Mémoires d'Actuariat
Calibrage d'un modèle de taux par réseaux de neurones et application au choix des poids de calibrage
Auteur(s) CHERKAOUI-TANGI Y.
Société Milliman
Année 2022
Confidentiel jusqu'au 12/01/2027
Résumé
La directive Solvabilité II impose une valorisation de l'actif et du passif de l'assureur de manière market consistent: l'ensemble des actifs et passifs inscrits au bilan doivent être valorisés à leur valeur de marché. Un modèle ALM s'avère indispensable pour un assureur afin d'évaluer son bilan économique. Les scénarios économiques market consistent sont au cœur de ce calcul et fournissent les valeurs de marché des différentes classes d'actif modélisées nécessaires à la modélisation ALM. Le choix du modèle est essentiel dans la modélisation d'un facteur de risque. Dans le cadre de ce mémoire, on choisit le modèle DD-SV-LMM (Displaced Diffusion and Stochastic Volatility LMM) parfois appelé LMM+ qui permet de reproduire avec une grande précision les prix des instruments financiers utilisés lors de son calibrage. Les directives de l’EIOPA ainsi que celles de l’ACPR ont souligné l’importance de lier le processus de calibrage des modèles de taux utilisés au profil de risques des assureurs. Des poids reflétant la sensibilité du passif de l’assureur doivent être attribués à chaque instrument financier utilisé dans le processus de calibrage du modèle de taux d’intérêt. La mise en place d'un tel processus peut nécessiter plusieurs calibrages, très coûteux en temps de calcul. L'objectif de ce mémoire est d'étudier une solution de calibrage basé sur les réseaux de neurones dans le but de recalibrer intensivement les modèles de taux d’intérêt afin d'objectiver les poids de calibrage. Une fois entraînés, les réseaux de neurones assurent un calibrage accéléré.
Abstract
The Solvency II directive requires that insurers' assets and liabilities be valued on a market consistent basis: all assets and liabilities recorded on their balance sheets must be valued at their market value. An ALM model is essential for an insurer to evaluate its economic balance sheet. The economic scenarios are at the heart of this calculation. They provide the market values of the different asset classes modelled. The choice of model is essential in modeling a risk factor. In this thesis, we choose the DD-SV-LMM (Displaced Diffusion and Stochastic Volatility LMM) sometimes referred to as LMM+ model. This model allows us to reproduce with a high degree of accuracy the prices of the financial instruments used in its calibration. Both EIOPA and ACPR guidelines have emphasized the importance of linking the interest rate model calibration process to the insurer's risk profile. Weights reflecting the sensitivity of the insurer's liabilities must be assigned to each financial instrument used in the interest rate model calibration process when generating economic scenarios. The implementation of such process might require several calibrations, which are very time consuming. This thesis presents how neural networks can intensively recalibrate interest rate models to objectify the calibration weights. Once trained, they provide accelerated calibration.
Auteur(s) CHERKAOUI-TANGI Y.
Société Milliman
Année 2022
Confidentiel jusqu'au 12/01/2027
Résumé
La directive Solvabilité II impose une valorisation de l'actif et du passif de l'assureur de manière market consistent: l'ensemble des actifs et passifs inscrits au bilan doivent être valorisés à leur valeur de marché. Un modèle ALM s'avère indispensable pour un assureur afin d'évaluer son bilan économique. Les scénarios économiques market consistent sont au cœur de ce calcul et fournissent les valeurs de marché des différentes classes d'actif modélisées nécessaires à la modélisation ALM. Le choix du modèle est essentiel dans la modélisation d'un facteur de risque. Dans le cadre de ce mémoire, on choisit le modèle DD-SV-LMM (Displaced Diffusion and Stochastic Volatility LMM) parfois appelé LMM+ qui permet de reproduire avec une grande précision les prix des instruments financiers utilisés lors de son calibrage. Les directives de l’EIOPA ainsi que celles de l’ACPR ont souligné l’importance de lier le processus de calibrage des modèles de taux utilisés au profil de risques des assureurs. Des poids reflétant la sensibilité du passif de l’assureur doivent être attribués à chaque instrument financier utilisé dans le processus de calibrage du modèle de taux d’intérêt. La mise en place d'un tel processus peut nécessiter plusieurs calibrages, très coûteux en temps de calcul. L'objectif de ce mémoire est d'étudier une solution de calibrage basé sur les réseaux de neurones dans le but de recalibrer intensivement les modèles de taux d’intérêt afin d'objectiver les poids de calibrage. Une fois entraînés, les réseaux de neurones assurent un calibrage accéléré.
Abstract
The Solvency II directive requires that insurers' assets and liabilities be valued on a market consistent basis: all assets and liabilities recorded on their balance sheets must be valued at their market value. An ALM model is essential for an insurer to evaluate its economic balance sheet. The economic scenarios are at the heart of this calculation. They provide the market values of the different asset classes modelled. The choice of model is essential in modeling a risk factor. In this thesis, we choose the DD-SV-LMM (Displaced Diffusion and Stochastic Volatility LMM) sometimes referred to as LMM+ model. This model allows us to reproduce with a high degree of accuracy the prices of the financial instruments used in its calibration. Both EIOPA and ACPR guidelines have emphasized the importance of linking the interest rate model calibration process to the insurer's risk profile. Weights reflecting the sensitivity of the insurer's liabilities must be assigned to each financial instrument used in the interest rate model calibration process when generating economic scenarios. The implementation of such process might require several calibrations, which are very time consuming. This thesis presents how neural networks can intensively recalibrate interest rate models to objectify the calibration weights. Once trained, they provide accelerated calibration.
