Mémoires d'Actuariat
Générateur de scénarios économiques non-paramétrique : modélisation avec réseaux de neurones sous mesures historique et risque-neutre
Auteur(s) DIALLO P. T.
Société Prim'Act
Année 2025
Résumé
Dans le cadre des évaluations prudentielles exigées par la directive Solvabilité II, l'utilisation d'un Générateur de Scénarios Économiques (GSE) est devenue indispensable en assurance vie. Les GSE permettent de simuler des scénarios d'évolution des marchés financiers, influençant la valeur et les performances des actifs d'assurance. En pratique, les assureurs utilisent deux types de GSE distincts : un pour le calcul du Best Estimate (BE) sous une mesure de risque neutre, et un autre pour l'Own Risk and Solvency Assessment (ORSA) et l'allocation stratégique, basé sur des données historiques. Ce mémoire présente une approche novatrice qui utilise des réseaux de neurones pour concevoir un générateur de scénarios économiques non paramétrique unique capable de fonctionner sous deux mesures de probabilité : historique et risque neutre. L’objectif principal est de simplifier le processus en unifiant plusieurs outils en un seul, tout en garantissant la précision des projections. Cette approche s'appuie sur l'exploration des méthodes de Machine Learning, notamment le modèle de type RVFL (Random Vector Functional Link), pour modéliser les facteurs de risque et introduire une méthode de neutralisation du risque. En proposant une solution intégrée, ce mémoire vise à renforcer l'efficacité et la robustesse des évaluations actuarielles conformément aux exigences réglementaires en vigueur, tout en reconnaissant les défis pratiques liés à la cohérence entre les deux types de GSE.
Abstract
As part of the prudential evaluations required by the Solvency II directive, the use of an Economic Scenario Generator (ESG) has become essential in life insurance. ESGs enable the simulation of financial market evolution scenarios, influencing the value and performance of insurance assets. In practice, insurers use two distinct types of ESGs: one for calculating the Best Estimate (BE) under a risk-neutral measure, and another for the Own Risk and Solvency Assessment (ORSA) and strategic allocation, based on historical data. This thesis presents an innovative approach that uses neural networks to design a unique non-parametric economic scenario generator capable of operating under two probability measures: historical and risk neutral. The main objective is to simplify the process by unifying several tools into one, while ensuring the accuracy of the projections. This approach leverages Machine Learning methods, particularly the RVFL (Random Vector Functional Link) model, to model risk factors and introduce a risk-neutralization method. By proposing an integrated solution, this thesis aims to enhance the efficiency and robustness of actuarial evaluations in compliance with current regulatory requirements, while addressing practical challenges related to consistency between the two types of ESGs.
Mémoire complet
Auteur(s) DIALLO P. T.
Société Prim'Act
Année 2025
Résumé
Dans le cadre des évaluations prudentielles exigées par la directive Solvabilité II, l'utilisation d'un Générateur de Scénarios Économiques (GSE) est devenue indispensable en assurance vie. Les GSE permettent de simuler des scénarios d'évolution des marchés financiers, influençant la valeur et les performances des actifs d'assurance. En pratique, les assureurs utilisent deux types de GSE distincts : un pour le calcul du Best Estimate (BE) sous une mesure de risque neutre, et un autre pour l'Own Risk and Solvency Assessment (ORSA) et l'allocation stratégique, basé sur des données historiques. Ce mémoire présente une approche novatrice qui utilise des réseaux de neurones pour concevoir un générateur de scénarios économiques non paramétrique unique capable de fonctionner sous deux mesures de probabilité : historique et risque neutre. L’objectif principal est de simplifier le processus en unifiant plusieurs outils en un seul, tout en garantissant la précision des projections. Cette approche s'appuie sur l'exploration des méthodes de Machine Learning, notamment le modèle de type RVFL (Random Vector Functional Link), pour modéliser les facteurs de risque et introduire une méthode de neutralisation du risque. En proposant une solution intégrée, ce mémoire vise à renforcer l'efficacité et la robustesse des évaluations actuarielles conformément aux exigences réglementaires en vigueur, tout en reconnaissant les défis pratiques liés à la cohérence entre les deux types de GSE.
Abstract
As part of the prudential evaluations required by the Solvency II directive, the use of an Economic Scenario Generator (ESG) has become essential in life insurance. ESGs enable the simulation of financial market evolution scenarios, influencing the value and performance of insurance assets. In practice, insurers use two distinct types of ESGs: one for calculating the Best Estimate (BE) under a risk-neutral measure, and another for the Own Risk and Solvency Assessment (ORSA) and strategic allocation, based on historical data. This thesis presents an innovative approach that uses neural networks to design a unique non-parametric economic scenario generator capable of operating under two probability measures: historical and risk neutral. The main objective is to simplify the process by unifying several tools into one, while ensuring the accuracy of the projections. This approach leverages Machine Learning methods, particularly the RVFL (Random Vector Functional Link) model, to model risk factors and introduce a risk-neutralization method. By proposing an integrated solution, this thesis aims to enhance the efficiency and robustness of actuarial evaluations in compliance with current regulatory requirements, while addressing practical challenges related to consistency between the two types of ESGs.
Mémoire complet
