Mémoires d'Actuariat
Prédiction du SCR marché par machine learning et application aux tests de sensibilité
Auteur(s) ELBAZ A.
Société Deloitte Conseil
Année 2024
Résumé
Les assureurs ont un besoin constant d’évaluer leur sensibilité au risque. Plus précisément, dans le cas du risque de marché, il est essentiel de comprendre comment se comporterait son portefeuille d’actifs et comment serait impacté son rendement en cas de changement de l’environnement économique. L’interaction entre l’actif et le passif inhérente aux contrats d’assurance vie implique que ces impacts potentiels sur le portefeuille d’actifs entraînent des répercussions directes sur le taux servi et le comportement des assurés, et donc sur le bilan et la solvabilité de l’assureur. Ce dernier a donc intérêt à explorer un large éventail de sensibilités afin d’avoir la connaissance la plus exhaustive possible de ses expositions les plus critiques. Cependant, mener un grand nombre de ces tests de sensibilité peut s’avérer informatiquement coûteux et humainement laborieux. L’objectif de ce mémoire est de créer un outil capable de prédire avec une précision satisfaisante le SCR marché d’un assureur vie dans différents contextes économiques. Un tel outil permettrait à l’assureur d’explorer quasi-instantanément un ensemble complet de scénarios, pouvant croiser des chocs affectant simultanément différentes parts du portefeuille. Pour y parvenir, nous nous servirons du modèle ALM pour générer une base de données puis d’un modèle d’apprentissage supervisé pour pouvoir prédire le SCR marché à partir des variables économiques retenues.
Abstract
Insurers have a constant need to assess their risk sensitivity. Specifically, in the case of market risk, it is essential to understand how their portfolio of assets would behave and how its performance would be impacted by changes in the economic environment. The interaction between assets and liabilities inherent in life insurance contracts implies that these potential impacts on the asset portfolio have direct repercussions on the distributed rate, the behavior of policyholders, and therefore on the insurer's balance sheet and solvency. Therefore, it is in the insurer's interest to explore a wide range of sensitivities to have a comprehensive understanding of its most critical exposures. However, conducting a large number of these sensitivity tests can be computationally expensive and laborious. The aim of this paper is to create a tool capable of predicting an insurer's market Solvency Capital Requirement (SCR) with satisfactory accuracy in different economic contexts. Such a tool would allow the insurer to quasi-instantaneously explore a complete set of scenarios, potentially crossing shocks affecting different parts of the portfolio simultaneously. To achieve this, we will use the Asset and Liability Management model to generate a database and then utilize a supervised learning model to predict the market SCR based on selected economic variables.
Mémoire complet
Auteur(s) ELBAZ A.
Société Deloitte Conseil
Année 2024
Résumé
Les assureurs ont un besoin constant d’évaluer leur sensibilité au risque. Plus précisément, dans le cas du risque de marché, il est essentiel de comprendre comment se comporterait son portefeuille d’actifs et comment serait impacté son rendement en cas de changement de l’environnement économique. L’interaction entre l’actif et le passif inhérente aux contrats d’assurance vie implique que ces impacts potentiels sur le portefeuille d’actifs entraînent des répercussions directes sur le taux servi et le comportement des assurés, et donc sur le bilan et la solvabilité de l’assureur. Ce dernier a donc intérêt à explorer un large éventail de sensibilités afin d’avoir la connaissance la plus exhaustive possible de ses expositions les plus critiques. Cependant, mener un grand nombre de ces tests de sensibilité peut s’avérer informatiquement coûteux et humainement laborieux. L’objectif de ce mémoire est de créer un outil capable de prédire avec une précision satisfaisante le SCR marché d’un assureur vie dans différents contextes économiques. Un tel outil permettrait à l’assureur d’explorer quasi-instantanément un ensemble complet de scénarios, pouvant croiser des chocs affectant simultanément différentes parts du portefeuille. Pour y parvenir, nous nous servirons du modèle ALM pour générer une base de données puis d’un modèle d’apprentissage supervisé pour pouvoir prédire le SCR marché à partir des variables économiques retenues.
Abstract
Insurers have a constant need to assess their risk sensitivity. Specifically, in the case of market risk, it is essential to understand how their portfolio of assets would behave and how its performance would be impacted by changes in the economic environment. The interaction between assets and liabilities inherent in life insurance contracts implies that these potential impacts on the asset portfolio have direct repercussions on the distributed rate, the behavior of policyholders, and therefore on the insurer's balance sheet and solvency. Therefore, it is in the insurer's interest to explore a wide range of sensitivities to have a comprehensive understanding of its most critical exposures. However, conducting a large number of these sensitivity tests can be computationally expensive and laborious. The aim of this paper is to create a tool capable of predicting an insurer's market Solvency Capital Requirement (SCR) with satisfactory accuracy in different economic contexts. Such a tool would allow the insurer to quasi-instantaneously explore a complete set of scenarios, potentially crossing shocks affecting different parts of the portfolio simultaneously. To achieve this, we will use the Asset and Liability Management model to generate a database and then utilize a supervised learning model to predict the market SCR based on selected economic variables.
Mémoire complet
