Mémoires d'Actuariat
Application des algorithmes de machine learning pour la réduction des écarts actuariels d'expérience
Auteur(s) DJIMENE TSOTSOP S.
Société Allianz IARD
Année 2022
Résumé
La contrainte principale des compagnies d’assurance est de respecter leurs engagements vis-à-vis des assurés. Les nouveaux référentiels comptables prudentiels obligent les acteurs du secteur d’assurance à développer des modèles mathématiques dits modèles actuariels pour valoriser les risques futurs inhérents à leur activité. Toutefois, il découle de ces modèles, des écarts d'expérience entre les comportements modélisés et réels des assurés ; ce qui pourrait mettre en péril l’équilibre financier de l’assureur. Afin de réduire les écarts d'expérience sur les provisions, une analyse est effectuée sur 288 produits entre 2017 et 2020. Il en découle que les rachats totaux et partiels contribuent majoritairement aux écarts observés sur les Provisions. Ainsi sur ce poste, des groupes homogènes de produits sont construits afin de calibrer des taux de chocs sur les lois de rachats totaux, de manière à augmenter les rachats si le modèle les sous-estime et vice-versa. Cette approche permet de réduire de manière significative les écarts d'expérience sur les rachats et par conséquent sur les provisions. Afin de proposer une approche Machine Learning pour la calibration de nouvelles lois de rachats totaux, deux produits sur lesquels les écarts d'expérience sont les plus importants sont retenus. Sur ces produits, les lois de rachats en nombre et en montant sont calibrées par réseau de distribution en utilisant les caractéristiques des assurés et des contrats sur la période de 2015 à 2021. Nos modèles de régression pénalisés et de Machine Learning révèlent que l'ancienneté et l'encours sur le contrat sont les caractéristiques les plus importantes dans la prédiction des taux de rachats. Sur 2021, les lois prédites par nos modèles approchent mieux la réalité que celles du modèle interne, ce qui est confirmé par la réduction des écarts d'expérience sur les rachats et les provisions. Par ailleurs, l'approche d'apprentissage supervisée marche moins bien lorsque les lois de rachats sont calibrées suivant le volume d'encours sur les contrats. Une perspective de ce travail consisterait à analyser la contribution de la politique de participation aux bénéfices aux écarts d'expérience observés sur les provisions.
Abstract
The main constraint for insurance companies is to respect their commitments to policyholders. The new prudential accounting standards oblige the players in the insurance sector to develop mathematical models, known as actuarial models, to value the future risks inherent in their activity. However, these models result in differences in experience between the modelled and actual behaviour of policyholders, which could jeopardise the insurer's financial equilibrium. In order to reduce experience gaps on life insurance reserves, an analysis is carried out on 288 products between 2017 and 2020. It was found that total and partial lapses contribute the most to the gaps observed in reserves. Thus, for this item, homogeneous groups of products are constructed in order to calibrate shock rates on total lapses laws, so as to increase lapses if the model underestimates them and vice versa. This approach significantly reduces the experience gap on lapses and consequently on life insurance reserves. In order to propose a Machine Learning approach for the calibration of new total lapses laws, two products with the largest experience gaps are selected. On these products, the total lapses laws in number and amount are calibrated by distribution network using the characteristics of the policyholders and the contracts over the period from 2015 to 2021. Our penalized regression and Machine Learning models reveal that policyholder seniority and policyholder outstandings are the most important characteristics in predicting lapses rates. For the year 2021, the laws predicted by our models are closer to reality than those of the internal model, which is confirmed by the reduction of the experience gaps on Lapses and therefore reserves. Moreover, the supervised learning approach works less well when the lapses laws are calibrated depending on the volume of outstanding contracts. One perspective of this work would be to analyze the contribution of the profit-sharing policy to the experience gaps observed on the reserves.
Mémoire complet
Auteur(s) DJIMENE TSOTSOP S.
Société Allianz IARD
Année 2022
Résumé
La contrainte principale des compagnies d’assurance est de respecter leurs engagements vis-à-vis des assurés. Les nouveaux référentiels comptables prudentiels obligent les acteurs du secteur d’assurance à développer des modèles mathématiques dits modèles actuariels pour valoriser les risques futurs inhérents à leur activité. Toutefois, il découle de ces modèles, des écarts d'expérience entre les comportements modélisés et réels des assurés ; ce qui pourrait mettre en péril l’équilibre financier de l’assureur. Afin de réduire les écarts d'expérience sur les provisions, une analyse est effectuée sur 288 produits entre 2017 et 2020. Il en découle que les rachats totaux et partiels contribuent majoritairement aux écarts observés sur les Provisions. Ainsi sur ce poste, des groupes homogènes de produits sont construits afin de calibrer des taux de chocs sur les lois de rachats totaux, de manière à augmenter les rachats si le modèle les sous-estime et vice-versa. Cette approche permet de réduire de manière significative les écarts d'expérience sur les rachats et par conséquent sur les provisions. Afin de proposer une approche Machine Learning pour la calibration de nouvelles lois de rachats totaux, deux produits sur lesquels les écarts d'expérience sont les plus importants sont retenus. Sur ces produits, les lois de rachats en nombre et en montant sont calibrées par réseau de distribution en utilisant les caractéristiques des assurés et des contrats sur la période de 2015 à 2021. Nos modèles de régression pénalisés et de Machine Learning révèlent que l'ancienneté et l'encours sur le contrat sont les caractéristiques les plus importantes dans la prédiction des taux de rachats. Sur 2021, les lois prédites par nos modèles approchent mieux la réalité que celles du modèle interne, ce qui est confirmé par la réduction des écarts d'expérience sur les rachats et les provisions. Par ailleurs, l'approche d'apprentissage supervisée marche moins bien lorsque les lois de rachats sont calibrées suivant le volume d'encours sur les contrats. Une perspective de ce travail consisterait à analyser la contribution de la politique de participation aux bénéfices aux écarts d'expérience observés sur les provisions.
Abstract
The main constraint for insurance companies is to respect their commitments to policyholders. The new prudential accounting standards oblige the players in the insurance sector to develop mathematical models, known as actuarial models, to value the future risks inherent in their activity. However, these models result in differences in experience between the modelled and actual behaviour of policyholders, which could jeopardise the insurer's financial equilibrium. In order to reduce experience gaps on life insurance reserves, an analysis is carried out on 288 products between 2017 and 2020. It was found that total and partial lapses contribute the most to the gaps observed in reserves. Thus, for this item, homogeneous groups of products are constructed in order to calibrate shock rates on total lapses laws, so as to increase lapses if the model underestimates them and vice versa. This approach significantly reduces the experience gap on lapses and consequently on life insurance reserves. In order to propose a Machine Learning approach for the calibration of new total lapses laws, two products with the largest experience gaps are selected. On these products, the total lapses laws in number and amount are calibrated by distribution network using the characteristics of the policyholders and the contracts over the period from 2015 to 2021. Our penalized regression and Machine Learning models reveal that policyholder seniority and policyholder outstandings are the most important characteristics in predicting lapses rates. For the year 2021, the laws predicted by our models are closer to reality than those of the internal model, which is confirmed by the reduction of the experience gaps on Lapses and therefore reserves. Moreover, the supervised learning approach works less well when the lapses laws are calibrated depending on the volume of outstanding contracts. One perspective of this work would be to analyze the contribution of the profit-sharing policy to the experience gaps observed on the reserves.
Mémoire complet
