Mémoires d'Actuariat
Evaluation des engagements en assurance vie à l'aide de méthodes de machine learning
Auteur(s) MEYER S.
Société Prim'Act
Année 2024
Résumé
L’objectif de ce mémoire est d’explorer des alternatives aux méthodes usuelles exhaustives utilisant successivement un générateur de scénarios économiques (GSE) et un modèle de gestion actif-passif (ALM) pour le calcul du Best Estimate of Liabilities (BEL) des contrats d’épargne en euros, en utilisant comme proxy des techniques de machine learning. Nous cherchons à modéliser non seulement la valeur du BEL, mais aussi la distribution de l’incertitude liée aux différents scénarii économiques autour de cet estimateur, ce qui constitue un enjeu central dans la gestion des risques pour les assureurs. Plusieurs modèles ont été testés, allant du GLM aux réseaux de neurones, en passant par des modèles comme le GAMLSS. Bien que les résultats obtenus soient globalement intéressants, ils ne performent pas significativement mieux que des modèles plus simples. Le réseau de neurones, malgré une plus grande flexibilité, ne permet pas d’obtenir une amélioration substantielle en termes de prédiction du BEL. La principale contribution de ce mémoire réside dans la démonstration de la faisabilité d’une modélisation de la distribution du BEL à travers une telle approche, tout en soulignant les défis inhérents à l’amélioration de la précision de tels modèles dans un cadre actuariel.
Abstract
The aim of this thesis is to explore alternatives to the use of economic scenario generator (ESG) and asset-liability management tools (ALM) for calculating the Best Estimate of Liabilities (BEL) of euro-denominated savings contracts, by using machine learning techniques as a proxy. We seek to model not only the BEL value but also the distribution of the uncertainty around this estimator induced by the different scenarios from the ESG, which is a key challenge in risk management for insurers. Several models were tested, ranging from GLM to neural networks, including models such as GAMLSS. While the results obtained are generally satisfactory, they do not significantly outperform simpler models like GLM. Neural networks, despite their greater flexibility, do not provide substantial improvement in terms of BEL prediction. The main contribution of this thesis is to demonstrate the feasibility of modeling the distribution of the BEL using machine learning methods, while highlighting the challenges inherent in improving the accuracy of these models in an actuarial context.
Mémoire complet
Auteur(s) MEYER S.
Société Prim'Act
Année 2024
Résumé
L’objectif de ce mémoire est d’explorer des alternatives aux méthodes usuelles exhaustives utilisant successivement un générateur de scénarios économiques (GSE) et un modèle de gestion actif-passif (ALM) pour le calcul du Best Estimate of Liabilities (BEL) des contrats d’épargne en euros, en utilisant comme proxy des techniques de machine learning. Nous cherchons à modéliser non seulement la valeur du BEL, mais aussi la distribution de l’incertitude liée aux différents scénarii économiques autour de cet estimateur, ce qui constitue un enjeu central dans la gestion des risques pour les assureurs. Plusieurs modèles ont été testés, allant du GLM aux réseaux de neurones, en passant par des modèles comme le GAMLSS. Bien que les résultats obtenus soient globalement intéressants, ils ne performent pas significativement mieux que des modèles plus simples. Le réseau de neurones, malgré une plus grande flexibilité, ne permet pas d’obtenir une amélioration substantielle en termes de prédiction du BEL. La principale contribution de ce mémoire réside dans la démonstration de la faisabilité d’une modélisation de la distribution du BEL à travers une telle approche, tout en soulignant les défis inhérents à l’amélioration de la précision de tels modèles dans un cadre actuariel.
Abstract
The aim of this thesis is to explore alternatives to the use of economic scenario generator (ESG) and asset-liability management tools (ALM) for calculating the Best Estimate of Liabilities (BEL) of euro-denominated savings contracts, by using machine learning techniques as a proxy. We seek to model not only the BEL value but also the distribution of the uncertainty around this estimator induced by the different scenarios from the ESG, which is a key challenge in risk management for insurers. Several models were tested, ranging from GLM to neural networks, including models such as GAMLSS. While the results obtained are generally satisfactory, they do not significantly outperform simpler models like GLM. Neural networks, despite their greater flexibility, do not provide substantial improvement in terms of BEL prediction. The main contribution of this thesis is to demonstrate the feasibility of modeling the distribution of the BEL using machine learning methods, while highlighting the challenges inherent in improving the accuracy of these models in an actuarial context.
Mémoire complet
