Model Points : l'actif-passif en concentré !

Regroupements de polices d'assurance pour l'ALM

L’un des défis majeurs des modèles actif/passif stochastiques est le temps nécessaire pour obtenir les résultats.
Lors de notre article précédent, nous avons abordé la méthode industrielle avec
un module ALM intégré à une solution informatique adaptée.
Dans cette publication, nous vous présentons un aperçu de la méthode statistique :
la solution apportée par les Model Points et le regroupement de polices d'assurance.

 

1. Les défis dans les modèles actif/passif

L’un des défis majeurs des modèles actif/passif stochastiques est le temps nécessaire pour obtenir les résultats. En effet, pour des portefeuilles avec un grand nombre de contrats, le nombre de calculs peut vite devenir considérable : le temps et le volume disque alloués deviennent alors des problématiques opérationnelles non négligeables (plusieurs jours et téraoctets).

Conformément aux actes délégués, il est possible de faire des regroupements de polices dès lors que les polices considérées et les risques sous-jacents sont similaires et que l’utilisation de ces regroupements de polices (model points) ne fausse pas les résultats. Pour de grands portefeuilles, le regroupement « manuel » des contrats n’est pas optimal, nous proposons donc une méthodologie fondée sur des algorithmes de classification statistique.

 

2. Comment effectuer un regroupement optimal ?

 

1. Analyse des portefeuilles

Premièrement, afin d’obtenir de l’information sur le comportement général du portefeuille avec le modèle ALM, nous récupérons les résultats d’un calcul déterministe.

2. Déduction des model points

Ensuite l’algorithme CART (Classification And Regression Tree) permet de déduire le nombre de model points optimal.

3. Classification des polices

Enfin la méthode CAH (Classification Ascendante Hiérarchique) permet d’effectuer la classification des polices.

 

 

3. Résultats : temps de calcul et espace disque réduits

Les résultats obtenus sur des portefeuilles réels montrent que les deux principaux objectifs sont atteints :

  • le nombre de model points est significativement plus faible que le portefeuille initial (division par 100 du nombre de lignes de passif) ;
  • la différence entre les BE (Best Estimate) calculés avec les model points ou le portefeuille initial reste très faible (moins de 0,5%).

Le temps de calcul et l’espace disque nécessaires sont alors fortement réduits, permettant une réalisation opérationnelle de l’ALM stochastique.

 


Voir nos articles sur l'ALM