Mélanges de GLMs et nombre de composantes : application ... - Scor
Mélanges de GLMs et nombre de composantes : application ... - Scor
Mélanges de GLMs et nombre de composantes : application ... - Scor
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
3.3. Extension au portefeuille Vie d’AXA<br />
Impact <strong>de</strong>s variables explicatives par les mélanges <strong>de</strong> Logit<br />
L’annexe C.3.3 donne l’estimation <strong>de</strong>s coefficients <strong>de</strong> régression du modèle mélange. Nous<br />
adoptons toujours la même métho<strong>de</strong> <strong>de</strong> choix d’estimation <strong>de</strong>s variables (structurelles → coeff.<br />
i<strong>de</strong>ntiques, conjoncturelles → coeff. variables) en espérant que les résultats soient probants.<br />
Détaillons maintenant les impacts <strong>de</strong>s facteurs <strong>de</strong> risque :<br />
– eff<strong>et</strong>s structurels : i<strong>de</strong>ntiques à tout le mon<strong>de</strong>. Pour la saisonnalité, les conclusions sont<br />
ressemblantes avec celles <strong>de</strong>s contrats <strong>de</strong> pure épargne (cycle du marché <strong>de</strong> vente) : l’été<br />
est une pério<strong>de</strong> où très peu <strong>de</strong> rachats sont observés. L’eff<strong>et</strong> <strong>de</strong> l’ancienn<strong>et</strong>é du contrat<br />
est n<strong>et</strong>tement moins évi<strong>de</strong>nt comme le graphe C.9 l’avait laissé présager. La richesse<br />
<strong>de</strong> l’assuré semble peu jouer, même si les personnes les plus riches ont l’air <strong>de</strong> rach<strong>et</strong>er<br />
davantage (peut-être conseillées par un agent qui gère leur fortune).<br />
– eff<strong>et</strong>s conjoncturels : une très gran<strong>de</strong> majorité d’assurés (sauf ceux <strong>de</strong> la composante<br />
4) rachète plus lorsque l’indice boursier plonge, mais il existe un p<strong>et</strong>it groupe <strong>de</strong> personnes<br />
pour qui ce n’est pas le cas du tout (valeur positive du coefficient élevée). D’un<br />
trimestre à l’autre, la probabilité <strong>de</strong> rachat individuelle <strong>de</strong>s assurés appartenant à un<br />
groupe (composante) donné change en fonction <strong>de</strong> la valeur <strong>de</strong> l’Ibex 35, créant ainsi<br />
une corrélation positive entre les personnes <strong>de</strong> ce groupe.<br />
Les mêmes constatations peuvent être formulées concernant l’irrationnalité <strong>et</strong> l’hétérogénéité<br />
<strong>de</strong>s réactions <strong>de</strong>s assurés, même si la proportion d’agents irrationels paraît ici très limitée. Il<br />
semblerait que la rationalité <strong>de</strong>s agents soit plus forte pour ce type <strong>de</strong> produit.<br />
3.3.3 Les contrats liés au indices boursiers (In<strong>de</strong>x-Link)<br />
Ce type <strong>de</strong> contrat est très semblable aux contrats en UC. La différence rési<strong>de</strong> dans le<br />
support d’investissement qui est ici plus ciblé car il s’agit uniquement d’indices boursiers.<br />
Les variables assurés <strong>et</strong> contrat dont nous disposons sont i<strong>de</strong>ntiques aux types <strong>de</strong> produit<br />
précé<strong>de</strong>nt (issu <strong>de</strong> la même base données) <strong>et</strong> nous étudions donc ces contrats sur la pério<strong>de</strong><br />
1/1/2000 - 31/12/2007. Nous <strong>de</strong>vrions logiquement obtenir <strong>de</strong>s résultats en ligne avec l’étu<strong>de</strong><br />
<strong>de</strong>s produits en UC.<br />
Modélisation <strong>et</strong> prévisions par mélange <strong>de</strong> GLM<br />
Comme pour les produits en UC, le modèle statistique <strong>de</strong> régression logistique dynamique<br />
est inefficace tant sur la pério<strong>de</strong> d’échantillonnage où il ne reflète pas les pics en début <strong>de</strong> pério<strong>de</strong>,<br />
que sur la pério<strong>de</strong> validation où le niveau <strong>de</strong> rachat n’est pas bien ajusté (cf graphe 3.14).<br />
La conclusion <strong>de</strong> ce constat est que certes les eff<strong>et</strong>s économiques sont modélisés, mais la calibration<br />
<strong>de</strong> ces eff<strong>et</strong>s n’est visiblement pas adéquate. A l’inverse, le graphique 3.15 est très<br />
satisfaisant, le taux <strong>de</strong> rachat observé aussi bien sur la pério<strong>de</strong> d’apprentissage que sur la<br />
pério<strong>de</strong> validation reste toujours dans l’intervalle <strong>de</strong> confiance du taux prédit. La prise en<br />
compte spécifique <strong>de</strong>s variables explicatives dans le mélange perm<strong>et</strong> d’arriver à ces résultats,<br />
avec toujours en idée <strong>de</strong> modéliser l’hétérogénéité par <strong>de</strong>s coefficients <strong>de</strong> régression variables<br />
entre <strong>composantes</strong> pour les eff<strong>et</strong>s conjoncturels.<br />
Impact <strong>de</strong>s variables explicatives par les mélanges <strong>de</strong> Logit<br />
L’estimation <strong>de</strong>s coefficients <strong>de</strong> régression du modèle mélange en annexe C.4.3 dévoile<br />
moins d’hétérogénéité que pour les produits en UC, peut-être à cause du fait que le sup-<br />
91