Dauphine CA Assurances /

Etude du risque de rachat d'un portefeuille d'épargne italienne par des données agrégées et individuelles

Domaine(s)	Mémoire
formation(s)	Dauphine () / resp.: / intervenant:

Informations sur les documents

Type de document	Mémoires
société	CA Assurances
Auteur(s)	JEMLI H.
Numéro
Date de référence	04/10/2019

Résumé

Un contrat d'assurance vie est un engagement mutuel de deux parties : l'assuré et l'assureur. Bien que la décision de l'assureur de couvrir le risque soit généralement irrévocable, l'assuré jouit des options qui lui permettent de suspendre, réduire ou résilier la police en récupérant totalement ou partiellement le capital assuré. Ces options légales et contractuelles sont appelées options de rachat et présentent un risque pour l’assureur. Le risque de rachat est un risque de souscription lié au comportement de l'assuré. Nous distinguons deux types de rachat. Le premier, appelé rachat structurel, est lié au besoin immédiat de liquidité par l'assuré. Le deuxième est le rachat conjoncturel ou dynamique. Ce dernier est induit par le comportement des assurés envers les variations des taux servis par l'assureur par rapport aux taux offerts sur le marché. En assurance vie, le risque de rachat est l'un des risques de souscription les plus conséquents. En effet, en cas d'un flux de rachat massif non prévu ou une mauvaise estimation de ce risque, l'assureur sera confronté à une sortie de liquidité importante. Ce mémoire présente l'étude du risque de rachat. Il s'inscrit dans le cadre de révision des hypothèses liées au rachat de différents produits d'épargne et de prévoyance. Dans ce mémoire, nous étudions le rachat par les estimateurs statistiques classiques et par l'approche de machine learning. Notre étude sera focalisée sur la loi et les hypothèses de rachats utilisées pour la projection des produits d'assurance vie des portefeuilles italiens. Nous utilisons dans notre étude des méthodes de machine learning à savoir les arbres de classification, l'algorithme XGBoost et le modèle de la régression pénalisée Elastic Net.

Abstract

An insurance policy is a contract between two parties: the insured and the insurer. Although the insurer can’t, in most cases, renounce of his decision to cover the risk, the insurer can suspend, decrease or terminate the policy rights and recover fully or partially the sum insured. These legal or contractual options are called lapse options and present a risk to the insurer. The lapse risk is an underwriting risk linked to the behaviour of the policyholder. Two types of lapse exist. The first, called the structural lapse, is linked to an immediate need for cash flow by the insured. The second is the dynamic lapse risk. The latter is the consequence of the policyholder’s behaviour toward the difference between the rates served by the insurer and the market rates. In life insurance, the lapse risk is one of the most significant underwriting risks. In fact, in the event of significant unexpected lapse rates or a poor estimation of these rates, the insurer will be facing a massive outflow of reserves. In this memoir, we will be studying the lapse rates using the classical statistical estimators and the approach of machine learning. We will be focusing on the assumptions and the methodologies used to study and forecast the life insurance products of an Italian portfolio. Therefore, we will put in use the machine learning methods such as the classification trees, the XGBoost algorithm and the penalized regression model.

Mémoire complet

>

JEMLI.pdf

Lien permament : https://www.ressources-actuarielles.net/C12574E200674F5B/0/FC774809805AE32CC12584BC002B30F9