate their adaptability to the new reform. Ever since, new issues are emerging among which the need for efficiency in the calculation of regulatory reporting indicators. The BEL or Best Estimate Liabilities is an indicator estimating the probable liabilities of the insurer. It is calculated using the BNP Paribas Cardif ALM model. However, this process is time-consuming and the more frequent assessment of the BEL could come in handy for the insurer both for decision-making and for planning and assessing his solvency (ability to meet his commitments). The objective of this dissertation is to produce a proxy of the BEL for Euro fund savings contracts through market movements. Concretely, the study assesses the sensitivity of the indicator to the variation of various variables representing the fluctuation of the market: the PMVL, the PPE and the yield curve. Single, double and triple shocks are applied to these variables from 2018, 2019 and 2020 data. The results of these shocks are then integrated as input to the ALM model in order to determine the corresponding BEL. A database is then created from the various input values as well as other non-shocked variables and the output BEL. The database composed of 2018 and 2019 data is used for supervised learning purposes i.e. to calibrate various Machine Learning models to the data. Finally, the model with the best performance is chosen and validated through, among other things, Backtesting on 2020 data. Keywords : BEL, proxy, Solvability II, Machine Learning, savings, Euro fund, PMVL, PPE, yield curve.
Mémoire complet
Auteur(s) BEN YOUSSEF G.
Société BNP Paribas Cardif
Année 2023
Résumé
Depuis l'entrée en vigueur le 1er janvier 2016 de la directive Solvabilité II, les assureurs ont, une fois de plus, du faire preuve d'adaptabilité face à la nouvelle réforme. Depuis, de nouvelles problématiques émergent dont le besoin d'efficience quant aux calculs des indicateurs de reporting de la réglementation. Le BEL ou Best Estimate Liabilities est un indicateur estimant les engagements probables de l'assureur. Son calcul se fait grâce au modèle ALM de BNP Paribas Cardif. Cependant, ce processus est coûteux en temps et l'évaluation plus fréquente du BEL peut s'avérer utile pour l'assureur tant pour la prise de décision que pour se projeter et évaluer sa solvabilité (capacité à faire face à ses engagements). L'objectif de ce mémoire est de produire un proxy du BEL pour les contrats d'épargne fonds Euro à partir des aléas du marché. Concrètement, l'étude évalue la sensibilité de l'indicateur face à la variation de diverses variables représentant la fluctuation du marché : la PMVL, la PPE et la courbe des taux. Des chocs simples, doubles et triples sont appliqués à ces variables à partir des données 2018, 2019 et 2020. Les résultats de ces chocs sont ensuite intègres comme inputs au modèle ALM afin de déterminer le BEL correspondant. Une base de données est, par la suite, constituée à partir des diverses valeurs d'inputs ainsi que d'autres variables non choquées et du BEL d'output. La base composée des données 2018 et 2019 est utilisée pour des fins d'apprentissage supervisé i.e. pour calibrer divers modèles de Machine Learning aux données. Finalement, le modèle présentant la meilleure performance est choisi et validé à travers, entre autres, un Backtesting sur les données 2020. Mots-clés : BEL, proxy, Solvabilité II, Machine Learning, épargne, fonds Euro, PMVL, PPE, courbe des taux.
Abstract
Since the entry into force on the 1st of January 2016 of the Solvency II directive, insurers have, once again, had to demonstrate their adaptability to the new reform. Ever since, new issues are emerging among which the need for efficiency in the calculation of regulatory reporting indicators. The BEL or Best Estimate Liabilities is an indicator estimating the probable liabilities of the insurer. It is calculated using the BNP Paribas Cardif ALM model. However, this process is time-consuming and the more frequent assessment of the BEL could come in handy for the insurer both for decision-making and for planning and assessing his solvency (ability to meet his commitments). The objective of this dissertation is to produce a proxy of the BEL for Euro fund savings contracts through market movements. Concretely, the study assesses the sensitivity of the indicator to the variation of various variables representing the fluctuation of the market: the PMVL, the PPE and the yield curve. Single, double and triple shocks are applied to these variables from 2018, 2019 and 2020 data. The results of these shocks are then integrated as input to the ALM model in order to determine the corresponding BEL. A database is then created from the various input values as well as other non-shocked variables and the output BEL. The database composed of 2018 and 2019 data is used for supervised learning purposes i.e. to calibrate various Machine Learning models to the data. Finally, the model with the best performance is chosen and validated through, among other things, Backtesting on 2020 data. Keywords : BEL, proxy, Solvability II, Machine Learning, savings, Euro fund, PMVL, PPE, yield curve.
Mémoire complet
