2012 FR Memoire Adriensuru 0

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 218

Mémoire présenté devant l’Ecole Centrale de Paris pour l’obtention du diplôme d’Ingénieur de

l’Ecole Centrale des Arts et Manufactures

Et

Devant l’Université Paris Dauphine pour l’obtention du diplôme du Master Actuariat et


l’admission à l’Institut des Actuaires

Modélisation du rachat et parallèle


avec la Physique

Electronique Météorologie

Adrien Suru
2011

Résistance des matériaux Médecine

Pour : Inscription au Prix SCOR 2012.


Résumé

Le rachat est l’un des risques majeurs du marché de l’assurance vie en France. Etant
intrinsèquement lié au comportement même des clients, il est dans le même temps l’un des
moins bien connus et donc l’un des plus redoutés. Ce mémoire propose d’améliorer notre
compréhension et notre connaissance de ce risque singulier. Etant également issu d’une
formation d’ingénieur généraliste, une rencontre originale entre ce domaine et l’actuariat y
est proposée, à travers la méthode dite de la pensée latérale qui consiste à trouver des
analogies avec des secteurs très différents, et à appliquer leurs meilleures techniques au
sujet qui nous intéresse. Le lecteur ne sera donc pas surpris de croiser, entre autres, des
notions de finance, de résistance des matériaux, de marketing, de physique ou encore de
médecine.

Les changements profonds du contexte réglementaire du secteur assurantiel mettent


de plus en plus en lumière le risque de rachat. En premier lieu, les nouvelles normes
comptables IFRS (notamment IFRS4 phase 2) imposent d’évaluer les passifs d’assurance de la
façon la plus juste et sincère possible et d’y inclure le coût des options et garanties dont font
partie les rachats. Ensuite, la réforme Solvabilité II introduit la notion de SCR par risque et
reconçoit les calculs de provisions, le rachat se situant ainsi dans l’épicentre de cette
nouvelle réglementation européenne. Enfin, l’élévation de la MCEV au rang de mesure de
référence pour la valeur d’une compagnie d’assurance fait directement intervenir le coût des
options et garanties, et donc la valorisation des rachats. Le niveau historiquement bas des
taux actuels, les exigences internes et les enjeux stratégiques associés viennent également
renforcer l’intérêt porté aux études sur les rachats.

La modélisation actuelle des rachats dynamiques indique que le taux de rachat


déterministe doit être augmenté d’un facteur conjoncturel dépendant de la différence entre
un taux benchmark venant du marché et le taux servi par le contrat d’assurance. Ce facteur a
la forme d’une double courbe en S. Ainsi, tant que la différence de taux reste dans des
bornes acceptables, les rachats déterministes ne sont pas modifiés. En revanche, si la
différence de taux devient trop importante, les rachats sont dynamisés linéairement, jusqu’à
atteindre un maximum ou un minimum. Après quelques études générales sur les rachats
observés, nous montrons comment le taux de rachat maximal peut être calculé par le
modèle de Vasicek, qui permet notamment au décideur de choisir le risque de dépasser ce
taux et d’isoler l’effet de la crise. Les seuils de déclenchement et d’arrêt des rachats
dynamiques sont calculés à partir d’une analogie avec les rachats de crédit et la résistance
des matériaux. Nous verrons notamment comment la notion de résistance élastique des
rachats apparaît naturellement. Enfin, nous mesurerons l’impact qu’implique ce changement
de paramétrage sur le coût des options et garanties et donc sur la MVEC.

Dans une dernière partie, nous allons nous affranchir de la modélisation classique des
rachats et proposer de nouveaux modèles, issus chacun d’analogies avec des secteurs
différents. Nous justifierons dans chaque cas cette analogie et déroulerons le fil de cette
modélisation pour aboutir à des conclusions parfois très originales. Les limites de chaque
modèle seront précisées systématiquement. L’objectif est résolument ici d’apporter un
regard neuf.

Mots clés : rachat, rachats dynamiques, assurance vie, lois de comportement, Page | 3
Embedded Value, Vasicek, Black & Scholes, Chain-Ladder, régression logistique,
options et garanties.
Abstract

Surrenders account for one of the main risks of the French Life Insurance market.
Being per se linked to the very clients’ behavior, it is also one of the least known and thus
one of the most dreaded. This actuarial paper aims to improve our understanding and our
knowledge of this particular risk. Having been trained in a top French generalist engineering
school as well, an original mix between actuaries and engineering is proposed, through the
lateral thinking approach, which consists in identifying analogies with different sectors and
then applying their best practices to our own matter. The reader will not be surprised,
therefore, to cross, among others, concepts from finance, strength of materials, marketing,
physics, or medicine.

The recent in depth shifts in the regulatory framework in the insurance activity have
highlighted the surrender risk. First, the new IFRS (and more particularly the IFRS phase 2)
require to assess the insurance company’s liabilities as fairly and as accurately as possible,
and to include the cost of options and guarantees, one of which is surrenders. Then,
Solvency II introduces a split by risk in the calculation of the solvency capital requirement
and a new design for the assessment of reserves. The surrender risk is thus in the epicenter
of this new European regulation. Finally, the reinforcement of the MCEV as a reference
benchmark measure for the valuation of an insurance company emphasizes the cost of
options and guarantees, and therefore surrenders. Some other contextual events, such as
the historically low current level of interest rates, internal requirements or the related
strategic stakes, put surrenders in the limelight as well.

The current modeling of dynamic surrenders advocates that the deterministic


surrender rate should be multiplied by a conjuncture factor depending on the gap between a
benchmark market rate and the credited rate on the insurance product via a double S-curve.
Thus, if the gap remains within two boundaries, the deterministic surrenders are not
modified. However, if the gap is beyond these boundaries, the surrenders increase or
decrease linearly until a maximum or a minimum rate. After some general studies on
surrenders, we will show how this maximum surrender rate can be calculated thanks to the
Vasicek model, allowing the decision-maker to choose the risk to exceed this rate and to
isolate the effect of the recent crisis. The activating thresholds of the dynamic surrenders are
calculated from an analogy with mortgage prepayments and strength of materials. We will
notably see how the notion of “elastic limit” of surrenders appears naturally. Then, we will
give the impact of this new parameterization on the cost of options and guarantees and
therefore on the MCEV.

In a last part, we will free ourselves from this classic modeling of surrenders and
suggest new models, emerging from analogies with different sectors. We give for each the
justification and, going with the flow of these models, we will sometimes lead to astonishing
conclusions. The limits are systematically made clear. The aim is definitely here to take a
fresh look at surrenders.

