Mémoires d'Actuariat
Adaptation de la loi de rachats conjoncturels à la hausse des taux
Auteur(s) SAKTOUN Y.
Société AXA France
Année 2024
Confidentiel jusqu'au 06/03/2026
Résumé
In 2022, insurers faced a significant increase in rates, breaking with a prolonged period of low rates. Thus, for the first time since the implementation of Solvency II models, initially calibrated in a low-rate environment, insurers were faced with an increase in surrenders that they could analyze as dynamic ones. In particular, savings contracts offering penalty-free surrender and arbitrage options saw their interest-based funds, disadvantaged by their inertia due to their long duration, come under heavy competition. This competitive pressure has made the cyclical surrender option, as defined by the ACPR in the 2013 ONC, more attractive to policyholders. The surrender risk must therefore be understood and modeled in order to capture its impact on solvency ratios as accurately as possible. In this context, the aim of this work is to capitalize on this unprecedented situation in order to refine the modeling of this never-before-observed risk. Furthermore, it aims to propose coherent areas for improvement, both in the transitional phase of rising rates and in a scenario where interest rates remain at a higher level and more data is available. For this purpose, and using the dynamic surrender model currently employed by the insurer in the study, machine learning methods will be handled to determine the main variables linked to policyholder loyalty, and to group them into more or less surrendering categories. Following the same logic, a new calibration of the satisfaction function will be proposed. Finally, the impacts, on the insurer, of these adaptations will be analyzed. Keywords : surrender behavior ; dynamic surrender ; savings contract ; life insurance; interest rate spike; machine learning; clustering; binary classification algorithm; projection tool ; calibration; impacts.
Abstract
En 2022, les assureurs ont fait face à une augmentation significative des taux, rompant avec une période prolongée de taux bas. Ainsi, pour la première fois depuis l’implémentation des modèles Solvabilité II, initialement calibrés dans un contexte de taux bas, les assureurs ont été confrontés à une hausse de rachats qu’ils pouvaient analyser comme du rachat conjoncturel. En particulier, les contrats d’épargne offrant des options de rachat et d’arbitrage sans pénalité ont vu leurs fonds en euros, désavantagés par leur inertie due à leur durée importante, fortement concurrencés. Ainsi, cette pression concurrentielle a rendu l’option de rachat conjoncturel, telle que définie par l’ACPR dans les ONC de 2013, plus attrayante pour les assurés. Le risque de rachat doit ainsi être appréhendé et modélisé afin de capturer le plus fidèlement possible son impact sur les ratios de solvabilité. Dans ce contexte, l'objectif de ces travaux est de capitaliser sur cette situation inédite afin d'affiner la modélisation de ce risque jamais observé auparavant. De plus, ils visent à proposer des axes d'amélioration cohérents, tant dans la phase transitoire de hausse des taux que dans un scénario où les taux d'intérêt se maintiendraient à un niveau plus élevé et dans lequel plus de données seraient disponibles. Pour ce faire, et en reprenant la loi de rachats conjoncturels actuellement utilisée par l’assureur de l’étude, des méthodes de machine learning seront employées afin de déterminer les principales variables liées à la fidélité des assurés et regrouper ces derniers en catégories plus ou moins racheteuses. En suivant la même logique, une nouvelle calibration de la fonction de satisfaction sera proposée. Enfin, les impacts pour l’assureur de ces adaptations seront analysés. Mots-clés : loi de rachat, rachat conjoncturel, contrat d’épargne, assurance-vie, hausse des taux, machine learning, algorithmes de classification binaire, clustering, outil de projection, calibration, impacts.
Auteur(s) SAKTOUN Y.
Société AXA France
Année 2024
Confidentiel jusqu'au 06/03/2026
Résumé
In 2022, insurers faced a significant increase in rates, breaking with a prolonged period of low rates. Thus, for the first time since the implementation of Solvency II models, initially calibrated in a low-rate environment, insurers were faced with an increase in surrenders that they could analyze as dynamic ones. In particular, savings contracts offering penalty-free surrender and arbitrage options saw their interest-based funds, disadvantaged by their inertia due to their long duration, come under heavy competition. This competitive pressure has made the cyclical surrender option, as defined by the ACPR in the 2013 ONC, more attractive to policyholders. The surrender risk must therefore be understood and modeled in order to capture its impact on solvency ratios as accurately as possible. In this context, the aim of this work is to capitalize on this unprecedented situation in order to refine the modeling of this never-before-observed risk. Furthermore, it aims to propose coherent areas for improvement, both in the transitional phase of rising rates and in a scenario where interest rates remain at a higher level and more data is available. For this purpose, and using the dynamic surrender model currently employed by the insurer in the study, machine learning methods will be handled to determine the main variables linked to policyholder loyalty, and to group them into more or less surrendering categories. Following the same logic, a new calibration of the satisfaction function will be proposed. Finally, the impacts, on the insurer, of these adaptations will be analyzed. Keywords : surrender behavior ; dynamic surrender ; savings contract ; life insurance; interest rate spike; machine learning; clustering; binary classification algorithm; projection tool ; calibration; impacts.
Abstract
En 2022, les assureurs ont fait face à une augmentation significative des taux, rompant avec une période prolongée de taux bas. Ainsi, pour la première fois depuis l’implémentation des modèles Solvabilité II, initialement calibrés dans un contexte de taux bas, les assureurs ont été confrontés à une hausse de rachats qu’ils pouvaient analyser comme du rachat conjoncturel. En particulier, les contrats d’épargne offrant des options de rachat et d’arbitrage sans pénalité ont vu leurs fonds en euros, désavantagés par leur inertie due à leur durée importante, fortement concurrencés. Ainsi, cette pression concurrentielle a rendu l’option de rachat conjoncturel, telle que définie par l’ACPR dans les ONC de 2013, plus attrayante pour les assurés. Le risque de rachat doit ainsi être appréhendé et modélisé afin de capturer le plus fidèlement possible son impact sur les ratios de solvabilité. Dans ce contexte, l'objectif de ces travaux est de capitaliser sur cette situation inédite afin d'affiner la modélisation de ce risque jamais observé auparavant. De plus, ils visent à proposer des axes d'amélioration cohérents, tant dans la phase transitoire de hausse des taux que dans un scénario où les taux d'intérêt se maintiendraient à un niveau plus élevé et dans lequel plus de données seraient disponibles. Pour ce faire, et en reprenant la loi de rachats conjoncturels actuellement utilisée par l’assureur de l’étude, des méthodes de machine learning seront employées afin de déterminer les principales variables liées à la fidélité des assurés et regrouper ces derniers en catégories plus ou moins racheteuses. En suivant la même logique, une nouvelle calibration de la fonction de satisfaction sera proposée. Enfin, les impacts pour l’assureur de ces adaptations seront analysés. Mots-clés : loi de rachat, rachat conjoncturel, contrat d’épargne, assurance-vie, hausse des taux, machine learning, algorithmes de classification binaire, clustering, outil de projection, calibration, impacts.
