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.
Chapitre 2. Crises <strong>de</strong> corrélation <strong>de</strong>s comportements<br />
quel sera le niveau moyen <strong>de</strong> rachat dans les mois à venir par rapport aux observations passées<br />
(pério<strong>de</strong> <strong>de</strong> référence pendant laquelle le modèle est construit) ? Le taux <strong>de</strong> rachat prévu sera<br />
ensuite ajusté en fonction <strong>de</strong> c<strong>et</strong>te hypothèse <strong>de</strong> base. Le seuil d’affectation (0,5) <strong>de</strong> la réponse<br />
(cf section 1.2.4) pourrait aussi jouer sur ces mauvaises prévisions car la duplication <strong>de</strong>s assurés<br />
crée un échantillon fortement déséquilibré avec 15 571 rachats sur les 991 010 observations,<br />
soit un taux <strong>de</strong> réponse nulle (non-rachat) <strong>de</strong> 98,43%. Néanmoins, c<strong>et</strong>te hypothèse ne semble<br />
pas être à l’origine <strong>de</strong> la différence observée en 2007, pour la simple <strong>et</strong> bonne raison que la<br />
différence ne serait pas observée seulement en 2007.<br />
L’aspect dynamique <strong>de</strong>s rachats a également été traîté par <strong>de</strong>s modèles fonctionnels (Ramsay<br />
and Silverman (2005) <strong>et</strong> Ramsay <strong>et</strong> al. (2009)) d’analyse <strong>de</strong> survie <strong>de</strong> type Cox <strong>et</strong> régression<br />
<strong>de</strong> Weibull (voir les excellents livres <strong>de</strong> Planch<strong>et</strong> and Thérond (2006) <strong>et</strong> Martinussen and<br />
Scheike (2006)) perm<strong>et</strong>tant <strong>de</strong> modéliser l’intensité <strong>de</strong> rachat à chaque moment <strong>de</strong> la durée <strong>de</strong><br />
vie du contrat, mais sans succès quant à la bonne prise en compte <strong>de</strong> l’influence du contexte<br />
économique. Pourtant c<strong>et</strong>te approche perm<strong>et</strong>tait d’éviter <strong>de</strong> catégoriser la principale variable<br />
d’intérêt, à savoir l’ancienn<strong>et</strong>é du contrat.<br />
Pour synthétiser, les prévisions <strong>de</strong> taux restent <strong>de</strong> qualité tant que les conditions économiques<br />
ne sont pas significativement différentes du passé, ce qui explique pourquoi l’usage <strong>de</strong><br />
telles métho<strong>de</strong>s <strong>de</strong> prévisions ne s’est pas réellement popularisé dans la pratique actuarielle.<br />
La partie suivante illustre parfaitement le phénomène observé ici en 2007, <strong>et</strong> introduit une<br />
approche théorique pour le traitement <strong>de</strong> ce type <strong>de</strong> problématique. C<strong>et</strong>te théorie servira <strong>de</strong><br />
point <strong>de</strong> départ dans la modélisation finale.<br />
2.2 Impact <strong>de</strong> crises <strong>de</strong> corrélation <strong>de</strong>s comportements<br />
Les assureurs basent souvent leur modèle dynamique <strong>de</strong> taux <strong>de</strong> rachat sur une courbe<br />
déterministe en forme <strong>de</strong> S pour tenir compte <strong>de</strong> l’évolution <strong>de</strong>s comportements <strong>de</strong> rachat<br />
en fonction <strong>de</strong>s scénarios économiques (section 3 du premier chapitre). C<strong>et</strong>te courbe en S<br />
correspond au taux <strong>de</strong> rachat moyen exprimé en fonction <strong>de</strong> la différence entre <strong>de</strong>ux taux, notée<br />
∆r. L’un <strong>de</strong> ces <strong>de</strong>ux taux est le taux servi par l’assureur à ses assurés, tandis que l’autre peut<br />
valoir le taux du meilleur concurrent ou bien un taux d’intérêt (nous pourrions aussi imaginer<br />
que ce ∆r représente une différence en termes <strong>de</strong> réputation...). L’idée courante est qu’un p<strong>et</strong>it<br />
∆r ne provoque pas plus <strong>de</strong> rachats qu’à l’accoutumée, que le taux <strong>de</strong> rachat évolue <strong>de</strong> manière<br />
monotone <strong>et</strong> non-linéaire avec ∆r, <strong>et</strong> que même si ∆r est très grand certaines personnes<br />
resteront en portefeuille parce qu’elles ne prêtent pas spécialement attention à l’évolution <strong>de</strong>s<br />
marchés (ou bien que cela les arrange). Le problème est que nous n’avons jamais observé les<br />
comportements <strong>de</strong> rachat dans la situation extrême où ∆r est très grand, ce qui implique que<br />
la construction d’un modèle stochastique s’appuie davantage sur <strong>de</strong>s jugements d’expert que<br />
sur <strong>de</strong>s données statistiques (qui n’existent tout simplement pas !).<br />
Une manière simple d’introduire <strong>de</strong>s eff<strong>et</strong>s stochastiques à c<strong>et</strong>te courbe déterministe en S<br />
est <strong>de</strong> supposer une distribution gaussienne autour <strong>de</strong> la valeur du taux <strong>de</strong> rachat, mais<br />
nous tentons d’expliquer ici pourquoi il serait préférable d’utiliser une distribution bi-modale<br />
qui perm<strong>et</strong>te <strong>de</strong> prendre en compte le changement <strong>de</strong>s corrélations entre comportements en<br />
scénarios extrêmes. Ces crises <strong>de</strong> corrélation (Biard <strong>et</strong> al. (2008), Loisel (2008)) suggèrent <strong>de</strong><br />
ne pas utiliser l’approximation normale basée sur le théorème central limite (TCL). En eff<strong>et</strong><br />
ce théorème repose sur l’hypothèse <strong>de</strong> base que les décisions sont indépendantes les unes <strong>de</strong>s<br />
autres, or ce ne serait vrai qu’avec la connaissance d’un facteur qui ren<strong>de</strong> compte du niveau<br />
48