Key words: surrender, dynamic surrenders, life insurance, behavior laws, Embedded Value,
Vasicek, Black & Scholes, Chain-Ladder, logistic regression, options and guarantees.
Page | 4
Synthèse

Ce mémoire est consacré à la modélisation du rachat. Ce dernier constitue l’un des


risques majeurs du marché de l’assurance vie en France. Etant intrinsèquement lié au
comportement même des clients, il est dans le même temps l’un des moins bien connus et
donc l’un des plus redoutés. Ce mémoire a pour objectif d’améliorer notre compréhension
et notre connaissance de ce risque singulier.

Ayant été formé également dans une grande école d’ingénieurs généraliste, une
rencontre originale entre l’actuariat et l’ingénierie est proposée, à travers la technique de la
pensée latérale, qui consiste à identifier des analogies de tout ordre avec des secteurs et des
domaines différents, puis d’en appliquer les meilleurs pratiques au sujet qui nous concerne.
Le lecteur ne sera donc pas surpris de croiser, entre autres, des notions de finance, de
résistance des matériaux, de marketing, de physique ou encore de médecine. La diversité
des champs mentionnés montre que les rachats renferment de multiples facettes.

Les récentes évolutions profondes du cadre réglementaire dans le monde de


l’assurance ont mis l’accent sur le risque de rachat. En effet, en premier lieu, les nouvelles
normes comptables IFRS (et plus particulièrement les IFRS 4 phase 2) imposent aux
compagnies d’assurance d’estimer leur passif de façon sincère et juste, et d’inclure le coût
des options et garanties dont font partie les rachats. Ensuite, dans la réforme prudentielle
Solvabilité II, le calcul du SCR (Solvency Capital Requirement) est effectué par risque avant
d’être agrégé et une nouvelle méthode de calcul des provisions a été introduite. Le risque de
rachat se trouve ainsi dans l’épicentre de ce nouveau cadre réglementaire européen. Enfin,
avec le renforcement de la MCEV au titre de mesure de référence de la valeur d’une
entreprise d’assurance, le coût des options et garanties (et donc des rachats), partie
intégrante du calcul, est directement impacté. D’autres éléments de contexte placent les
rachats sous le feu des projecteurs, comme le niveau historiquement bas des taux d’intérêt,
les exigences internes ou encore les enjeux stratégiques qui leur sont associés.

Selon la modélisation actuellement utilisée en matière de rachat, le niveau total des


rachats doit être calculé comme la somme des rachats structurels, qui sont observés dans
des conditions économiques « normales », et des rachats conjoncturels, qui dépendent de la
différence entre le taux crédité par le contrat d’assurance vie et un taux benchmark
provenant du marché. Ce second type de rachats est modélisé par une fonction linéaire par
morceau, supposant que si cette différence de taux reste entre deux bornes, il n’y a pas de
rachats conjoncturels. En revanche, si elle sort de cette plage, les rachats augmentent ou
diminuent linéairement jusqu’à l’atteinte d’un taux maximum ou minimum. Les derniers QIS
(Quantitative Impact Studies) proposent des valeurs pour les paramètres de cette fonction,
mais sont principalement fondées sur des avis d’expert.

Ainsi, dans un premier temps, nous tentons d’identifier les différents types de
comportements qui peuvent être observés sur notre portefeuille de produits. Nous utilisons
notamment un algorithme mathématique utilisé traditionnellement en marketing pour

Page | 5
segmenter les clients, le clustering, et concluons que le ratio de Sharpe constitue un
indicateur rationnel qui sépare les produits en trois groupes selon leur risque de rachat
potentiel : stable, erratique et intermédiaire.

Ensuite, nous proposons trois méthodes pour calculer le taux de rachat « best
estimate », caractéristique du niveau général de risque de rachat pour un produit. La
première modélise le taux de rachat par un modèle autorégressif (AR), qui est calibré aux
données. La théorie des modèles AR permet de donner, pour chaque produit, le
comportement théorique et le niveau que le taux de rachat devrait suive dans le futur. Une
généralisation est également proposée en incluant un facteur financier pour améliorer le
modèle, mais les résultats dépendent des produits. La seconde méthode utilise le modèle de
Vasicek. Il est en effet possible de calibrer ce dernier et de calculer le taux de rachat moyen
pour chaque produit. La troisième méthode est fondée sur des lois d’expérience et suppose
que le taux de rachat futur peut être directement estimé à partir des historiques de
données. Malgré les différences d’approches entre ces trois méthodes, les résultats sur les
taux de rachat sont cohérents.

Ensuite, nous mettons à jour et calculons les paramètres de la courbe de rachats


dynamiques pour nos produits, en ligne avec la modélisation classique actuelle. La forme des
historiques de taux de rachat nous invite à considérer le modèle de Vasicek. Ceci nous
permet de calculer le taux de rachat maximum probable correspondant à un niveau de
confiance choisi de façon à ce que le bilan de la compagnie d’assurance soit une « forteresse
imprenable ». Cette méthode présente de nombreux avantages : il est possible d’introduire
plusieurs niveaux de prudence en choisissant des paramètres appropriés. C’est ensuite un
modèle simple à implémenter et produit des résultats en un temps très limité. De plus, étant
donné qu’il se fonde sur les taux de rachat observés, il prend en compte tous les types de
volatilité, comme la volatilité opérationnelle, et pas seulement celle due au facteur financier.
L’impact de la récente crise peut également être isolé, et les résultats montrent qu’elle n’a
pas systématiquement augmenté les taux de rachat, la réaction des assurés dépendant de la
nature du produit. Plus généralement, nous pouvons mesurer les conséquences de
n’importe quel événement significatif en utilisant l’historique associé pour calibrer le
modèle, et mener des tests de sensibilité. En outre, un des avantages principaux de cette
méthode est de prendre en compte les spécificités de chaque produit. Ainsi, le calcul du taux
de rachat maximum probable par le modèle de Vasicek a engendré, en général, une
diminution de la valeur de ce paramètre, même en utilisant de nombreux niveaux de
prudence.

