Mémoires d'Actuariat
Utilisation du machine learning dans la détermination d'une allocation optimale sous Solvabilité II
Auteur(s) COCHARD H.
Société Optimind
Année 2022
Résumé
L’identification d’une allocation optimale passe bien souvent par la projection d’un bilan sous Solvabilité II, avec un modèle de gestion actif-passif, afin de déterminer différents indicateurs de solvabilité et de rendement. Généralement, la méthode employée consiste à calculer des indicateurs tel que le SCR, pour un grand nombre d’allocations prédéfinies. C’est une évaluation dont la complexité entraîne de longs temps de calcul. Ce mémoire met en avant l’utilisation du machine learning dans ce cadre. Si des modèles de machine learning permettent de déterminer assez précisément les indicateurs de risque et de rendement retenus pour une allocation donnée, leur vitesse de calcul pourrait permettre un important gain de temps. L’objectif de ce mémoire est donc d’évaluer la pertinence de l’utilisation du machine learning comme méthode alternative à celles existantes pour déterminer l’allocation d’actifs d’un assureur, dans le cadre de Solvabilité II. Pour ce faire, une base de données est construite à partir de la projection d’un portefeuille d’épargne avec un modèle ALM, sur un ensemble de points d’allocation. Les indicateurs retenus sont le SCR de marché pour le risque, et la PVFP monde réel de la part des fonds en euros du portefeuille pour le rendement. Des modèles GLM, random forest et XGboost sont ensuite construits et calibrés sur cette base afin de chercher à prédire ces indicateurs. La pertinence des modèles est ensuite testée sur une base de données issue du vieillissement du portefeuille sur 1 an, avec et sans intégration de nouveaux contrats, afin d’observer l’efficacité des modèles dans un contexte différent.
Abstract
The identification of an optimal allocation often involves the projection of a balance sheet under Solvency II, with an asset-liability management model, in order to determine solvency and return indicators. Generally, the method used consists of calculating indicators such as the SCR, for a large number of predefined allocations. This is a complex evaluation that takes a long time to compute. This paper highlights the use of machine learning in this context. If machine learning models can be used to determine fairly accurately the risk and return indicators used for a given allocation, their computational speed could save a lot of time. The objective of this thesis is therefore to evaluate the relevance of using machine learning as an alternative method to the existing ones in order to determine the asset allocation of an insurer, in the framework of Solvency II. To do this, a database is built from the projection of a savings portfolio with an ALM model, on a set of allocation points. The indicators used are the market module of SCR for risk, and the real world PVFP of the portfolio's share of euro funds for return. GLM, random forest and XGboost models are then built and calibrated on this basis to try to predict these indicators. The relevance of the models is then tested on a database resulting from the aging of the portfolio over 1 year, with and without integrating new contracts in order to observe the efficiency of the models in a different context.
Mémoire complet
Auteur(s) COCHARD H.
Société Optimind
Année 2022
Résumé
L’identification d’une allocation optimale passe bien souvent par la projection d’un bilan sous Solvabilité II, avec un modèle de gestion actif-passif, afin de déterminer différents indicateurs de solvabilité et de rendement. Généralement, la méthode employée consiste à calculer des indicateurs tel que le SCR, pour un grand nombre d’allocations prédéfinies. C’est une évaluation dont la complexité entraîne de longs temps de calcul. Ce mémoire met en avant l’utilisation du machine learning dans ce cadre. Si des modèles de machine learning permettent de déterminer assez précisément les indicateurs de risque et de rendement retenus pour une allocation donnée, leur vitesse de calcul pourrait permettre un important gain de temps. L’objectif de ce mémoire est donc d’évaluer la pertinence de l’utilisation du machine learning comme méthode alternative à celles existantes pour déterminer l’allocation d’actifs d’un assureur, dans le cadre de Solvabilité II. Pour ce faire, une base de données est construite à partir de la projection d’un portefeuille d’épargne avec un modèle ALM, sur un ensemble de points d’allocation. Les indicateurs retenus sont le SCR de marché pour le risque, et la PVFP monde réel de la part des fonds en euros du portefeuille pour le rendement. Des modèles GLM, random forest et XGboost sont ensuite construits et calibrés sur cette base afin de chercher à prédire ces indicateurs. La pertinence des modèles est ensuite testée sur une base de données issue du vieillissement du portefeuille sur 1 an, avec et sans intégration de nouveaux contrats, afin d’observer l’efficacité des modèles dans un contexte différent.
Abstract
The identification of an optimal allocation often involves the projection of a balance sheet under Solvency II, with an asset-liability management model, in order to determine solvency and return indicators. Generally, the method used consists of calculating indicators such as the SCR, for a large number of predefined allocations. This is a complex evaluation that takes a long time to compute. This paper highlights the use of machine learning in this context. If machine learning models can be used to determine fairly accurately the risk and return indicators used for a given allocation, their computational speed could save a lot of time. The objective of this thesis is therefore to evaluate the relevance of using machine learning as an alternative method to the existing ones in order to determine the asset allocation of an insurer, in the framework of Solvency II. To do this, a database is built from the projection of a savings portfolio with an ALM model, on a set of allocation points. The indicators used are the market module of SCR for risk, and the real world PVFP of the portfolio's share of euro funds for return. GLM, random forest and XGboost models are then built and calibrated on this basis to try to predict these indicators. The relevance of the models is then tested on a database resulting from the aging of the portfolio over 1 year, with and without integrating new contracts in order to observe the efficiency of the models in a different context.
Mémoire complet
