Mémoires d'Actuariat
Modélisation et prédiction du Best Estimate par réseau de neurones génératifs
Auteur(s) EBROTIE K. A. N.
Société Malakoff Humanis
Année 2024
Résumé
Solvabilité ii (Sii) impose aux assureurs certaines contraintes dont l’évaluation de leurs provisions techniques de la façon la plus juste possible, ces provisions ayant une composante Best Estimate (BE). Un autre enjeu de Sii, concerne l’estimation prospective de certaines métriques comme le ratio de Solvabilité dans le cadre de l’ORSA ou pour des allocations stratégiques d’actifs. Afin de respecter ces exigences, les assureurs utilisent généralement des modèles d’Asset and Liability Management (ALM) afin d’effectuer des projections des différents flux financiers en fonction de scénarios économiques. À partir de ces projections, les différents éléments d’intérêts peuvent être obtenus en utilisant des méthodes basées sur des simulations comme l’approche de Simulations dans les Simulations (SdS). Toutefois, en pratique, cette méthode fondée sur le Monte-Carlo est chronophage. C’est pour cela que des techniques de réduction de temps de calcul ont été développées. Dans la littérature actuarielle, plusieurs mémoires se sont attardés sur la mise en place de ces méta-modèles, mais adoptent des approches alternatives qui ne se généralisent pas souvent et ne permettent pas parfois de capturer efficacement les distributions temporelles des éléments d’intérêts, sachant que cette distribution peut être utile pour des problématiques d’estimations prospectives. Avec l’avènement d’outils comme ChatGPT et Midjourney, les modèles génératifs font parler d’eux de façon spectaculaire, et laissent entrevoir de nouvelles opportunités en termes de modélisation au vu des capacités des modèles sous-jacents. C’est dans la perspective de tirer profit des possibilités qu’offrent ces modèles génératifs dans des tâches de modélisation que ce mémoire s’inscrit. Notre étude se focalise sur l’utilisation des modèles génératifs afin d’approximer le Best Estimate. Cette estimation s’intègre également dans un cadre prospectif et peut permettre de réaliser des anticipations aussi bien sur le BE que sur l’évolution de métriques comme le SCR et le ratio de Solvabilité.
Abstract
Solvency ii (Sii) imposes certain constraints on insurers, including the valuation of their technical provisions as accurately as possible, as these provisions have a Best Estimate (BE) component. Another challenge of Sii concerns the prospective estimation of certain metrics, such as the Solvency ratio in the context of the ORSA or for strategic asset allocations. In order to meet these requirements, insurers generally use Asset and Liability Management (ALM) models to make projections of the various financial flows according to economic scenarios. From these projections, the various interest elements can be obtained using simulation-based methods such as the Simulations within Simulations approach. In practice, however, this Monte Carlo-based method is time-consuming. For this reason, techniques for reducing calculation time have been developed. In the actuarial literature, several thesis have focused on the implementation of these meta-models, but they adopt alternative approaches that are not often generalised and sometimes do not allow the time distributions of the elements of interest to be captured efficiently, bearing in mind that this distribution can be useful for prospective estimation problems. With the advent of tools such as ChatGPT and Midjourney, generative models are making spectacular headway, and offer the prospect of new opportunities in terms of modelling, given the capabilities of the underlying models. The aim of this thesis is to take advantage of the possibilities offered by these generative models in modelling tasks. Our study focuses on the use of generative models to approximate the Best Estimate. This estimate is also part of a forward-looking framework and can be used to forecast both the BE and the evolution of metrics such as the SCR and the Solvency ratio.
Mémoire complet
Auteur(s) EBROTIE K. A. N.
Société Malakoff Humanis
Année 2024
Résumé
Solvabilité ii (Sii) impose aux assureurs certaines contraintes dont l’évaluation de leurs provisions techniques de la façon la plus juste possible, ces provisions ayant une composante Best Estimate (BE). Un autre enjeu de Sii, concerne l’estimation prospective de certaines métriques comme le ratio de Solvabilité dans le cadre de l’ORSA ou pour des allocations stratégiques d’actifs. Afin de respecter ces exigences, les assureurs utilisent généralement des modèles d’Asset and Liability Management (ALM) afin d’effectuer des projections des différents flux financiers en fonction de scénarios économiques. À partir de ces projections, les différents éléments d’intérêts peuvent être obtenus en utilisant des méthodes basées sur des simulations comme l’approche de Simulations dans les Simulations (SdS). Toutefois, en pratique, cette méthode fondée sur le Monte-Carlo est chronophage. C’est pour cela que des techniques de réduction de temps de calcul ont été développées. Dans la littérature actuarielle, plusieurs mémoires se sont attardés sur la mise en place de ces méta-modèles, mais adoptent des approches alternatives qui ne se généralisent pas souvent et ne permettent pas parfois de capturer efficacement les distributions temporelles des éléments d’intérêts, sachant que cette distribution peut être utile pour des problématiques d’estimations prospectives. Avec l’avènement d’outils comme ChatGPT et Midjourney, les modèles génératifs font parler d’eux de façon spectaculaire, et laissent entrevoir de nouvelles opportunités en termes de modélisation au vu des capacités des modèles sous-jacents. C’est dans la perspective de tirer profit des possibilités qu’offrent ces modèles génératifs dans des tâches de modélisation que ce mémoire s’inscrit. Notre étude se focalise sur l’utilisation des modèles génératifs afin d’approximer le Best Estimate. Cette estimation s’intègre également dans un cadre prospectif et peut permettre de réaliser des anticipations aussi bien sur le BE que sur l’évolution de métriques comme le SCR et le ratio de Solvabilité.
Abstract
Solvency ii (Sii) imposes certain constraints on insurers, including the valuation of their technical provisions as accurately as possible, as these provisions have a Best Estimate (BE) component. Another challenge of Sii concerns the prospective estimation of certain metrics, such as the Solvency ratio in the context of the ORSA or for strategic asset allocations. In order to meet these requirements, insurers generally use Asset and Liability Management (ALM) models to make projections of the various financial flows according to economic scenarios. From these projections, the various interest elements can be obtained using simulation-based methods such as the Simulations within Simulations approach. In practice, however, this Monte Carlo-based method is time-consuming. For this reason, techniques for reducing calculation time have been developed. In the actuarial literature, several thesis have focused on the implementation of these meta-models, but they adopt alternative approaches that are not often generalised and sometimes do not allow the time distributions of the elements of interest to be captured efficiently, bearing in mind that this distribution can be useful for prospective estimation problems. With the advent of tools such as ChatGPT and Midjourney, generative models are making spectacular headway, and offer the prospect of new opportunities in terms of modelling, given the capabilities of the underlying models. The aim of this thesis is to take advantage of the possibilities offered by these generative models in modelling tasks. Our study focuses on the use of generative models to approximate the Best Estimate. This estimate is also part of a forward-looking framework and can be used to forecast both the BE and the evolution of metrics such as the SCR and the Solvency ratio.
Mémoire complet