En ce qui concerne le seuil au-delà duquel les rachats dynamiques sont activés, un
parallèle avec la résistance des matériaux est effectué, et plus particulièrement avec la
résistance à la rupture d’une poutre soumise à un effort de traction. En effet, la formulation
du problème est similaire. Dans un cas, tant que l’effort de traction reste raisonnable, la
poutre utilise ses propriétés élastiques pour absorber la contrainte, en revanche, la poutre
se brise dès que l’effort de traction atteint un seuil particulier, la résistance élastique. Dans
l’autre cas, tant que la différence entre les taux (notre « effort de traction ») reste assez
faible, les rachats structurels ne sont pas dynamisés, en revanche, si la différence augmente
jusqu’à un certain seuil, les rachats dynamiques sont activés. Ainsi, une « résistance
élastique » apparaît naturellement pour chaque produit, et peut définir le seuil d’activation
que nous recherchons. Ce modèle reproduit le raisonnement rationnel qu’un assuré

Page | 6
effectuerait. Il compare l’épargne dans un premier scénario sans rachat et où l’épargne
continue à grandir régulièrement au taux actuellement crédité, et un second scénario où
l’assuré rachète, impliquant des taxes et des chargements, mais investit ensuite à un
meilleur taux. Il introduit une prime de risque pour modéliser la barrière psychologique que
l’assuré ressent avant de racheter. Nous pouvons ainsi calculer, pour n’importe quelle valeur
de la différence de taux, le temps nécessaire pour que les épargnes des deux scénarios se
rejoignent. Cette durée sera considérée comme raisonnable si elle reste inférieure à un
certain seuil, situation dans laquelle l’assuré rachète pour tirer profit des opportunités de
marché. La différence de taux correspondante donne la valeur du seuil d’activation des
rachats dynamiques.

La forme de la courbe donnant cette durée de retour sur investissement (ROI)


comme fonction de la différence de taux est hyperbolique. La borne supérieure de la plage
d’activation des rachats dynamiques, pour laquelle nous atteignons le taux de rachat
maximal, est ainsi définie comme la différence de taux correspondant à la stagnation de la
durée de ROI.

Les résultats montrent que cette nouvelle méthodologie resserre en général la plage
d’activation des rachats dynamiques.

Nous proposons ensuite des tests de sensibilité aux principaux paramètres d’entrée
du modèle. Enfin, nous donnons l’impact de ce nouveau paramétrage sur le coût des options
et garanties et donc sur la MCEV.

Les paragraphes précédents proposent une nouvelle méthodologie pour estimer les
paramètres de la modélisation actuelle des rachats dynamiques. Dans la prochaine étape,
nous nous affranchissons justement de cette modélisation classique et suggérons de
nouvelles pistes au service d’une meilleure compréhension des rachats. Au fil de l’eau, de
nombreuses analogies avec des domaines plus ou moins éloignés sont utilisées. Nous
donnons pour chacune la justification, si possible un calibrage avec les données et les
limites. En déroulant le fil de ces modèles, nous aboutirons parfois à des conclusions
étonnantes. L’objectif est résolument ici d’apporter un regard neuf sur les rachats.

Le premier modèle proposé est un développement et une extension d’un modèle


provenant du domaine des taux d’intérêt et qui a été mentionné précédemment, le modèle
de Vasicek. L’extension a notamment la capacité de modéliser des interactions entre les
rachats, la cyclicité de l’économie et le niveau et la volatilité des marchés. Des simulations
sont proposées pour matérialiser cette approche. Cette modélisation est particulièrement
adaptée pour des projections de long terme.

L’historique de données à notre disposition semble renfermer l’effet combiné d’un


processus de diffusion et d’une certaine tendance cyclique. Nous proposons ainsi
d’implémenter un modèle de Black & Scholes présentant un drift saisonnier. Il peut être utile
pour étudier des aspects sophistiqués des rachats sur des projections de court terme.

La troisième idée est apparue à partir de la définition même d’un rachat. Il s’agit
d’une option, et la théorie financière de l’évaluation d’option pourrait s’avérer utile. Le
principal avantage de ce modèle est qu’il prend en compte l’incertitude sur le taux d’intérêt

Page | 7
et donc le risque financier apporté par le rachat. Nous définissons ainsi le payoff sous-jacent
et déroulons la théorie classique pour aboutir à une formule fermée en utilisant des modèles
simples pour le taux d’intérêt servant de benchmark. Cette approche s’avère très utile pour
obtenir un bon ordre de grandeur du taux de rachat.

Nous revenons au secteur de l’assurance pour la prochaine méthodologie, en faisant


escale cette fois-ci dans le domaine de l’assurance non-vie. En effet, l’un des drivers
principaux du taux de rachat sur le marché français est l’ancienneté du contrat, en raison des
incitations fiscales associées aux seuils de 4 et 8 ans. Chaque assuré récupèrera un jour son
épargne. Ainsi, nous pouvons « déguiser » le contrat d’assurance en sinistre survenu mais
non déclaré. La date de souscription symbolise la date de survenance du sinistre et le rachat
marque sa date de déclaration. En organisant les données au sein d’un triangle, nous
pouvons appliquer la méthode Chain-Ladder pour prévoir les futurs taux de rachat. Ce
modèle traditionnel sera apprécié si l’assureur dispose d’une grande base de données et si
l’on se situe dans des conditions économiques normales.

Le dernier modèle est fondé sur la régression logistique, technique utilisée en


médecine ou en économétrie pour prévoir la probabilité de survenance d’un événement,
comme une maladie ou les intentions de vote. Nous devons définir un ensemble de variables
susceptibles d’expliquer le taux de rachat, puis appliquer la régression logistique. De
nombreuses variables macroéconomiques ont ainsi été récupérées, et les plus corrélées au
taux de rachat ont été retenues pour figurer dans le modèle. Nous en profitons pour déceler
les variables les plus influentes sur le comportement des assurés et l’évolution de leur force
explicative à travers le temps. Il est ainsi possible d’identifier un récent recentrage de
l’intérêt des assurés sur leurs inquiétudes du quotidien, comme par exemple le taux de
chômage, le niveau du SMIC, ou le taux du livret A, replaçant des indicateurs nationaux, la
santé de certaines sphères spéculatives, ou la santé d’autres macro-moteurs de croissance.
Ce modèle sera utile pour tracer le comportement des rachats en fonction de l’évolution des
conditions macroéconomiques.

Dans ce mémoire, nous avons, dans un premier temps, décrit le décor de notre étude
sur les rachats. Ensuite, nous nous sommes concentrés sur leur modélisation traditionnelle
actuelle et avons proposé des méthodes pour calculer et mettre à jour les paramètres sous-
jacents. Enfin, nous avons franchi les frontières de cette modélisation traditionnelle et
suggéré d’autres techniques provenant d’analogies avec d’autres secteurs. L’objectif était
d’adopter une approche originale de résolution de problème pour améliorer notre
connaissance d’un sujet stratégique, complexe, voire irrationnel.

