Mémoires d'Actuariat
Evaluation du parametre specifique (USP) des reserves d'une captive par apprentissage profond
Auteur(s) ZELLER G.
Société Marsh S.A.S.
Année 2025
Résumé
Dans la formule standard, le coefficient d’écart type calculé pour mesurer le risque de réserve est fixé par ligne d’activité. Cela peut entraîner un coût du capital inadapté aux profils de risque spécifiques. Une démarche auprès du superviseur peut alors être entreprise afin d'appliquer un paramètre de volatilité spécifique, appelé USP (Undertaking Specific Parameter), notamment par les organismes ne disposant pas des ressources nécessaires pour élaborer un modèle interne. C’est notamment le cas des captives, qui peuvent solliciter l’application de ces méthodes de calcul spécifiques. Par ailleurs, alors que l’usage des techniques d’apprentissage statistique se développe dans le domaine du provisionnement non-vie, les méthodes réglementaires de calcul des paramètres USP restent fondées sur des approches historiques ou paramétriques. Le modèle Mack-Net, récemment proposé dans la littérature, s’appuie sur des réseaux de neurones récurrents (RNN) et des cellules LSTM (Long Short-Term Memory). Il permet de générer de nouveaux facteurs de développement et des coefficients de volatilité susceptibles et de potentiellement surpasser les modèles traditionnels du marché, tels que le modèle de Mack. Cette approche par apprentissage profond propose ainsi une nouvelle manière d’estimer le paramètre USP. L’objectif est d’étudier la pertinence des méthodes actuelles de calcul du paramètre USP pour le risque de réserve à partir des données d'une captive, et de proposer une nouvelle approche plus précise, basée sur l’apprentissage profond. En s’appuyant sur plusieurs métriques de performance, ce travail montre que les méthodes d’apprentissage profond utilisées dans le modèle Mack-Net permettent une meilleure évaluation du besoin en capital pour la captive étudiée.
Abstract
In the standard formula, the standard deviation coefficient used to assess reserve risk is defined by line of business and is the same for all insurance organizations. This can lead to a cost of capital that does not reflect the specific risk profiles of individual entities. Organizations that lack the resources to develop a full internal model can apply to the supervisory authority for the use of a specific volatility parameter, known as an Undertaking Specific Parameter (USP), to better quantify their reserve risk. This option is particularly relevant for insurance and reinsurance captives, which are internal risk transfer vehicles for companies and are eligible to apply these methods as outlined in the delegated acts. While statistical and deep learning techniques are increasingly used in non-life reserving to estimate future cash flows, regulatory methods for calculating USP parameters remain based on historical or parametric approaches. The recently developed Mack-Net model, which relies on recurrent neural networks (RNNs) and Long Short-Term Memory (LSTM) cells, offers a new approach. It generates updated development factors and volatility coefficients that can outperform traditional market models such as the Mack Chain-Ladder. This deep learning approach opens the door to a new way of calculating USP parameters. The objective of this thesis is to assess the effectiveness of existing USP methods for reserve risk using data from a captive insurer, and to propose a more accurate alternative based on deep learning. By comparing different performance metrics, particularly the Claims Development Result (CDR), this work demonstrates that deep learning techniques used in the Mack-Net model can offer a more accurate assessment of the capital requirement for the captive under study.
Mémoire complet
Auteur(s) ZELLER G.
Société Marsh S.A.S.
Année 2025
Résumé
Dans la formule standard, le coefficient d’écart type calculé pour mesurer le risque de réserve est fixé par ligne d’activité. Cela peut entraîner un coût du capital inadapté aux profils de risque spécifiques. Une démarche auprès du superviseur peut alors être entreprise afin d'appliquer un paramètre de volatilité spécifique, appelé USP (Undertaking Specific Parameter), notamment par les organismes ne disposant pas des ressources nécessaires pour élaborer un modèle interne. C’est notamment le cas des captives, qui peuvent solliciter l’application de ces méthodes de calcul spécifiques. Par ailleurs, alors que l’usage des techniques d’apprentissage statistique se développe dans le domaine du provisionnement non-vie, les méthodes réglementaires de calcul des paramètres USP restent fondées sur des approches historiques ou paramétriques. Le modèle Mack-Net, récemment proposé dans la littérature, s’appuie sur des réseaux de neurones récurrents (RNN) et des cellules LSTM (Long Short-Term Memory). Il permet de générer de nouveaux facteurs de développement et des coefficients de volatilité susceptibles et de potentiellement surpasser les modèles traditionnels du marché, tels que le modèle de Mack. Cette approche par apprentissage profond propose ainsi une nouvelle manière d’estimer le paramètre USP. L’objectif est d’étudier la pertinence des méthodes actuelles de calcul du paramètre USP pour le risque de réserve à partir des données d'une captive, et de proposer une nouvelle approche plus précise, basée sur l’apprentissage profond. En s’appuyant sur plusieurs métriques de performance, ce travail montre que les méthodes d’apprentissage profond utilisées dans le modèle Mack-Net permettent une meilleure évaluation du besoin en capital pour la captive étudiée.
Abstract
In the standard formula, the standard deviation coefficient used to assess reserve risk is defined by line of business and is the same for all insurance organizations. This can lead to a cost of capital that does not reflect the specific risk profiles of individual entities. Organizations that lack the resources to develop a full internal model can apply to the supervisory authority for the use of a specific volatility parameter, known as an Undertaking Specific Parameter (USP), to better quantify their reserve risk. This option is particularly relevant for insurance and reinsurance captives, which are internal risk transfer vehicles for companies and are eligible to apply these methods as outlined in the delegated acts. While statistical and deep learning techniques are increasingly used in non-life reserving to estimate future cash flows, regulatory methods for calculating USP parameters remain based on historical or parametric approaches. The recently developed Mack-Net model, which relies on recurrent neural networks (RNNs) and Long Short-Term Memory (LSTM) cells, offers a new approach. It generates updated development factors and volatility coefficients that can outperform traditional market models such as the Mack Chain-Ladder. This deep learning approach opens the door to a new way of calculating USP parameters. The objective of this thesis is to assess the effectiveness of existing USP methods for reserve risk using data from a captive insurer, and to propose a more accurate alternative based on deep learning. By comparing different performance metrics, particularly the Claims Development Result (CDR), this work demonstrates that deep learning techniques used in the Mack-Net model can offer a more accurate assessment of the capital requirement for the captive under study.
Mémoire complet
