Machine Learning: Quelles Opportunités de Pilotage ALM pour un Assureur Vie?

Machine Learning: Quelles Opportunités de Pilotage ALM pour un Assureur Vie?

90 Views

Thanks! Share it with your friends!

URL

You disliked this video. Thanks for the feedback!

Sorry, only registred users can create playlists.
URL

Description:

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 enligne avec les politiques ALM et commerciale de l’assureur.

Post your comment

Sign in or sign up to post comments.
Be the first to comment