Mots clés : rachat, rachats dynamiques, assurance vie, lois de comportement, Embedded
Value, Vasicek, Black & Scholes, Chain-Ladder, régression logistique, options et garanties.

Page | 8
Synthesis

This paper tackles the topical issue of modeling of surrenders. The latter account for
one of the main risks of the French Life Insurance market. Being per se linked to the very
clients’ behavior, it is also one of the least known and thus one of the most dreaded. This
actuarial paper aims to improve our understanding and our knowledge of this particular risk.

Having been trained in a top French generalist engineering school as well, an original
mix between actuaries and engineering is proposed, through the lateral thinking approach,
which consists in identifying analogies with different sectors or fields and then applying their
best methodologies and best cases to our own matter. The reader will not be surprised,
therefore, to cross, among others, concepts from finance, strength of materials, marketing,
physics, or medicine, showing that surrenders are definitely a multifaceted topic.

The recent in depth shifts of the regulatory framework in the insurance activity have
highlighted the surrender risk. Indeed, first, the new IFRS (and more particularly the IFRS 4
phase 2) require to assess the insurance company’s liabilities as fairly and as accurately as
possible, and to include the cost of options and guarantees, one of which is surrenders.
Then, in the Solvency II reform, the calculation of the solvency capital requirement is split by
risk before aggregation. Moreover, it introduces a new design for the assessment of
reserves. The surrender risk is thus in the epicenter of this new European regulation. Finally,
with the reinforcement of the MCEV as a reference benchmark measure for the valuation of
an insurance company, the cost of options and guarantees (and therefore surrenders), as a
part of the MCEV, are directly involved. Some other contextual events, such as the
historically low current level of interest rates, internal requirements and guidelines or the
related strategic stakes, put surrenders in the limelight as well.

According to the currently used modeling of surrenders, the total level of surrenders
should be assessed as the sum of structural surrenders, which may be observed in “normal”
economic conditions, and conjuncture surrenders, which depend on the gap between the
credited rate on the life insurance contract and a benchmark market rate. These latter
surrenders are modeled via a piecewise linear function, assuming that if the gap remains
within two boundaries, there is no conjuncture surrenders. However, if the gap is beyond
these boundaries, the surrenders increase or decrease linearly until a maximum or a
minimum rate. The latest Quantitative Impact Studies give values to the parameters of this
curve, but are mostly based on advisory opinion.

Thus, in a first step, we try to identify the different typical behaviors which can be
observed on our portfolio of products. We notably use a mathematical algorithm used
traditionally in marketing to segment the customers, clustering, and find that the Sharpe
ratio is a rational indicator which splits up in three groups our products according to their
potential surrender risk: stable, erratic and intermediate.

Page | 9
Then, we propose three methods to calculate the best estimate surrender rate,
representative of the general level of risk of surrender for a product. The first one models
the surrender rate via an autoregressive (AR) model, which is calibrated to fit the data. The
AR models theory gives, for each product, the theoretical behavior and level the surrender
rate should follow in the future. A generalization is also proposed by including a financial
factor to improve the model, but the results are quite disparate. The second method uses
the Vasicek model. It is indeed possible to calibrate the latter and assess the average
surrender rate of each product. The third one is based on experience laws, and assumes that
the future surrender rate can be calculated from its histories. Despite the differences
between these three methodologies, the results on the surrender rates are consistent.

Then, we update and assess the parameters of the dynamic surrenders curve for our
products, in line with the current classic modeling. The shape of the surrender rate history
invites us to consider the Vasicek model. This allows us to calculate the likely maximum
surrender rate related to a degree of confidence chosen so that the insurer keeps a “fortress
balance sheet”. This method offers many assets: it is possible to introduce several levels of
prudence by choosing adequate parameters. It is then easy to implement and gives results in
a very limited time. Moreover, since it is based on actual observed surrender rates, it allows
for different kinds of volatility, such as the operational one, and not only the financial one.
The impact of the recent crisis can also be isolated on these extreme risks, and the results
reveal that it did not systematically increase the surrender rates, the policyholders’ reaction
depending on the nature of the product. More generally, we can measure the aftermath of
any significant event by using only the related history to calibrate the model, and carry out
sensitivity tests. Furthermore, one of the main assets of this method is to take into account
the specificities of each individual product. Thus, the calculation of the likely maximum
surrender rate via the Vasicek model triggered, in general, a decrease of the value of this
parameter, even by using numerous levels of prudence.

Regarding the threshold beyond which dynamic surrenders are activated, a parallel is
drawn with the strength of materials, and more particularly the breaking strength of a beam
undergoing a traction effort. Indeed, the working out of the problem is quite similar. In one
case, as long as the traction effort remains reasonable, the beam uses its elasticity faculties
to absorb the effort, however, the beam breaks if the traction effort reaches a particular
threshold, called the elastic limit. In the other case, while the gap between the rates (our
“traction effort”) remains low enough, the surrender rate is not increased, however, if the
gap goes up to a particular threshold, then the dynamic surrenders are released. Thus, an
“elastic limit” appears naturally for each product, and can be used as the activating
threshold we are looking for. The model reproduces the rational reasoning a client would
follow. It compares the savings in a first scenario where there is no surrender and the
savings keeps on growing regularly at the current credited rate and a second scenario where
the client surrenders, triggering taxes and costs, but then invests at a better rate. It
introduces a risk premium to model the psychological barrier the client will feel before
surrendering. We can calculate, for any value of the gap between the rates, the time needed
to bridge the gap between the two scenarios. This time will be considered as reasonable if it
remains under a particular threshold, the client will then surrender to make the most of the
market. The corresponding gap between the rates gives the value of the activating threshold
of dynamic surrenders.

Page | 10
The shape of the curve giving this time for return on investment (ROI) according to
the gap between the rates is hyperbolic. The upper boundary of the activating range of
dynamic surrenders at which we hit the maximum surrender rate is thus defined as the gap
corresponding to the stagnation of the ROI time.

The results show that this new methodology tightens in general the activating range
of dynamic surrenders.

We propose then sensitivity tests for the main input parameters of the model.
Finally, we will give the impact of this new parameterization on the cost of options and
guarantees and therefore on the MCEV.

