Mémoires d'Actuariat
Optimisation financière du ratio de solvabilité d'un assureur vie dans un contexte de hausse des taux
Auteur(s) CHAZAL G.
Société Swiss Life France
Année 2024
Confidentiel jusqu'au 23/01/2026
Résumé
La période de taux bas prolongée a mis à mal le marché de l’assurance vie en Europe. Cette situation jamais connue, voire jamais envisagée par le passé a affecté la solvabilité et la richesse des assureurs en raison de très faibles rendements obligataires qui constituent la majorité du rendement financier de leur portefeuille. Dans un cadre de remontée des taux d’intérêts, cette dépendance obligataire peut engendrer un désadossement entre l’actif et le passif constitutif du risque de taux d’intérêts. Dans le cadre de ce mémoire, l’optimisation de ce risque se fera à l’aide de produits dérivés et de méthodes numériques afin d’optimiser des métriques sélectionnées comme les fonds propres ou le ratio de solvabilité. Cette optimisation se fera en deux étapes. La première étape consistera en la construction d’une base de données comportant les caractéristiques des produits dérivés qui nous intéressent ainsi que les métriques à optimiser. Cette base de données servira de base d’apprentissage statistique à nos méthodes numériques qui seront des Modèles Linéaires Généralisés et des modèles eXtreme Gradient Boosting. La prédiction des métriques sélectionnées sera réalisée en deuxième étape à partir de caractéristiques plus larges de nos produits dérivés grâce aux modèles d’apprentissage optimisés. Nous pourrons alors déduire une seule combinaison de produits dérivés qui optimisera nos métriques. La robustesse de cette combinaison sera alors évaluée sous différentes sensibilités de marchés et par des indicateurs classiques de pilotage afin de mettre en avant sa cohérence, son efficacité et ses limites.
Abstract
Low interates over many years has damaged the life insurance market in Europe. This extraordinary situation, never known, or even not under considered in the past, has impacted the solvency and wealth of insurers due to very low bond yields that constitute most of the financial return in their portfolio. In a context of rising interest rates, this dependence can lead to a mismatch between the assets and the liabilities among the interest rate risk. This thesis will focus on the optimization of this risk using derivative products and digital methods in order to optimize selected metrics such as shareholders equity or the solvency ratio. This optimization will be done in two steps. The first step involves building a database with the characteristics of the derivative products under consideration and the metrics to be optimized. This database will be used as a statistical learning basis for our numerical methods which will be Generalized Linear Models and eXtreme Gradient Boosting models. The prediction of the selected metrics will be conducted in the second step based on larger characteristics of our derivatives products using optimized learning models. Only one combination of derivative products will be selected, the one that optimizes our metrics most effectively. The robustness of this combination will be values through market sensitivity analysis and undertakings specific performance indicators to highlight its coherence, effectiveness, and limitations.
Auteur(s) CHAZAL G.
Société Swiss Life France
Année 2024
Confidentiel jusqu'au 23/01/2026
Résumé
La période de taux bas prolongée a mis à mal le marché de l’assurance vie en Europe. Cette situation jamais connue, voire jamais envisagée par le passé a affecté la solvabilité et la richesse des assureurs en raison de très faibles rendements obligataires qui constituent la majorité du rendement financier de leur portefeuille. Dans un cadre de remontée des taux d’intérêts, cette dépendance obligataire peut engendrer un désadossement entre l’actif et le passif constitutif du risque de taux d’intérêts. Dans le cadre de ce mémoire, l’optimisation de ce risque se fera à l’aide de produits dérivés et de méthodes numériques afin d’optimiser des métriques sélectionnées comme les fonds propres ou le ratio de solvabilité. Cette optimisation se fera en deux étapes. La première étape consistera en la construction d’une base de données comportant les caractéristiques des produits dérivés qui nous intéressent ainsi que les métriques à optimiser. Cette base de données servira de base d’apprentissage statistique à nos méthodes numériques qui seront des Modèles Linéaires Généralisés et des modèles eXtreme Gradient Boosting. La prédiction des métriques sélectionnées sera réalisée en deuxième étape à partir de caractéristiques plus larges de nos produits dérivés grâce aux modèles d’apprentissage optimisés. Nous pourrons alors déduire une seule combinaison de produits dérivés qui optimisera nos métriques. La robustesse de cette combinaison sera alors évaluée sous différentes sensibilités de marchés et par des indicateurs classiques de pilotage afin de mettre en avant sa cohérence, son efficacité et ses limites.
Abstract
Low interates over many years has damaged the life insurance market in Europe. This extraordinary situation, never known, or even not under considered in the past, has impacted the solvency and wealth of insurers due to very low bond yields that constitute most of the financial return in their portfolio. In a context of rising interest rates, this dependence can lead to a mismatch between the assets and the liabilities among the interest rate risk. This thesis will focus on the optimization of this risk using derivative products and digital methods in order to optimize selected metrics such as shareholders equity or the solvency ratio. This optimization will be done in two steps. The first step involves building a database with the characteristics of the derivative products under consideration and the metrics to be optimized. This database will be used as a statistical learning basis for our numerical methods which will be Generalized Linear Models and eXtreme Gradient Boosting models. The prediction of the selected metrics will be conducted in the second step based on larger characteristics of our derivatives products using optimized learning models. Only one combination of derivative products will be selected, the one that optimizes our metrics most effectively. The robustness of this combination will be values through market sensitivity analysis and undertakings specific performance indicators to highlight its coherence, effectiveness, and limitations.
