Analyse d'un modèle interne à l'aide de clustering et de régression

Details

Supervisors

HAINAUT Donatien

Faculty

Faculté des sciences

Degree label

Master [120] en sciences actuarielles, à finalité spécialisée

Abstract

Insurance companies can estimate their solvency capital requirement (SCR) either by applying the standard formula or by using an internal model (full or partial). The use of an internal model for this purpose requires prior approval by the National Bank of Belgium (NBB). The aim of this thesis was to develop analytical methodologies to facilitate the supervision of internal models by the NBB. Those analysis differ in their scope, and two categories can be defined. The first relates to horizontal analyses, while the second concerns the in-depth examination of an internal model. . Clustering methods were chosen for the horizontal analyses, as they enable the identification of differences between observations. These have enabled us to explore the different choices of modeling assumptions. Deep-dive analyses were carried out using regression methods. The objective was to predict the distribution of the regulatory capital requirement. Neural network models proved to be the best-performing regression models. However, generalized additive models (GAM) also showed interesting performance if the regression model considers some interactions between certain explanatory variables. Les compagnies d'assurance peuvent évaluer leur exigence en capital réglementaire (SCR) soit en appliquant la formule standard ou par l'intermédiaire d'un modèle interne complet ou partiel. L'utilisation d'un modèle interne pour cette estimation requiert au préalable l'approbation de celui-ci par la Banque Nationale de Belgique (BNB). L'objectif de ce mémoire était le développement de méthodologie d'analyse pour faciliter les travaux de supervision des modèles internes par la BNB. Ceux-ci se distinguent du point de vue de leur périmètre et deux catégories d'analyses peuvent être définies. La première est relative aux analyses horizontales et la seconde concerne l'examen approfondi d'un modèle interne. Les méthodes de clustering ont été retenues pour la réalisation des analyses horizontales car celles-ci permettent l'identification de différences entre les observations. Celles-ci ont permis l'exploration des différents choix des hypothèses de modélisation. Tandis que les analyses spécifiques ont été réalisées par l'intermédiaire des méthodes de régressions. L'objectif étant la prédiction de la distribution de l'exigence en capital réglementaire. Les modèles de réseau de neurones se sont avérés être les modèles de régression les plus performant. Toutefois, les modèles additifs généralisés (GAM) ont également présenté des performances intéressantes, si le modèle de régression tient compte d'interactions entre certaines variables explicatives.