The previous paragraphs propose a new methodology to assess the parameters for
the current modeling of dynamic surrenders. In a next step, we precisely free ourselves from
this classic modeling and suggest new trails to a better understanding of surrenders. Along
the way, many analogies with more or less poles apart fields are designed. We give for each
the justification, if possible a calibration to fit to the data and its limits. Going with the flow
of these models, we will sometimes lead to astonishing conclusions. The aim is definitely
here to take a fresh look at surrenders.

The first proposed model is a development and an extension of a model stemming


from the interest rates field and that was introduced previously, the Vasicek model. The
extension can notably model interactions between surrenders, the cyclic aspect of the
economy and the level and volatility of the markets. Simulations are proposed to concretize
the model. This modeling is particularly adapted for long term projections.

The data history at our disposal seems to disclose the combined effect of a diffusion
process with a certain cyclical trend. We thus try to implement a Black & Scholes model with
a seasonal drift. It can be useful to study sophisticated aspects of surrenders on short term
projections.

The third idea arose from the very definition of a surrender. It is an option, and, as an
option, the financial theory on option valuation could be useful. The main asset of this model
is that it copes with the uncertainty of the interest rate, and thus allows for the financial risk
triggered by the surrender. We thus define the underlying payoff, and unwind the classic
theory to come out with a closed-form solution assuming simple models for the benchmark
interest rate. This approach turns out to be helpful to get an order of magnitude of the
surrender rate.

We come back to the insurance sector for the next methodology, but we stop over in
the non-life insurance land this time. Indeed, one of the main drivers of the surrender rate in
the French market is the age of the contract, because of the incentive fiscal thresholds of 4
and 8 years. Everybody will one day withdraw his savings. Thus, we can dress the very
insurance policy as an incurred but not reported (IBNR) claim. The inception date marks the
incidence date of the claim and the surrender marks its notification date. By organizing the
data within a triangle, we can then apply the Chain-Ladder methodology to forecast the next
surrender rates in the future. This traditional model will be appreciated if the insurer has a
wide database and in normal economic conditions.

Page | 11
The last model is based on logistic regression, a technique used in medicine or
econometrics to predict the probability of occurrence of an event, such as an illness or
voting intentions. We have to define a set of variables likely to explain the surrender rate,
and then apply the logistic regression. Numerous macroeconomic variables have been
collected, and the most correlated to the surrender rate have been chosen to be in the
model. We take the opportunity to find out the most influential variables on the clients’
behavior and the evolution of their explanatory strength through time. It is thus possible to
identify a recent refocusing of the clients’ interest on their daily life concerns, such as the
unemployment rate, the minimum salary, or the interest rate credited to their liquid assets,
replacing national indicators, the health of some speculative areas, or the situation of other
growth macro-engines. This model will be useful to track the surrenders behavior with the
evolution of the macroeconomic conditions.

In this paper, we have, in a first step, set the scene for our study on surrenders. Then,
we focused on their current traditional modeling and proposed methods to calculate and
update the underlying parameters. Finally, we went beyond the limits of this traditional
modeling and suggested appropriated techniques stemming from analogies with other
sectors. The aim was to adopt an original problem-solving approach to improve our
knowledge in a strategic and complex, verily irrational issue.

Key words: surrender, dynamic surrenders, life insurance, behavior laws, Embedded Value,
Vasicek, Black & Scholes, Chain-Ladder, logistic regression, options and guarantees.

Page | 12
Remerciements

Ils m’ont fait bénéficier d’une formation d’une très grande qualité, et je souhaite leur
adresser mes premiers remerciements.

Merci à Valérie FERREBOEUF et à Lionel GABET, responsables respectivement, à


l’Ecole Centrale Paris, de la Filière Stratégie & Finance et de l’Option Mathématiques
appliquées, pour la qualité de leur enseignement. Merci à Marie-Christine DUPONT et à
Serge DELLE-VEDOVE pour le temps qu’ils m’ont consacré, pour leurs conseils avisés et pour
tous les enseignements tirés des Ateliers de Développement Personnel et Leadership, qui
m’ont été d’une très grande aide dans ce mémoire et plus généralement dans ma vie. Merci
à Olivier WINTENBERGER et Romuald ELIE, responsables du Master Actuariat à l’Université
Paris Dauphine, pour leur écoute, leur disponibilité et leurs retours.

Mes remerciements s’adressent également à l’ensemble du corps professoral de


l’Ecole Centrale Paris ainsi qu’au Master Actuariat de l’Université Paris Dauphine.

Ils m’ont permis de m’intégrer très rapidement dans la vie professionnelle, et je


ressens un réel plaisir à travailler avec eux et au sein de leurs équipes.

Je tiens à remercier Sébastien BACHELLIER, Chef Actuaire d’Allianz France, Stéphanie


PELLETIER, Directrice du département Normes et Modélisation Actuarielles Vie, et Anne
PHELEP-LE-POUTRE, Directrice du département Valorisations Déterministes, pour m’avoir
accueilli dans leur équipe, pour leurs conseils ainsi que pour le suivi et l’intérêt porté à mes
travaux.

Partageant le même bureau qu’elles, je remercie Audrey LAMIRAULT et Julia TEBOUL


pour leur aide, leur gentillesse et toutes les réponses qu’elles m’ont apportées.

Je souhaite remercier Sophie LUNVEN, Anthony BAINVILLE et Youssouf TRAORE-


KOUAO pour nos échanges créatifs sur des points particuliers de mon mémoire, ainsi que
Christine OVIDE et Christophe DURAND pour m’avoir consacré de leur temps.

Merci à l’ensemble des équipes Valorisations Déterministes, Consolidation et DIFOG,


pour leur accueil, leur amitié et l’attention qu’ils m’ont accordée.

