Publication réalisée dans le cadre du Colloque Actuariel International 2020.
L’édition du Colloque Actuariel International 2020, initialement prévue à Paris, s’est tenue virtuellement du 11 au 15 mai 2020.
Dans ce cadre, un appel à contributions a été réalisé sur le thème « Les choix individuels face aux défis sociétaux », auquel Command Strategy a répondu dans la catégorie AFIR-ERM (Actuarial Approach for Financial Risks & Enterprise Risk Management).
La contribution de Command Strategy a pour titre « Machine Learning : quelles opportunités de pilotage pour le passif d’un assureur vie ? »
Abstract :
Dans un contexte économique et réglementaire en perpétuelle mouvance, le pilotage ALM de l’assureur vie doit nécessairement faire intervenir une optimisation de la structure de son passif.
A cette fin, cette contribution propose d’expérimenter et de comparer trois méthodes de Machine Learning : Random Forest, Gradient Boosting et Support Vector Machine.
Dans un premier temps, chaque méthode d’apprentissage sera calibrée sur une base représentative d’un portefeuille d’assurance vie (âge, salaire, profession, encours, …), et comportant pour chaque client la notation associée au risque de son support (indicateur synthétique de risque (ISR) de la norme européenne PRIIP’s).
Le protocole de calibrage sera explicitement détaillé pour chaque algorithme, afin d’étudier les opportunités d’amélioration de la précision de ces modèles dans le cas d’une base de données multi-classes non équilibrée. Le tuning des hyperparamètres avec grid search, la phase de features selection ainsi que les méthodes de subsampling seront ainsi introduites.
Dans un second temps, les performances des algorithmes post-calibrage seront testées, afin de valider leurs précisions quant à la détection de couples (profil de risque ; investissement) statistiquement incohérents, et ainsi proposer à ces clients une allocation en ligne avec les politiques ALM et commerciale de l’assureur.
Mots-clés : Gestion Actif-Passif, Restructuration du Passif, Profil de risque, Calibrage, subsampling, Machine Learning, Random Forest, Gradient Boosting, Support Vector Machine.
Auteurs : B. TESSIAUT, N. DUSSERRE
ont aussi contribué : D. AMICHIA, T. BELLINI, M. DEMERGERS et A. GIRAULT.