MODÈLE ALM : APPORT MODÉLISATION€¦ · approximatives de par une connaissance imparfaite de...
Transcript of MODÈLE ALM : APPORT MODÉLISATION€¦ · approximatives de par une connaissance imparfaite de...
MODÈLE ALM : APPORT DE LA LOGIQUE FLOUE DANS LA
MODÉLISATION DES COMPORTEMENTS
1
Le 27 Septembre 2013 Sandrine Mouret Sylvain Detroulleau
INTRODUCTION (1/2) ¢ Solvabilité II : valorisation du bilan selon le principe
de la « juste valeur » :
� Actifs : en valeur de marché � Passifs : vision « Best Estimate »
2
¢ Le Best Estimate :
� Représente la valeur actualisée des cash flows futurs de l’assureur ( Prestation, Frais,…) � Repose sur des hypothèses réalistes et non nécessairement prudentes (vision 50/50).
¢ Dans les sociétés d’assurance vie commercialisant des contrats d’épargne, un modèle ALM (Gestion Actif/Passif) est souvent nécessaire afin de capter l’ensemble des interactions entre l’actif et le passif
¢ Pour valoriser le passif en « Best Estimate », le modèle ALM doit tenir compte des incertitudes liées :
� Aux comportements des assurés (rachats, décès,...) � Aux actions futures du management (politique de taux servis, allocation d’actif,…)
INTRODUCTION (2/2)
� Pour résoudre des problèmes complexes, les être humains utilisent des données approximatives de par une connaissance imparfaite de l’environnement qui les entoure.
� Leurs raisonnements se basent sur des critères plus qualitatifs que quantitatifs.
è La logique floue en permettant de modéliser les imprécisions et les incertitudes du raisonnement humain, apparait alors comme alternative de modélisation des comportements
3
SI le feu est rouge… SI ma vitesse est élevée… ET SI le feu est proche… ALORS je freine fort.
¢ Le raisonnement humain Attitude devant un feu tricolore
¢ Bien que relevant d’un enjeu important dans la détermination du Best Estimate, les lois comportementales soulèvent des difficultés sur leur calibrage, leur modélisation et plus largement leur justification.
¢ Objectif : trouver une modélisation proche de la réalité
SOMMAIRE ¢ Le modèle ALM
� Interactions Actif/Passif � Fonctionnement du modèle ALM � Lois comportementales
¢ Modélisation des rachats conjoncturels par la Logique floue
� Méthodologie de la logique floue � Sensibilités des rachats conjoncturels
¢ Modélisation de la politique de taux servis par la Logique floue
¢ Analyses des résultats
4
LE MODÈLE ALM Calcul du Best Estimate d’une compagnie d’assurance vie fictive :
- Interactions Actif/Passif - Fonctionnement du modèle ALM - Lois comportementales
5
LES INTERACTIONS ACTIF/PASSIF
¢ Options et garanties des contrats épargnes : interactions entre l’actif et le passif
6
� Le taux minimum garantie (TMG)
� La participation aux bénéfices (PB)
� L’option de rachat
� Allocation d’actifs
� Réalisation de plus-values
� Politique de taux servis
� …
Interactions
¢ Les techniques de simulations sont préférées pour évaluer le coût des options et garanties
FONCTIONNEMENT DU MODÈLE ALM
7
Générateur de scénarios économiques
Model points Passif
Portefeuille d’Actifs
Bilan d’ouverture
…
Données
Allocation d’actifs
Rachats, Décès
Politique de taux servis
…
Paramètres
Projection dans le temps
Sortie
Cash-Flows
Modèle ALM
Scénario i
Best Estimate
Actualisation
Feront l’objet d’une modélisation par la logique floue
LOIS COMPORTEMENTALES : RACHATS
8
¢ Rachats structurels (RS) � Liés à la structure du portefeuille � Estimés à partir de l’historique de l’assureur
¢ Rachats conjoncturels (RC) � Liés à la conjoncture économique et à la performance de l’assureur � Absence de données. � Modélisés traditionnellement à partir d’une loi proposée par l’ACP
¢ Limites de la « loi ACP » : � Absence d’éléments permettant la justification du calibrage � Suppose les assurés rationnels � Repose sur un seul critère : l’écart de taux servis � Une loi pour tous
LOIS COMPORTEMENTALES : MOTIFS DES RACHATS CONJONCTURELS
9