Page | 13
Sommaire
Résumé .......................................................................................................... 3
Abstract ......................................................................................................... 4
Synthèse ........................................................................................................ 5
Synthesis ........................................................................................................ 9
Remerciements .............................................................................................13
Présentation du groupe Allianz .....................................................................16
Introduction ..................................................................................................20
PARTIE I - ASSURANCE VIE : ACTIVITE, CONCEPTS CLES, REGLEMENTATION ..21
1.1) L’activité d’assurance vie ................................................................................... 22
1.2) Réglementation en assurance vie ...................................................................... 36
1.2.1) Réglementation et comptabilité ..................................................................... 36
1.2.2) Réglementation actif – passif ......................................................................... 42
1.3) Outils de simulation d’un assureur .................................................................... 44
1.3.1) Outils d’analyse des flux de trésorerie ............................................................ 44
1.3.2) Outils déterministes....................................................................................... 47
1.3.3) Outils stochastiques ....................................................................................... 49
PARTIE II : GENERALITES SUR LES RACHATS, PRESENTATION DE LA
PROBLEMATIQUE ..........................................................................................52
2.1) L’option de rachat ............................................................................................. 53
2.1.1) Définition et cadre juridique ....................................................................... 53
2.1.2) Les risques pour l’assureur ......................................................................... 55
2.1.3) Comment le risque de rachat peut causer la faillite d’un assureur ............... 57
2.2) Un nouvel environnement réglementaire .......................................................... 59
2.2.1) Les normes IFRS.......................................................................................... 59
2.2.2) La réforme Solvabilité II .............................................................................. 61
2.2.3) La MCEV d’une compagnie d’assurance ...................................................... 65
2.3) Etablissement de la problématique ................................................................... 76
2.3.1) Un contexte économique particulier ........................................................... 76
2.3.2) Une modélisation à mettre à jour ............................................................... 76
PARTIE III : Mise à jour du paramétrage des rachats dynamiques ..................79
3.1) ALIM ................................................................................................................. 80
3.1.1) Aperçu global ............................................................................................. 80
3.1.2) Les inputs ................................................................................................... 84

Page | 14
3.1.3) Le modèle .................................................................................................. 85
3.2) Mise à jour des paramètres de rachats dynamiques : la méthodologie ............... 87
3.2.1) Modélisation ALIM actuelle des rachats dynamiques .................................. 87
3.2.2) Premières analyses ..................................................................................... 91
3.2.3) Nouveau paramétrage ...............................................................................106
3.3) Mise à jour des paramètres de rachats dynamiques : les résultats ....................148
PARTIE IV : Propositions de modélisation des rachats ................................. 152
4.1) Modèle de Vasicek ...........................................................................................153
4.2) Modèle de Black & Scholes saisonnier ..............................................................166
4.3) Vision évaluation d’option financière ...............................................................169
4.4) Triangles de Chain-Ladder ................................................................................172
4.5) Analyse macroéconomique ..............................................................................176
Conclusion .................................................................................................. 186
Annexes ...................................................................................................... 187
Bibliographie ............................................................................................... 217

Il est conseillé au lecteur familier avec les notions relatives au secteur de l’assurance vie de se
rendre directement en partie II. La partie I offre une vision de l’activité d’assurance vie et
rappelle les éléments techniques de base de ce secteur. La première section de la partie III
présente le modèle interne Allianz. Sa lecture, assez technique, n’est pas indispensable à la
compréhension de la suite du mémoire.

Les termes suivis du symbole * font l’objet d’une définition en annexe 1.

L’annexe 2 rappelle la signification des abréviations utilisées.

Page | 15
Présentation du groupe Allianz

1) Le groupe et son activité

Le groupe Allianz est un leader en assurance et services financiers. Premier assureur


mondial en assurance de biens et responsabilités, troisième en capitalisation boursière, il
compte plus de 75 millions de clients dans 70 pays répartis sur les 5 continents, et regroupe
150 000 personnes. Le siège social se situe à Munich.

Figure 1. Implantations d'Allianz dans le monde en 2010

En 2010, le chiffre d’affaires (CA) s’est élevé à 106,5 milliards d’euro1, dont la moitié a
été réalisée en Europe, pour un résultat opérationnel de 8,2 milliards d’euro. Le groupe se
classe ainsi dans les 25 premières sociétés mondiales en termes de chiffre d’affaires et est le
2ème plus important gestionnaire d’actifs mondial.
Les secteurs d’activité sont très variés : Allianz aide par exemple plus de 5 millions de
clients en micro-assurance en Inde, en Indonésie et en Afrique, assure le plus long tunnel
ferroviaire du monde, Gotthard, en cours de construction en Suisse, et assure la plupart des
productions cinématographiques d’Hollywood.

En 2009, la société française AGF a définitivement changé de marque pour devenir


Allianz France, deuxième filiale du groupe dans le monde, et 5ème assureur français (12
milliards d’euro de chiffre d’affaires, 15 000 personnes, et 5 millions de clients en 2008). Son
siège est à Paris.
Allianz France couvre les besoins des particuliers en terme de vie quotidienne et
d’épargne : assurance auto (dépannage, assurance au km, …), habitation et loisirs (vols,

Page | 16
1
Source : Documents internes Allianz [25].
réparations, …), santé, prévoyance (accident de la vie, décès, invalidité, …), assurance vie,
retraite, services bancaires (crédits, livret A, …). Allianz répond également aux besoins des
professionnels et des entreprises en matière de protection de l’outil de travail, de pérennité
de l’entreprise, de protection du salarié et du chef d’entreprise, de responsabilité de
l’entreprise et des dirigeants, etc.

2) Eléments de stratégie

Allianz se positionne sur les grands défis mondiaux du XXIème siècle : réchauffement
climatique, évolution de la démographie, gestion des risques financiers, en adaptant ses
produits pour y faire face.

Une attention particulière est portée à l’accompagnement et la satisfaction de tous


ses interlocuteurs : ses clients, ses employés, ses actionnaires, ses distributeurs et la Société.
Malgré la crise, Allianz se veut un partenaire solide auprès de chacun d’entre eux. “It is in
the best interest of all our stakeholders that we put the customer at the heart of everything
we do” (Michael Diekmann, P-DG d’Allianz).

Allianz est considérée comme l’une des entreprises les plus éthiques au monde.

Les résultats du groupe sont présentés ci-dessous, de même que la répartition du


portefeuille d’investissement qui montre une haute qualité.

2009 2010 Variation


Chiffre d’affaires 97,4 106,5 + 9,3 %
IARD (1) 42,5 43,9 + 3,2 %
Vie / Santé 50,8 57,1 + 12,5 %
Asset management 3,7 5,0 + 35,2 %
Autres 0,5 0,6 + 20 %
Ratio combiné IARD (1) 97,4 % 97,2 % - 0,2 pt
Résultat opérationnel 7,0 8,2 + 17 %
IARD (1) 4,1 4,3 + 5,9 %
Vie / Santé 2,7 2,9 + 7,4 %
Asset management 1,4 2,1 + 47 %
Autres - 1,0 - 0,9 + 8,4 %

(1) Incendie, Accidents, Risques divers.

