ENSAE Mazars /

Apports de la Data Science dans l'analyse des résultats d'un modèle de gestion actif-passif en assurance-vie

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

Informations sur les documents

Type de document	Mémoires
société	Mazars
Auteur(s)	MATTEI J.
Numéro
Date de référence	02/19/2019

Résumé

Le sujet du mémoire porte sur l’apport des outils proposés par la data science afin d’analyser les résultats d’un modèle de gestion actif-passif (ALM) en assurance-vie. Dans un contexte économique changeant, les organismes d’assurance ont observé une forte volatilité des résultats produits par leurs modèles ALM sur la dernière décennie, s’agit-il d’un biais de modèle ou d’une réelle modification de la rentabilité de l’organisme ? Il est souvent difficile de comprendre l’origine de l’évolution de ces résultats. Nous avons analysé les données en entrée et en sortie d’un modèle ALM afin d’essayer de comprendre les mécanismes et aussi l’impact des hypothèses du modèle ALM sur les résultats du bilan. Il ne s'agit pas de retrouver les hypothèses du modèle ALM car on suppose que l'assureur a construit son modèle et qu'il les connaît. L'objectif de notre étude est d'expliciter quels sont les impacts concrets du choix de ses hypothèses sur le calcul du best estimate dans un modèle ALM. Ainsi, notre étude se concentre sur l'analyse des scénarios économiques de taux, de rendements actions et immobiliers utilisés en entrée du modèle ALM. Nous avons proposé une démarche afin de résumer l’information de ces scénarios économiques. Pour cela, nous avons proposé plusieurs méthodes dont l’analyse en composantes principales, la méthode de classification dites des k-means et de Dynamic Time Warping afin de regrouper les scénarios économiques avec des comportements similaires en clusters. L’analyse de ces clusters permet à l’assureur d'avoir une meilleure compréhension de l'impact des hypothèses sur son modèle ALM et éventuellement de remettre en cause ses hypothèses ou de mettre en place des règles spécifiques pour traiter certains scénarios.

Abstract

This thesis focuses on data science tools to analyze the results of an asset-liability management model in life insurance. In a fluctuating economic environment, insurance companies have observed a high volatility in the results produced by their ALM models over the last past decade. It is often difficult to understand the evolution of these results. We analyzed input and output data from an ALM model to try to understand the mechanisms and the impact of the ALM model assumptions. The objective of our study is to explain the impacts of assumptions choices on the calculation of the best estimate. Thus, our study focuses on the analysis of the economic scenarios of interest rates, equity and real estate yields used as inputs of the ALM model. We proposed an approach to summarize information from the economic scenarios. We proposed several methods including principal component analysis, the so-called k-means classification method and Dynamic Time Warping to group economic scenarios with similar behaviors. The analysis produced a better understanding of the impact of the assumptions on the ALM model and possibly to question its assumptions or to set up specific rules to deal with some scenarios.

Mémoire complet

>

MATTEI.pdf

Lien permament : https://www.ressources-actuarielles.net/C12574E200674F5B/0/BD6D15F6C46037FDC1258462002121A2