Mémoires d'Actuariat
Modélisation et analyse d’un générateur de scénarios économiques non-paramétrique
Auteur(s) AUBERT-LASSARADE L.
Société Prim'Act
Année 2024
Résumé
La directive européenne Solvabilité II impose implicitement l'utilisation de générateurs de scénarios économiques (GSE) sous deux mesures de probabilité pour répondre à ses exigences. Une première étape consiste à évaluer la valeur de marché des actifs, suivie du calcul du Best Estimate avec un GSE sous probabilité risque-neutre. D'après le pilier 2 de la norme, les assureurs doivent mettre en place une évaluation et une gestion des risques, plus communément appelée ORSA (Own Risk Solvency Assessment). Pour se faire, l'assureur doit recourir à l'utilisation d'un GSE dit historique. De manière générale, les GSE utilisés par l'assureur proviennent de modèles de diffusions paramétriques, qui admettent souvent des limites quant à leur capacité à reproduire les évènements du passé. Dans ce mémoire, un modèle non paramétrique basé sur une méthode de Machine Learning, et plus particulièrement le réseau de neurones RVFL, sera introduit afin de construire un GSE historique. Une étude comparative sera menée, confrontant le modèle non-paramétrique à d'autres méthodes usuelles. Cette analyse vise à examiner les résultats afin de déterminer la valeur ajoutée du modèle RVFL mais également ses limites. Une méthode de risque-neutralisation sera proposée afin d'obtenir un GSE historique et risque-neutre issu d'un même et unique modèle. Cette approche garantirait alors une meilleure cohérence des calculs, puisque unique pour la valorisation et la projection. Plusieurs critères de risque-neutralisation seront testés et interprétés afin de vérifier la fiabilité des projections obtenues.A l'issu des travaux, le mémoire aura pour objectif de répondre à la question suivante : Quels sont les avantages et les limites de l'utilisation d'un générateur de scénarios économiques non-paramétrique ?
Abstract
The European Solvency II directive implicitly requires the use of economic scenario generators (ESG) under two probability measures to meet its requirements. The first step is to assess the market value of assets, followed by the calculation of the Best Estimate with a GSE under risk-neutral probability. According to Pillar 2 of the standard, insurers must implement a risk assessment and management system, more commonly known as ORSA (Own Risk Solvency Assessment). To do this, the insurer must use a historical GSE. Generally speaking, the GSEs used by insurers are derived from parametric diffusion models, which often admit limitations in their ability to reproduce past events. In this thesis, a non-parametric model based on a Machine Learning method, and more specifically the RVFL neural network, will be introduced to build a historical GSE. A comparative study will be carried out, comparing the non-parametric model with other common methods. The aim of this analysis is to examine the results to determine the added value of the RVFL model, as well as its limitations. A risk-neutralization method will be proposed to obtain a historical and risk-neutral GSE from a single model. This approach would then guarantee greater consistency in calculations, since it would be the same for both valuation and projection. Several risk-neutralization criteria will be tested and interpreted to verify the reliability of the projections obtained. At the end of the work, the thesis will aim to answer the following question: What are the advantages and limitations of using a non-parametric GSE?
Mémoire complet
Auteur(s) AUBERT-LASSARADE L.
Société Prim'Act
Année 2024
Résumé
La directive européenne Solvabilité II impose implicitement l'utilisation de générateurs de scénarios économiques (GSE) sous deux mesures de probabilité pour répondre à ses exigences. Une première étape consiste à évaluer la valeur de marché des actifs, suivie du calcul du Best Estimate avec un GSE sous probabilité risque-neutre. D'après le pilier 2 de la norme, les assureurs doivent mettre en place une évaluation et une gestion des risques, plus communément appelée ORSA (Own Risk Solvency Assessment). Pour se faire, l'assureur doit recourir à l'utilisation d'un GSE dit historique. De manière générale, les GSE utilisés par l'assureur proviennent de modèles de diffusions paramétriques, qui admettent souvent des limites quant à leur capacité à reproduire les évènements du passé. Dans ce mémoire, un modèle non paramétrique basé sur une méthode de Machine Learning, et plus particulièrement le réseau de neurones RVFL, sera introduit afin de construire un GSE historique. Une étude comparative sera menée, confrontant le modèle non-paramétrique à d'autres méthodes usuelles. Cette analyse vise à examiner les résultats afin de déterminer la valeur ajoutée du modèle RVFL mais également ses limites. Une méthode de risque-neutralisation sera proposée afin d'obtenir un GSE historique et risque-neutre issu d'un même et unique modèle. Cette approche garantirait alors une meilleure cohérence des calculs, puisque unique pour la valorisation et la projection. Plusieurs critères de risque-neutralisation seront testés et interprétés afin de vérifier la fiabilité des projections obtenues.A l'issu des travaux, le mémoire aura pour objectif de répondre à la question suivante : Quels sont les avantages et les limites de l'utilisation d'un générateur de scénarios économiques non-paramétrique ?
Abstract
The European Solvency II directive implicitly requires the use of economic scenario generators (ESG) under two probability measures to meet its requirements. The first step is to assess the market value of assets, followed by the calculation of the Best Estimate with a GSE under risk-neutral probability. According to Pillar 2 of the standard, insurers must implement a risk assessment and management system, more commonly known as ORSA (Own Risk Solvency Assessment). To do this, the insurer must use a historical GSE. Generally speaking, the GSEs used by insurers are derived from parametric diffusion models, which often admit limitations in their ability to reproduce past events. In this thesis, a non-parametric model based on a Machine Learning method, and more specifically the RVFL neural network, will be introduced to build a historical GSE. A comparative study will be carried out, comparing the non-parametric model with other common methods. The aim of this analysis is to examine the results to determine the added value of the RVFL model, as well as its limitations. A risk-neutralization method will be proposed to obtain a historical and risk-neutral GSE from a single model. This approach would then guarantee greater consistency in calculations, since it would be the same for both valuation and projection. Several risk-neutralization criteria will be tested and interpreted to verify the reliability of the projections obtained. At the end of the work, the thesis will aim to answer the following question: What are the advantages and limitations of using a non-parametric GSE?
Mémoire complet