Tableau 1. Résultats Allianz

Page | 17
Répartition du portefeuille
d'investissement Notation des obligations
2%
100% 4%
Autres/liquidités AAA
10%
(7,6 Mds€)
80% AA
Immobilier (8,7
60% Mds€) 46% A
40% Actions (33,0 26% BBB
Mds€)
20% 12% <BBB
Obligations
(395,6 Mds€) Non noté
0%

3) Allianz France

Allianz France présente une force de proximité particulière auprès de ses 4,6 millions
de clients particuliers et de ses 500 000 clients entreprises, avec plus de 2 000 agents
généraux, 2 500 conseillers Allianz Finance Conseil, 350 conseillers en prévoyance santé et
1 200 courtiers partenaires. Ses 2600 points de vente en font le 2 ème réseau français.
Afin d’assurer une offre complète, Allianz en France est constitué de 6 sociétés :

Allianz France

Cet assureur généraliste a plus de 5 millions de clients et génère 11,49 Mds d’€ de
chiffre d’affaires.

Allianz Global Corporate & Specialty France (AGCS)

Présent dans 26 pays, AGCS assure les grands risques d’entreprises, les projets de
construction et les spécialités telles que la marine, l’aviation ou le risque spatial. Avec 20%
de part de marché de ce segment en France, AGCS France pèse 16% du chiffre d’affaires
total d’AGCS monde avec 616 millions d’euros de CA.

Allianz Global Investors France

2ème gérant d’actif mondial par le total des encours avec 1 518 Mds d’€, AGI France
gère 77 Mds d’€ d’actifs, parmi lesquels 6,4 Mds d’€ sont en lien avec l’Investissement
Socialement Responsable.

Allianz Real Estate France (AREF)

C’est un des leaders mondiaux en investissement immobilier. AREF gère notamment


le patrimoine immobilier d’Allianz France (1,2 millions de m² pour une valeur de 2,3 Mds
d’€).

Page | 18
Mondial Assistance

Présent dans 28 pays, c’est le leader mondial de l’assistance. 21% de son CA est issu
de la France, soit 400 millions d’€ pour 1,4 million de cas gérés.

Euler Hermes

Leader mondial de l’assurance-crédit avec 34% de part de marché dans le monde,


implanté dans 54 pays, Euler Hermes a réalisé 2,1 Mds d’€ de CA, dont 390 millions en
France. 110 000 cas sont gérés chaque année dans le monde et la société est cotée à la
Bourse de Paris.

La réalisation de ce mémoire s’est déroulée au sein du département Normes et


Modélisation Actuarielles Vie, à la Direction de l’Actuariat d’Allianz France. L’équipe est en
charge notamment des travaux liés à la communication financière sur la Market Consistent
Embedded Value (MCEV) des compagnies d’assurance vie et des retraitements liés aux
normes IFRS. Ces activités sont fondées sur l’identification des risques et leur valorisation :
 Risque de mortalité, de longévité, de rachats, etc.
 Risques financiers
 Risques opérationnels

L’émergence de la modélisation actif/passif et des calculs stochastiques associés aux


nouvelles normes comptables font de ce service une entité importante.
Le fil conducteur du mémoire a été l’étude du risque de rachat sur le portefeuille Vie
d’Allianz France (57,1 milliards d’euro de CA en 2010). Toutes ces notions et les concepts
associés sont définis et précisés dans la première partie.

Page | 19
Introduction

Au milieu des années 50, l’intensification de la concurrence sur le marché américain


de l’assurance vie a poussé les assureurs traditionnels à proposer des innovations
commerciales aux clients pour se démarquer. Ce phénomène a provoqué une
complexification des produits à travers l’offre de nouvelles options et garanties aux assurés.
De nouveaux risques pour l’assureur sont ainsi mécaniquement apparus. Un exemple
symbolique est l’option de rachat, permettant à l’assuré de retirer son épargne avant la
maturité prévue à la signature du contrat. Le succès de cette option a été tel qu’elle est
maintenant incorporée dans le Code des Assurances. Elle est également à l’origine de l’un
des plus grands risques identifiés sur le marché de l’assurance vie français. En effet, dans un
scénario de hausse des taux, les assurés, à la recherche d’un rendement meilleur, vont avoir
tendance à racheter leur contrat pour investir dans un placement plus rentable, forçant
l’assureur à vendre ses actifs et à réaliser éventuellement des moins-values.

Pour quelles raisons ce risque de rachat fait-il l’objet d’une attention toute
particulière de nos jours ? La première explication vient de la situation économique actuelle :
les taux d’intérêt étant historiquement bas, les compagnies d’assurance anticipent une
remontée des taux et donc une recrudescence des rachats exercés par leurs clients. Une
deuxième raison réside dans le changement de comportement des assurés observé suite à la
crise en matière de rachat : malgré une baisse du taux de rachat après la crise, ce dernier
semble repartir à la hausse sur les derniers mois, et les modèles des assureurs doivent être
mis à jour. Enfin, la réglementation actuelle, notamment les normes IFRS, la réforme
Solvabilité II et la création de la Market Consistent Embedded Value, incitent vivement les
acteurs du marché de l’assurance à évaluer et modéliser au plus juste les rachats sur leur
portefeuille.

Ce mémoire a ainsi pour objectif d’améliorer notre compréhension et la modélisation


du risque de rachat. La première partie rappelle les principaux concepts propres au secteur
de l’assurance vie et est complétée par la deuxième partie introduisant plus particulièrement
la notion de rachat et établissant la problématique de ce mémoire. Dans la troisième partie,
nous allons étudier comment améliorer le paramétrage de la modélisation actuelle, en
utilisant la théorie au service des enjeux opérationnels et stratégiques. Dans la quatrième
partie, nous franchirons les frontières de la modélisation classique pour exposer de
nouveaux modèles originaux pour les rachats.

Page | 20
PARTIE I - ASSURANCE VIE : ACTIVITE, CONCEPTS CLES,
REGLEMENTATION

INTRODUCTION

Une des caractéristiques de l’actuariat en assurance vie parmi les plus enrichissantes,
mais également parmi les plus complexes, est sa très forte interaction avec tous les aspects
relatifs à l’activité d’assurance : aspects humains, techniques, financiers, juridiques,
commerciaux, comptables, etc. Ceci suppose donc une connaissance du fonctionnement
d’une entreprise d’assurance dans sa globalité. Il serait impossible de recenser ici toutes ses
dimensions, mais nous allons commencer par donner les définitions de base et décrire
l’environnement réglementaire et comptable actuel de l’activité d’assurance en lien avec le
sujet de ce mémoire. Nous insisterons notamment sur les interactions actif/passif.