D’autres facteurs peuvent expliquer le comportement des assurés en matière de rachats conjoncturels
¢ L’âge de l’assuré � Les jeunes sont peu réactifs et disposent d’un encours faible, ils seront moins sensibles à l’écart
entre le taux servi et le taux concurrent
¢ L’ancienneté � Les assurés dont l’ancienneté est élevée ont une meilleure connaissance du marché � Les assurés dont l’ancienneté est faible ne bénéficieront pas d’abattement fiscal en cas de rachat
¢ L’inertie des assurés � Un assuré ne rachète pas nécessairement son contrat si l’assureur lui sert un taux moins
avantageux que la concurrence mais si cela fait plusieurs années qu’il lui propose des taux moins attractifs
¢ Frais d’acquisition
¢ Pénalité de rachat
¢ …
LOIS COMPORTEMENTALES : ACTION DU MANAGEMENT
10
¢ Les actions du management dans les modèles ALM sont traditionnellement transposées sous la forme de fonctions statiques ou sous la forme de problèmes d’optimisations sous contraintes
¢ Exemples d’actions du management dans notre modèle :
� Objectif de taux servis servir le taux concurrent � Allocation d’actif 70% d’obligation, 10% d’action, 15% d’immobilier et 5% de monétaire
¢ Limites :
� Le management n’est pas impliqué dans la modélisation � Modélisation pouvant devenir complexe � Les simplifications usuelles ne sont pas réalistes
¢ Alternative possible
Ø Modélisation des comportements par la théorie de la logique floue…
MODÉLISATION DES RACHATS CONJONCTURELS PAR LA LOGIQUE FLOUE
Méthodologie de la logique floue - Pré-requis et définitions - Le raisonnement en logique floue
* La fuzzification * L’inférence floue * La défuzzification
Sensibilités des rachats conjoncturels
11
MÉTHODOLOGIE DE LA LOGIQUE FLOUE
12
PRÉREQUIS ET DÉFINITIONS ¢ Limites de la théorie classique des ensembles :
� La taille d’un individu (moyen, grand?)
è Nécessité de créer des ensembles flous
¢ Variables et ensembles flous � Une variable linguistique correspond à un triplet (X,U,R) :
¢ X = la variable (ex: la taille) ¢ U = univers du discours = valeurs prises par la variable (ex: mètre ) ¢ R = ensemble de sous-ensemble flous (ex: petit, moyen, grand)
� Un ensemble flou A est caractérisé par sa fonction d’appartenance :
¢ Opérateurs flous
13
]1,0[)(; ∈∈∀ xXx Aµ
Opérateurs de Zadeh
Intersection : ET
Réunion : OU
))(),(()( xxMINx BABA µµµ =∩
))(),(()( xxMAXx BABA µµµ =∪
LE RAISONNEMENT EN LOGIQUE FLOUE
14
Fuzzification Passage du
quantitatif au qualitatif
Inférence floue Simulation du raisonnement
humain
Défuzzification
Prise de décisions
Domaine flou Valeurs numériques
Valeurs numériques
Entrées Sorties
ETAPE 1 : FUZZIFICATION La fuzzification est l’étape qui permet de passer du monde réel au monde flou.
¢ Méthode : � Déterminer les variables floues d’entrée et de sortie du modèle � Déterminer pour chacune de ces variables leurs ensembles flous associés � Déterminer la fonction d’appartenance de chacun de ces ensembles flous
Dans le cadre des rachats conjoncturels:
15
Variables Entrées Sor0e
Ecart de rendement Ancienneté du contrat Age de l'assuré Taux de rachat
Ensembles flous
Fortement néga,f Faiblement néga,f
Proche de 0 Faiblement posi,f Fortement posi,f
Faible Moyenne Importante
Jeune-‐Adulte Adulte Retraité
Très néga,f Néga,f
Proche de 0 Posi,f
Très posi,f
Univers du discours [-‐6%; 4%] [0 ans; 40 ans] [18 ans; 100 ans] [-‐5%; 20%]
è Les fonctions d’appartenance des variables d’entrée et de sortie
16 Remarque : Les fonctions choisies sont linéaires par morceaux en vue de simplifier les calculs futurs mais il est possible d’utiliser d’autre formes de fonctions d’appartenance : hyperboliques, normales,…
• Les fonctions d’appartenance sont déterminées à l’aide de jugements d’experts et d’intuitions
Taux de rachat Ancienneté du contrat & Age de l'assuré
Faible Moyenne Importante
Ecart de rendements Jeune-‐Adulte Adulte Retraité Jeune-‐Adulte Adulte Retraité Jeune-‐Adulte Adulte Retraité
