Mémoires d'Actuariat
Optimisation du processus ALM par la mise en place de model points sur les données de passif en SII
Auteur(s) KONE Z. S.
Société GPM
Année 2023
Confidentiel jusqu'au 09/05/2025
Résumé
La règlementation Solvabilité II a entrainé de nombreuses mutations au sein des compagnies d’assurance. Elles poussent les assureurs vie à évaluer leurs engagements avec des modèles complexes pour déterminer des indicateurs comme le Best estimate en stochastique. Ces modèles bien que souvent très précis se heurtent au problème de stockage et de temps de calcul. Les assureurs ont ainsi recours à l’agrégation de donnée en groupe homogène appelé « Model Point ». Ainsi l’objectif de cette étude est de proposer des méthodes de construction robustes de model points. Cette robustesse passe par trois principaux objectifs la réduction de temps de calcul, optimisation du stockage et précision du modèle (optimiser la perte d’information) La plupart du temps l’agrégation se fait par statistiques comme la moyenne ou la moyenne pondérée sur des variables discriminantes préalablement choisies (âge, ancienneté…). Cette méthode dite « traditionnelle » bien que simple peut manquer d’efficacité lors des lancements de modèles. Dans ce mémoire, les approches supervisées (CART) et les approches non supervisées (CAH, Kmean) ont permis d’optimiser cette méthode. La validation des analyses est faite tant au niveau déterministe que stochastique.
Abstract
The Solvency II regulation has led to many changes within insurance companies. They push life insurers to evaluate their commitments with complex models to determine indicators such as the Best estimate in stochastics. Although often very precise, these models face the problem of storage and calculation time. Insurers use the homogeneous group data aggregation known as the Model Point. Thus, this study aims to propose robust construction methods of model points. This robustness is achieved through three main objectives: reduction of computational time, optimization of storage and model accuracy (optimization of information loss). Most of the time the aggregation is done by statistics such as the mean or weighted average on discriminating variables chosen beforehand (age, seniority, etc.). This so-called “traditional” but simple method may not be effective when launching models. In this brief, supervised approaches (CART) and unsupervised approaches (CAH, Kmean) have made it possible to optimize this method. Validation of analyses is done at both deterministic and stochastic level.
Auteur(s) KONE Z. S.
Société GPM
Année 2023
Confidentiel jusqu'au 09/05/2025
Résumé
La règlementation Solvabilité II a entrainé de nombreuses mutations au sein des compagnies d’assurance. Elles poussent les assureurs vie à évaluer leurs engagements avec des modèles complexes pour déterminer des indicateurs comme le Best estimate en stochastique. Ces modèles bien que souvent très précis se heurtent au problème de stockage et de temps de calcul. Les assureurs ont ainsi recours à l’agrégation de donnée en groupe homogène appelé « Model Point ». Ainsi l’objectif de cette étude est de proposer des méthodes de construction robustes de model points. Cette robustesse passe par trois principaux objectifs la réduction de temps de calcul, optimisation du stockage et précision du modèle (optimiser la perte d’information) La plupart du temps l’agrégation se fait par statistiques comme la moyenne ou la moyenne pondérée sur des variables discriminantes préalablement choisies (âge, ancienneté…). Cette méthode dite « traditionnelle » bien que simple peut manquer d’efficacité lors des lancements de modèles. Dans ce mémoire, les approches supervisées (CART) et les approches non supervisées (CAH, Kmean) ont permis d’optimiser cette méthode. La validation des analyses est faite tant au niveau déterministe que stochastique.
Abstract
The Solvency II regulation has led to many changes within insurance companies. They push life insurers to evaluate their commitments with complex models to determine indicators such as the Best estimate in stochastics. Although often very precise, these models face the problem of storage and calculation time. Insurers use the homogeneous group data aggregation known as the Model Point. Thus, this study aims to propose robust construction methods of model points. This robustness is achieved through three main objectives: reduction of computational time, optimization of storage and model accuracy (optimization of information loss). Most of the time the aggregation is done by statistics such as the mean or weighted average on discriminating variables chosen beforehand (age, seniority, etc.). This so-called “traditional” but simple method may not be effective when launching models. In this brief, supervised approaches (CART) and unsupervised approaches (CAH, Kmean) have made it possible to optimize this method. Validation of analyses is done at both deterministic and stochastic level.
