Bulletin Français d'Actuariat
Bulletin n°33 / vol. 17 / Janvier 2017 - Juin 2017 Le BFA sur internet
Page précédente - Envoyer ce document


Lapse Risk Modeling with Machine Learning Techniques: an Application to Structural Lapse Drivers

JAMAL S.


Consulter l'article complet



Abstract



In Europe, and particularly in life insurance, the lapse risk carries substantial financial issues for insurers and sparks, de facto, the interest of actuaries. However, it may be difficult to draw unanimous conclusions about the factors that lead to redeem a life insurance policy. Although some of these factors are unavoidable, each insurer’s data determines the sensitivity of its policyholders to the lapse risk. Our objective, in this paper, is to highlight the structural factors related to the lapse decision, by studying Savings contracts at an individual level. Although this study focuses solely on the case of structural variables, we would like to bring into light various methods suitable to both structural and dynamic drivers. We highlight three issues: first, the necessity to model the lapse risk in a Best Estimate approach to fulfil the Solvency II requirements, secondly the use of mathematical methods adapted to heterogeneous and big data and finally the added-value from using nonlinear approximation algorithms instead of a one-dimensional approach. To conclude, we comment on the global performances of the methods tested and their inherent limitations.

Résumé

Dans le cadre de la directive européenne Solvabilité 2, chaque assureur doit évaluer de façon précise les risques pesant sur son portefeuille. En Europe, et en particulier en Assurance Vie, le risque de Rachat véhicule des enjeux financiers substantiels pour les assureurs. Afin que ce risque soit appréhendé au mieux, il est indispensable que les données de chaque assureur soient dûment exploitées. Dans ce papier, nous identifions des facteurs contributifs à la décision du Rachat de contrats d’Epargne, à un niveau individuel. L’étude sous-jacente s’est concentrée sur le cas de facteurs structurels mais les méthodes employées sont aussi bien adaptées à des variables structurelles que dynamiques. Nous avons mené des réflexions sur 3 principaux sujets : la modélisation Best Estimate du risque de Rachat, l’utilisation de méthodes mathématiques adaptées à des données volumineuses et hétérogènes et la plus-value apportée par l’approximation non-linéaire après utilisation d’une approche unidimensionnelle. Nous commentons, pour clore ce papier, les impacts relevés suite à l’application de ces méthodes et les limites qui leur sont inhérentes.