Fortement néga,f Proche de 0 Posi,f Posi,f Posi,f Posi,f Posi,f Posi,f Très posi,f Posi,f
Faiblement néga,f Proche de 0 Proche de 0 Proche de 0 Proche de 0 Posi,f Proche de 0 Proche de 0 Posi,f Proche de 0
Proche de 0 Proche de 0 Proche de 0 Proche de 0 Proche de 0 Proche de 0 Proche de 0 Proche de 0 Proche de 0 Proche de 0
Faiblement posi,f Proche de 0 Proche de 0 Proche de 0 Proche de 0 Néga,f Proche de 0 Proche de 0 Néga,f Proche de 0
Fortement posi,f Proche de 0 Néga,f Néga,f Néga,f Néga,f Néga,f Néga,f Très néga,f Néga,f
ETAPE 2 : INFÉRENCES FLOUES (1/4) ¢ Déterminer la matrice de décisions
Etablir l’ensemble des règles de décisions possibles pour un individu
� SI prémisse 1… ET prémisse 2… ALORS conclusion ¢ Liens logiques : ET è chaque variable influence conjointement la décision
� Calibrage de la matrice ¢ Expertise ¢ Argumentation soutenue
Matrice de décisions pour les rachats conjoncturels :
17
Encours faible et faibles connaissances du marché è Pas réactifs
Encours important et désire de s’assurer une bonne retraite è Très réactifs
18
Il y a donc 8 règles de décisions à prendre en compte :
Exemple : (Ecart de rendements -1.7%; Ancienneté 3.5 ans; Age 61 ans) =0x
Remarque : Pour chaque combinaison d’entrée, plusieurs règles de décisions peuvent être déclenchées. D’après la forme des fonctions d’appartenance, on peut prendre en compte jusqu’à 8 règles de décisions
Ecart des rendements Ancienneté du contrat Age de l'assuré Ensembles flous Y_rdmt Ensembles flous Y_ancien Ensembles flous Y_age Fortement néga,f 0,40 Faible 0,75 Jeune-‐Adulte 0,00
Faiblement néga,f 0,60 Moyenne 0,25 Adulte 0,86
Proche de 0 0,00 Importante 0,00 Retraité 0,14
Faiblement posi,f 0,00
Fortement posi,f 0,00
Règles Ecart de rendement ET Ancienneté ET Age de l'assuré ALORS Rachat
R1 Fortement néga,f ET Faible ET Adulte ALORS Posi,f
R2 Fortement néga,f ET Moyenne ET Adulte ALORS Posi,f
R3 Fortement néga,f ET Faible ET Retraité ALORS Posi,f
R4 Fortement néga,f ET Moyenne ET Retraité ALORS Posi,f
R5 Faiblement néga,f ET Faible ET Adulte ALORS Proche de 0
R6 Faiblement néga,f ET Moyenne ET Adulte ALORS Posi,f
R7 Faiblement néga,f ET Faible ET Retraité ALORS Proche de 0
R8 Faiblement néga,f ET Moyenne ET Retraité ALORS Proche de 0
Conclusions déterminées à l’aide de la matrice de
décisions
ETAPE 2 : INFÉRENCES FLOUES (2/4) ¢ Définir le degré d’activation de la règle R :
Déterminer la véracité des propositions de chacune des règles floues
Niveau de vérité des propositions è MINIMUM entre les degrés d’appartenance Pour R1 :
19
)( 0xRµ
%40)( 01=xRµ
Règles Ecart de rendement MIN Ancienneté MIN Age de l'assuré Degré d'ac:va:on Rachat R1 0,40 MIN 0,75 MIN 0,86 0,40 Posi,f
ETAPE 2 : INFÉRENCES FLOUES (3/4) ¢ Implication :
Préciser la conclusion par rapport au niveau de vérité de la proposition
è Evaluer la fonction d’appartenance de la conclusion de la règle R
¢ Méthode Mamdani
Pour R1:
20
))(),(()( 0' yxMINy
RR conclusionRyconclusion µµµ =
0,00
0,20
0,40
0,60
0,80
1,00
1,20
-5% 0% 5% 10% 15% 20% 0,00
0,20
0,40
0,60
0,80
1,00
1,20
-5,00% 0,00% 5,00% 10,00% 15,00% 20,00%
Implication
)('
1y
RPositifµ)(1y
RPositifµ
ETAPE 2 : INFÉRENCES FLOUES (4/4)
¢ Agrégation des conclusions Caractériser la décision floue
� Les fonctions d’appartenance des conclusions de chaque règle floue sont reliées par un « OU » logique è un « MAX » en logique floue
21
NiyMAXyiRconclusionyFINALE ≤≤∀= 1));(()( 'µµ
Agrégation
ETAPE 3 : DÉFUZZIFICATION Cette étape permet de repasser dans l’univers réel pour prendre une décision
¢ Deux méthodes de défuzzification : � Méthode du centre de gravité (COG) :
� Méthode de la moyenne des maxima (MM) :
è Prise de décision réelle 22
∑
∑
∫∫
=
=
×== n
ii
n
iii
G
x
xx
dxx
dxxxx
0
0
)(
)(
)(
)(
µ
µ
µ
µ
N
x
dx
xdxx
N
ii
MM
∑
∫∫ === 0
SENSIBILITÉS DES RACHATS CONJONCTURELS
23
¢ Les différentes méthodes de défuzzification
¢ Cohérence avec la matrice de décisions
24
