Mémoires d'Actuariat
Optimisation de l'allocation d'actifs cible en assurance-vie avec intelligence artificielle dans le cadre de Solvabilité 2
Auteur(s) MERLIN A.
Société Deloitte
Année 2024
Résumé
Ce mémoire explore l’optimisation de l’allocation cible d’actifs en assurance-vie sous Solvabilité II en intégrant des techniques d’intelligence artificielle. L’étude débute par une présentation du marché de l’assurance-vie en France et du cadre réglementaire, avec un accent sur les exigences quantitatives (Pilier 1). Une partie clé est consacrée aux méthodes d’optimisation des allocations cibles pour un portefeuille d’assurance-vie. L’approche repose sur l’apprentissage automatique, avec des modèles comme XGBoost, les réseaux de neurones et la régression à noyau, entraînés à prédire des valeurs nettes d’actifs (NAVs) dans un environnement économique donné. Des techniques avancées d’optimisation ont été employées pour explorer l’espace des allocations cibles, tout en améliorant la précision des prévisions et en réduisant le temps de calcul. Les résultats démontrent que l’IA permet une approche innovante et robuste pour définir l’allocation cible d’actifs, en prenant en compte les multiples objectifs de l’assureur. Cette étude contribue à moderniser la gestion actif-passif en offrant une vision globale et optimisée des stratégies d’investissement.
Abstract
This thesis explores the optimization of target asset allocation in life insurance under Solvency II by integrating artificial intelligence techniques. The study begins with an overview of the life insurance market in France and the regulatory framework, with a focus on quantitative requirements (Pillar 1). A key part is dedicated to optimization methods for target allocations in a life insurance portfolio. The approach relies on machine learning, using models such as XGBoost, neural networks, and kernel regression, trained to predict net asset values (NAVs) in a given economic environment. Advanced optimization techniques have been employed to explore the space of target allocations while improving forecast accuracy and reducing computation time. The results demonstrate that AI enables an innovative and robust approach to defining target asset allocation, considering the insurer’s multiple objectives. This study contributes to modernizing asset-liability management by providing a global and optimized vision of investment strategies.
Mémoire complet
Auteur(s) MERLIN A.
Société Deloitte
Année 2024
Résumé
Ce mémoire explore l’optimisation de l’allocation cible d’actifs en assurance-vie sous Solvabilité II en intégrant des techniques d’intelligence artificielle. L’étude débute par une présentation du marché de l’assurance-vie en France et du cadre réglementaire, avec un accent sur les exigences quantitatives (Pilier 1). Une partie clé est consacrée aux méthodes d’optimisation des allocations cibles pour un portefeuille d’assurance-vie. L’approche repose sur l’apprentissage automatique, avec des modèles comme XGBoost, les réseaux de neurones et la régression à noyau, entraînés à prédire des valeurs nettes d’actifs (NAVs) dans un environnement économique donné. Des techniques avancées d’optimisation ont été employées pour explorer l’espace des allocations cibles, tout en améliorant la précision des prévisions et en réduisant le temps de calcul. Les résultats démontrent que l’IA permet une approche innovante et robuste pour définir l’allocation cible d’actifs, en prenant en compte les multiples objectifs de l’assureur. Cette étude contribue à moderniser la gestion actif-passif en offrant une vision globale et optimisée des stratégies d’investissement.
Abstract
This thesis explores the optimization of target asset allocation in life insurance under Solvency II by integrating artificial intelligence techniques. The study begins with an overview of the life insurance market in France and the regulatory framework, with a focus on quantitative requirements (Pillar 1). A key part is dedicated to optimization methods for target allocations in a life insurance portfolio. The approach relies on machine learning, using models such as XGBoost, neural networks, and kernel regression, trained to predict net asset values (NAVs) in a given economic environment. Advanced optimization techniques have been employed to explore the space of target allocations while improving forecast accuracy and reducing computation time. The results demonstrate that AI enables an innovative and robust approach to defining target asset allocation, considering the insurer’s multiple objectives. This study contributes to modernizing asset-liability management by providing a global and optimized vision of investment strategies.
Mémoire complet
