Mémoires d'Actuariat
Construction de lois Best Estimate pour le risque décès en assurance emprunteur
Auteur(s) DELBET L.
Société SCOR
Année 2023
Confidentiel jusqu'au 14/06/2025
Résumé
Mots clés : Assurance, Emprunteur, Décès, Tarifs, Tables de mortalité d’expérience, Immobilier, Consommation, Machine Learning L’assurance emprunteur garantit la prise en charge du capital restant dû en cas de décès de l’assuré ou des échéances de remboursement en cas d’arrêt de travail. Alors qu’elle représente un des marchés les plus importants en France avec environ 11 Mds d’euros de chiffre d’affaires 2021, l’assurance emprunteur est en mouvance perpétuelle, notamment du fait des nombreuses évolutions réglementaires qui accentuent toujours un peu plus la protection de l’assuré. Dans ce contexte, l’ajustement des tarifs au plus près du risque assuré est essentiel pour rester compétitif. En exploitant les données d’un portefeuille emprunteur réassuré par SCOR, nous avons pu répondre à cette exigence de finesse des tarifs proposés grâce à la création de nouvelles tables de mortalité d’expérience. Après un travail conséquent de préparation des données, notamment à travers un exercice de classification des prêts entre prêts immobiliers et prêts à la consommation à l’aide d’un modèle machine learning, nous avons calculé des taux bruts de mortalité, qui ont ensuite été lissés puis extrapolés. Une application des nouvelles lois de mortalité créées a finalement été réalisée pour mesurer leur impact sur les tarifs d’une nouvelle génération de souscription.
Abstract
Key words : Insurance, Loan, Death, Rates, Experience mortality tables, Real estate loan, Personal loan, Machine Learning Loan insurance guarantees the payment of the remaining capital due in the event of the insured's death or of the monthly payments in the event of work stoppage. While it represents one of the most important markets in France, with revenues of around 11 billion euros in 2021, loan insurance is in constant flux, particularly due to the many regulatory changes that are constantly increasing the protection of the insured. In this context, adjusting rates as closely as possible to the insured risk is essential to remain competitive. By using data from a loan portfolio reinsured by SCOR, we have been able to meet this need for finesse in the proposed rates thanks to the creation of new experience mortality tables. After a substantial work of data preparation, in particular through a classification exercise of the loans between real estate and personal loans using a machine learning model, we first calculated gross mortality rates, which were then smoothed and extrapolated. An application of the newly created mortality laws was finally performed to measure their impact on the rates of the new generation of underwriting.
Auteur(s) DELBET L.
Société SCOR
Année 2023
Confidentiel jusqu'au 14/06/2025
Résumé
Mots clés : Assurance, Emprunteur, Décès, Tarifs, Tables de mortalité d’expérience, Immobilier, Consommation, Machine Learning L’assurance emprunteur garantit la prise en charge du capital restant dû en cas de décès de l’assuré ou des échéances de remboursement en cas d’arrêt de travail. Alors qu’elle représente un des marchés les plus importants en France avec environ 11 Mds d’euros de chiffre d’affaires 2021, l’assurance emprunteur est en mouvance perpétuelle, notamment du fait des nombreuses évolutions réglementaires qui accentuent toujours un peu plus la protection de l’assuré. Dans ce contexte, l’ajustement des tarifs au plus près du risque assuré est essentiel pour rester compétitif. En exploitant les données d’un portefeuille emprunteur réassuré par SCOR, nous avons pu répondre à cette exigence de finesse des tarifs proposés grâce à la création de nouvelles tables de mortalité d’expérience. Après un travail conséquent de préparation des données, notamment à travers un exercice de classification des prêts entre prêts immobiliers et prêts à la consommation à l’aide d’un modèle machine learning, nous avons calculé des taux bruts de mortalité, qui ont ensuite été lissés puis extrapolés. Une application des nouvelles lois de mortalité créées a finalement été réalisée pour mesurer leur impact sur les tarifs d’une nouvelle génération de souscription.
Abstract
Key words : Insurance, Loan, Death, Rates, Experience mortality tables, Real estate loan, Personal loan, Machine Learning Loan insurance guarantees the payment of the remaining capital due in the event of the insured's death or of the monthly payments in the event of work stoppage. While it represents one of the most important markets in France, with revenues of around 11 billion euros in 2021, loan insurance is in constant flux, particularly due to the many regulatory changes that are constantly increasing the protection of the insured. In this context, adjusting rates as closely as possible to the insured risk is essential to remain competitive. By using data from a loan portfolio reinsured by SCOR, we have been able to meet this need for finesse in the proposed rates thanks to the creation of new experience mortality tables. After a substantial work of data preparation, in particular through a classification exercise of the loans between real estate and personal loans using a machine learning model, we first calculated gross mortality rates, which were then smoothed and extrapolated. An application of the newly created mortality laws was finally performed to measure their impact on the rates of the new generation of underwriting.