• Résultats proches des préconisations de l’ACP • Résultats plus stables avec la défuzzification par centre de gravité
• Evolution de la réactivité des individus retranscrite dans les résultats
¢ Impacts des changements dans la matrice de décisions Hypothèse : La connaissance joue un rôle plus important que l’encours sur la réactivité
des jeunes adultes d’ancienneté importante
25
Remarque : une seule colonne à changer dans notre matrice de décisions
• Impact de la matrice de décisions immédiat et important
MODÉLISATION DE LA POLITIQUE DE TAUX SERVIS PAR LA LOGIQUE FLOUE
26
CARACTÉRISTIQUES RETENUES POUR LA POLITIQUE DE TAUX SERVIS
¢ Variables et ensembles flous
¢ La matrice de décisions
27
Poli:que de taux servi Produits financiers &PPE
Faibles Appréciables Importants
Solvabilité (ra:o MSR) Faible Convenable Forte Faible Convenable Forte Faible Convenable Forte
Passable Peu concurrente
Peu concurrente
Peu concurrente
Peu concurrente Concurrente Concurrente Peu
concurrente Concurrente Concurrente
Bon Peu concurrente
Peu concurrente
Peu concurrente Concurrente Concurrente Concurrente Concurrente Concurrente Très
concurrente
Très bon Peu concurrente
Peu concurrente Concurrente Concurrente Concurrente Très
concurrente Concurrente Très concurrente
Très concurrente
Variables Entrées Sor0e
PPE Produits financiers Ra:o de solvabilité Poli:que de taux servis
Ensembles flous Faible
Convenable Elevée
Faibles Appréciables
Elevés
Passable Bon
Très bon
Peu concurrente Concurrente
Très concurrente Univers de discours [0%, 4%] [20%, 130%] [100%, 400%] [85%, 120%]
SENSIBILITÉS DU MANAGEMENT ACTION
28
• Toutes les décisions prises lors du calibrage de la matrice de décisions se retranscrivent dans les résultats
ANALYSES DES RÉSULTATS 29
APPORTS DE LA LOGIQUE FLOUE
30
• Les résultats obtenus avec notre matrice de décisions sont comparables aux résultats obtenus avec la courbe de rachats « ACP »
• La vision plus fine du management est au global en adéquation avec la vision ACP
Ø La logique floue :
• Permet de justifier et d’argumenter l’utilisation de la fonction ACP
• Apporte une méthodologie de calibrage
Ecart : 0,09% des fonds propres
Rachats conjoncturels
Ø La logique floue permet une modélisation individuelle du comportement de rachat
Ø Méthodologie directement applicable sur des portefeuilles atypiques
Ø La matrice de décisions est un outil pertinent pour modifier/ajuster le comportement de certaines classes d’assurés
APPORTS DE LA LOGIQUE FLOUE
31
Société A : moyenne d’âge = 47 ans Société R : moyenne d’âge = 65 ans Société J : moyenne d’âge = 20 ans
Société A : scénario central Société B : scénario « réactif »
+5,45% +3,79%
-5,24%
• Meilleure gestion du taux servi par rapport à notre modèle standard
Ø Réels apports de la logique floue:
• Niveau d’optimisation flexible • Etablie un lien concret entre la politique du management et sa
modélisation • Force le management à prendre position • Le module logique floue se positionne comme un outil d’aide à la décision
intéressant
APPORTS DE LA LOGIQUE FLOUE
32
Politique de taux servis
Ecart : 3,2% des fonds propres
¢ Logique innovante et cadre conceptuel mathématique rigoureux pour traduire les expertises
¢ Apporte des justifications sur un problème où les données sont insuffisantes � Justification du calibrage et généralisations des courbes de rachats conjoncturels proposées par
l’ACP
¢ Fournie un lien concret entre la politique du management et sa modélisation
¢ Limites : � Sources d’erreurs difficiles à identifier � Résultats sensibles aux fonctions d’appartenances et aux univers de discours
¢ Recommandations d’utilisation :
� Justifications du calibrage de la matrice de décisions contrôlées par le régulateur � Comprendre ses assurés : questionnaire de souscription, analyses des causes de rachats,…
¢ Axes de développement possibles
� Allocation d’actif, politique d’extériorisation des PVL,… � Outil d’aide à la décision au sein de l’ORSA
33
CONCLUSION