Dans le domaine de l'actuariat, la précision des indicateurs tels que le best estimate est cruciale pour évaluer la santé financière des compagnies d'assurance. Cependant, il est souvent difficile d'éliminer toutes les erreurs potentielles dans les hypothèses techniques utilisées pour ces calculs. Ces erreurs peuvent découler de diverses sources, telles que des anomalies dans les données de construction, des erreurs opérationnelles, ainsi que des biais d'estimation et de modélisation.
Traditionnellement, l'approche pour valider la robustesse des hypothèses techniques a été d'appliquer des sensibilités, notamment des chocs additifs ou multiplicatifs. Cependant, la génération de sensibilités réalistes demeure un défi, car il est complexe de construire des jeux d'hypothèses qui reflètent fidèlement les tendances et les corrélations observées dans les portefeuilles d'assurés ou sur le marché.
Une solution innovante émerge de l'utilisation des algorithmes d'Intelligence Artificielle générative. Ces algorithmes sont capables de générer des jeux d'hypothèses techniques qui soient réalistes et respectent les tendances et les corrélations observées dans les données, tout en automatisant entièrement le processus.
Nous avons exploré cette approche en utilisant les algorithmes d'IA génératives pour générer des hypothèses techniques synthétiques. Les hypothèses techniques étudiées comprenaient les lois de versements libres, les rachats totaux et les lois de mortalité pour les femmes et les hommes.
Trois algorithmes d'IA générative, à savoir TVAE, CTGAN et CPAR, ont été entraînés pour générer ces hypothèses techniques synthétiques. Parmi ceux-ci, le modèle CPAR (Conditional Probabilistic Auto Regressive) a présenté les meilleures performances.
Une fois les hypothèses techniques générées par l'IA générative, nous les avons utilisées en input d'un modèle de projection pour calculer un best estimate synthétique. Pour mettre en perspective ce BE synthétique, nous avons également calculé des best estimate choqués en utilisant des hypothèses techniques choquées de plus ou moins 5% (choc additif, choc multiplicatif). Ces calculs ont été réalisés à l'aide de l'outil de projection Risk Agility FM.
Nos résultats ont montré que les variations du BE induites par les hypothèses synthétiques se situaient entre les variations avec les chocs additifs et les variations avec les chocs multiplicatifs. Au-delà de ces résultats, l'étude a apporté une plus-value en justifiant les hypothèses utilisées. En comparaison, il est souvent difficile de justifier le niveau de chocs utilisés dans les études de sensibilité, dont le choix peut sembler arbitraire.
L'utilisation de l'IA générative ouvre ainsi de nouvelles perspectives pour les fonctions actuarielles des assureurs dans les études relatives à la suffisance des provisions. En permettant la génération d'hypothèses techniques réalistes et la validation de leur robustesse, ces techniques peuvent contribuer à améliorer la précision des indicateurs actuariels et à renforcer la confiance dans les évaluations financières des compagnies d'assurance.
Pour en savoir plus et recevoir l’étude complète remplissez le court formulaire en haut de cette page.
N’hésitez pas à nous contactez en cas de questions.
