Mémoires d'Actuariat
Construction d'un modèle ALM et utilisation des méthodes d'apprentissage automatique pour l'estimation des indicateurs de solvabilité en épargne euros
Auteur(s) JARRAH A.
Société Crédit Agricole Assurances
Année 2025
Confidentiel jusqu'au 26/06/2027
Résumé
Dans le cadre du régime prudentiel Solvabilité II qui s’applique aux organismes d’assurance de l’Union Européenne (UE), la réglementation exige que les assureurs détiennent suffisamment de capitaux propres pour qu’ils puissent respecter leurs engagements à horizon 1 an avec une probabilité de 99.5 %. Cela signifie que l’assureur doit être en mesure de résister à des chocs extrêmes n’ayant qu’une probabilité de 0.5% de se produire sur une période d’un an tout en restant solvable. Le Ratio de Solvabilité (RS) est l’indicateur clé pour mesurer ce risque. Pour les produits d’épargne et en particulier pour les supports en euros, le calcul de ce ratio est particulièrement exigeant et les assureurs ont l’obligation de vérifier la couverture du Solvency Capital Requirement (SCR) de façon continue. L’objectif de ce mémoire est d’explorer les nouvelles méthodes basées sur les algorithmes d’apprentissage automatique afin d’estimer le RS d’une manière quasi instantanée. Cela passe par la sélection de facteurs pertinents et la construction d’une base de données suffisamment fournie. Dans le cadre de ce mémoire, un modèle de projection Asset Liability Management (ALM) a été construit, permettant de générer tous les éléments calculatoires nécessaires. En plus du calcul du RS, d’autres indicateurs importants seront estimés. Les résultats obtenus soulignent l’intérêt de ces techniques en tant qu’outils complémentaires aux modèles traditionnels, tout en rappelant la vigilance nécessaire quant à la stabilité des relations statistiques identifiées, particulièrement dans des environnements économiques susceptibles d’évoluer rapidement.
Abstract
Within the framework of the Solvency II prudential regime, which applies to insurance undertakings in the European Union (EU), regulations require insurers to hold sufficient eligible own funds to meet their obligations over a one-year horizon with a confidence level of 99.5%. In other words, the insurer must be able to withstand extreme shocks that have only a 0.5% probability of occurring within one year, while remaining solvent. The Solvency Ratio (SR) is the key indicator used to measure this risk. For savings products, and in particular for euros funds, the calculation of this ratio is both complex and constraining, and insurers are required to continuously monitor the coverage of their SCR. The objective of this thesis is to explore new methodologies based on machine learning algorithms in order to estimate the solvency ratio in near real-time. This involves selecting relevant explanatory factors and constructing a sufficiently comprehensive and representative database. As part of this work, an ALM projection model has been developed to generate all the necessary computational elements. In addition to the solvency ratio, other key indicators are also estimated. This study highlights the potential of machine learning techniques in building robust proxies for solvency indicators. However, the effectiveness of these approaches is highly dependent on the quality, representativeness, and comprehensiveness of the datasets used. The results obtained demonstrate the relevance of these methods as complementary tools to traditional actuarial models, while emphasizing the need for caution regarding the stability of the statistical relationships identified, particularly in the context of evolving economic conditions.
Auteur(s) JARRAH A.
Société Crédit Agricole Assurances
Année 2025
Confidentiel jusqu'au 26/06/2027
Résumé
Dans le cadre du régime prudentiel Solvabilité II qui s’applique aux organismes d’assurance de l’Union Européenne (UE), la réglementation exige que les assureurs détiennent suffisamment de capitaux propres pour qu’ils puissent respecter leurs engagements à horizon 1 an avec une probabilité de 99.5 %. Cela signifie que l’assureur doit être en mesure de résister à des chocs extrêmes n’ayant qu’une probabilité de 0.5% de se produire sur une période d’un an tout en restant solvable. Le Ratio de Solvabilité (RS) est l’indicateur clé pour mesurer ce risque. Pour les produits d’épargne et en particulier pour les supports en euros, le calcul de ce ratio est particulièrement exigeant et les assureurs ont l’obligation de vérifier la couverture du Solvency Capital Requirement (SCR) de façon continue. L’objectif de ce mémoire est d’explorer les nouvelles méthodes basées sur les algorithmes d’apprentissage automatique afin d’estimer le RS d’une manière quasi instantanée. Cela passe par la sélection de facteurs pertinents et la construction d’une base de données suffisamment fournie. Dans le cadre de ce mémoire, un modèle de projection Asset Liability Management (ALM) a été construit, permettant de générer tous les éléments calculatoires nécessaires. En plus du calcul du RS, d’autres indicateurs importants seront estimés. Les résultats obtenus soulignent l’intérêt de ces techniques en tant qu’outils complémentaires aux modèles traditionnels, tout en rappelant la vigilance nécessaire quant à la stabilité des relations statistiques identifiées, particulièrement dans des environnements économiques susceptibles d’évoluer rapidement.
Abstract
Within the framework of the Solvency II prudential regime, which applies to insurance undertakings in the European Union (EU), regulations require insurers to hold sufficient eligible own funds to meet their obligations over a one-year horizon with a confidence level of 99.5%. In other words, the insurer must be able to withstand extreme shocks that have only a 0.5% probability of occurring within one year, while remaining solvent. The Solvency Ratio (SR) is the key indicator used to measure this risk. For savings products, and in particular for euros funds, the calculation of this ratio is both complex and constraining, and insurers are required to continuously monitor the coverage of their SCR. The objective of this thesis is to explore new methodologies based on machine learning algorithms in order to estimate the solvency ratio in near real-time. This involves selecting relevant explanatory factors and constructing a sufficiently comprehensive and representative database. As part of this work, an ALM projection model has been developed to generate all the necessary computational elements. In addition to the solvency ratio, other key indicators are also estimated. This study highlights the potential of machine learning techniques in building robust proxies for solvency indicators. However, the effectiveness of these approaches is highly dependent on the quality, representativeness, and comprehensiveness of the datasets used. The results obtained demonstrate the relevance of these methods as complementary tools to traditional actuarial models, while emphasizing the need for caution regarding the stability of the statistical relationships identified, particularly in the context of evolving economic conditions.
