Mémoires d'Actuariat
Apport des méthodes de machine Learning sur la prédiction du risque de résiliation d'un portefeuille d'assurance vie épargne dans un contexte transactionnel
Auteur(s) TAMBOURAN F.
Société Crédit Mutuel Arkéa
Année 2025
Résumé
L’objectif de l’étude est de fournir une démarche alternative pour calibrer les lois de résiliation dans les portefeuilles d'assurance vie en Unité de Compte (UC) dans un contexte transactionnel, où les enjeux de valorisation sont importants bien que les informations soient souvent limitées. L'étude exploite des méthodes de machine learning pour analyser les résiliations historiques et développer un modèle prédictif spécifique au portefeuille étudié, tenant compte des particularités comportementales de la clientèle. L’étude cherche à prédire les résiliations futures pour gagner en précision et ainsi valoriser le portefeuille de l’entité faisant l’objet de la transaction de manière plus fine et adaptée aux spécificités du portefeuille. Dans un contexte transactionnel, cela évite l’application des lois de résiliation du repreneur, par manque d’information, pouvant introduire des biais car souvent peu représentatives de la clientèle du portefeuille cible et ne considérant pas la composante conjoncturelle pour les contrats UC car non imposée par le régulateur et pénalisante. Malgré ses avantages, cette approche fait face à des défis, notamment la complexité d'application du machine learning dans un contexte transactionnel exigeant fiabilité et efficacité opérationnelle. Ces limitations soulignent l'importance de l'interprétabilité des modèles et leur validation par la fonction actuarielle. Dans ce contexte, prédire spécifiquement le risque de résiliation du portefeuille cible représente un avantage stratégique crucial pour les acquéreurs potentiels, pouvant conduire à un avantage compétitif substantiel dans le processus transactionnel.
Abstract
The objective of the study is to provide an alternative approach to calibrate surrender laws in unit-linked life insurance portfolios in a transactional context, where valuation stakes are high, despite often limited information. The study leverages machine learning methods to analyse historical surrenders and develop a predictive model specific to the portfolio under study, considering the behavioural characteristics of the clientele. The study aims to obtain a more accurate information and more visibility to predict future surrenders to value the portfolio of the entity subject to the transaction more closely given the specificities of the portefolio. In a transactional context, this avoids applying the acquirer's surrender laws, which, due to a lack of information, can introduce biases as they often do not represent the clientele of the target portfolio and do not consider the conjunctural component for unit-linked contracts, as it is not imposed by the regulator and is penalizing. Despite its advantages, this approach faces challenges, particularly the complexity of applying machine learning in a transactional context that demands reliability and operational efficiency. These limitations highlight the importance of model interpretability and validation by the actuarial function. In this context, accurately predicting the surrender risk of the target portfolio represents a crucial strategic advantage for potential acquirers, potentially leading to a substantial competitive edge in the transaction process.
Mémoire complet
Auteur(s) TAMBOURAN F.
Société Crédit Mutuel Arkéa
Année 2025
Résumé
L’objectif de l’étude est de fournir une démarche alternative pour calibrer les lois de résiliation dans les portefeuilles d'assurance vie en Unité de Compte (UC) dans un contexte transactionnel, où les enjeux de valorisation sont importants bien que les informations soient souvent limitées. L'étude exploite des méthodes de machine learning pour analyser les résiliations historiques et développer un modèle prédictif spécifique au portefeuille étudié, tenant compte des particularités comportementales de la clientèle. L’étude cherche à prédire les résiliations futures pour gagner en précision et ainsi valoriser le portefeuille de l’entité faisant l’objet de la transaction de manière plus fine et adaptée aux spécificités du portefeuille. Dans un contexte transactionnel, cela évite l’application des lois de résiliation du repreneur, par manque d’information, pouvant introduire des biais car souvent peu représentatives de la clientèle du portefeuille cible et ne considérant pas la composante conjoncturelle pour les contrats UC car non imposée par le régulateur et pénalisante. Malgré ses avantages, cette approche fait face à des défis, notamment la complexité d'application du machine learning dans un contexte transactionnel exigeant fiabilité et efficacité opérationnelle. Ces limitations soulignent l'importance de l'interprétabilité des modèles et leur validation par la fonction actuarielle. Dans ce contexte, prédire spécifiquement le risque de résiliation du portefeuille cible représente un avantage stratégique crucial pour les acquéreurs potentiels, pouvant conduire à un avantage compétitif substantiel dans le processus transactionnel.
Abstract
The objective of the study is to provide an alternative approach to calibrate surrender laws in unit-linked life insurance portfolios in a transactional context, where valuation stakes are high, despite often limited information. The study leverages machine learning methods to analyse historical surrenders and develop a predictive model specific to the portfolio under study, considering the behavioural characteristics of the clientele. The study aims to obtain a more accurate information and more visibility to predict future surrenders to value the portfolio of the entity subject to the transaction more closely given the specificities of the portefolio. In a transactional context, this avoids applying the acquirer's surrender laws, which, due to a lack of information, can introduce biases as they often do not represent the clientele of the target portfolio and do not consider the conjunctural component for unit-linked contracts, as it is not imposed by the regulator and is penalizing. Despite its advantages, this approach faces challenges, particularly the complexity of applying machine learning in a transactional context that demands reliability and operational efficiency. These limitations highlight the importance of model interpretability and validation by the actuarial function. In this context, accurately predicting the surrender risk of the target portfolio represents a crucial strategic advantage for potential acquirers, potentially leading to a substantial competitive edge in the transaction process.
Mémoire complet