Page | 21
1.1) L’activité d’assurance vie

Bilan et compte de résultat


Toute entreprise dispose d’un actif, qui reflète ce qu’elle possède, et en contrepartie
d’un passif, qui reflète ce qu’elle doit. Dans une activité traditionnelle, l’entreprise produit
un bien ou un service en décaissant un certain prix de revient, puis est rémunérée en
contrepartie de la livraison de ce bien ou de ce service. L’activité d’un assureur est
singulière : en effet, le montant de la garantie d’un contrat d’assurance vie est prévu dès la
signature du contrat, quelle que soit la gravité de l’événement subi. L’assureur encaisse son
prix de vente avant de décaisser son prix de revient et dispose ainsi de fonds dans l’intervalle
de temps. On parle de cycle inversé de la production. Ceci conduit l’assureur à disposer d’un
actif important pour faire face aux engagements qu’il a pris vis-à-vis des assurés.

La particularité de l’assurance vie par rapport aux autres assurances (automobile,


habitation, santé, etc.) réside dans la durée des contrats : typiquement, il s’écoule environ
10 ans entre l’encaissement de la prime par l’assureur et le versement des prestations aux
assurés, au lieu de 1 an environ en assurance automobile par exemple.

Du point de vue bilan, l’actif réel d’une entreprise d’assurance est principalement
constitué de placements, et le passif réel des engagements à l’égard des assurés (ce sont les
provisions techniques). La différence entre ces actifs et ces passifs est appelée la situation
nette, ou capitaux propres, et doit être positive. L’entreprise doit en effet être à tout instant
en mesure de répondre de ses engagements.

Actif Passif
Placements Capitaux Propres
Provisions Techniques
Créances Dettes

Du point de vue compte de résultat, les produits d’une entreprise d’assurance sont
principalement constitués des primes versées par les assurés et des revenus des placements
financiers. Les charges sont majoritairement les prestations et les frais de fonctionnement
de l’entreprise.
Le fait que le prix de vente de l’opération d’assurance (montant de la prime) est
connu et encaissé avant que le prix de revient (montant du sinistre) ne soit connu et
décaissé permet une lecture particulière du bilan. Dans une entreprise classique, l’activité
nécessite certains actifs (immobilisations et stocks), et le passif du bilan montre comment
l’entreprise les a financés. On peut lire le bilan de gauche à droite et voir comment l’actif a
été financé par le passif. Dans une entreprise d’assurance, l’activité amène à une
constitution du passif, et l’actif montre comment l’entreprise a utilisé les fonds reçus et
comment elle pourra payer ses engagements. La lecture peut se faire de droite à gauche en
voyant comment le passif a été couvert.

Page | 22
Exemple
On peut dès à présent donner un premier exemple : le contrat d’épargne, part
importante des engagements vie. Deux types de contrats sont distingués :
 ceux qui, en contrepartie d’une prime de 100 € plus frais, garantissent
au terme de 10 ans un capital de 100 € majoré d’intérêts issus d’un taux minimum
garanti (3 % par an par exemple) et de participations aux bénéfices.
 ceux qui, en contrepartie d’une prime de 100 € plus frais,
correspondant à la valeur de 3,86 parts (par exemple) de la SICAV X, garantissent au
terme de 10 ans 3,86 parts de cette même SICAV X, l’assuré espérant une
progression de la valeur de la part.

Dans le premier cas, l’assureur va par exemple investir dans des obligations
(rapportant par exemple 5 % par an), obtenant ainsi un différentiel positif lui permettant de
faire face à des événements défavorables et d’espérer un bénéfice (dont 85 % au moins
doivent être toutefois reversés réglementairement aux assurés, comme nous le verrons plus
loin). Dans le second cas, l’assureur achète par exemple 3,86 parts de la SICAV X, le
différentiel positif étant les chargements prélevés sur la prime.

Les principaux types de produit en assurance vie (cas d’école)


Dans un contrat d’assurance vie, la garantie de l’assureur peut être une prestation en
cas de vie de la (les) tête(s) assurée(s) à la date prévue, ou bien en cas de décès de la(les)
tête(s) assurée(s) d’ici la date prévue. Les prestations peuvent s’effectuer par versement
d’un capital ou d’une rente.

Les 4 produits élémentaires sont les suivants2.

 la temporaire décès

Elle garantit le versement d’un capital à un bénéficiaire si la mort de la tête


assurée survient avant le terme prévu à la signature du contrat.

Versement d’un capital

0
Temps
Prime Terme
Décès

Page | 23

2
Voir Le Le Vallois F., Tosetti A., Palsky P., Paris B. [13]
Exemples : en cas de décès du chef de famille, un capital est versé à la veuve ou aux
enfants. Il s’agit d’une temporaire décès. Ce type de garantie se rencontre aussi dans les
contrats d’assurance emprunteur qui prévoient en cas de décès de l’assuré-emprunteur le
versement au prêteur (le banquier) du capital restant dû.

 la vie entière

La garantie vie entière verse un capital à un bénéficiaire au décès de l’assuré, quelle


que soit la date du décès. Par conséquent, la prestation est toujours versée, l’aléa portant
sur la date du décès et sur la date de règlement du capital.

Versement d’un capital

0
Temps
Prime
Décès

Exemples : ce type de garantie se rencontre dans les contrats dont l’objet est de
faciliter le paiement des droits de succession ou des frais générés par le décès (frais
d’obsèques). Cette garantie peut être utilisée pour transmettre un capital à un bénéficiaire
quel qu’il soit (et donc pas forcément un héritier naturel).

 Le capital différé

Un capital est versé à un bénéficiaire (en général l’assuré) si ce dernier est toujours
en vie au terme du contrat.
Versement d’un capital en
cas de vie de l’assuré

0
Temps
Prime Terme

Page | 24
 la rente viagère

La rente viagère garantit le versement de flux financiers périodiques (appelés


arrérages) à l’assuré jusqu’à son décès.

La durée de la garantie (que ce soit par exemple la garantie d’un capital en cas de
décès ou d’une rente en cas de vie) peut être temporaire ou illimitée si elle ne s’éteint qu’au
décès de l’assuré.
La garantie de rente viagère peut être à effet immédiat (la première période de
versement d’arrérages commence dès la souscription) ou à effet différé (la première de
versement débute après un certain délai, à la retraite par exemple). La rente peut être à
durée temporaire (après une certaine durée les versements de rente sont interrompus
même si l’assuré est en vie) ou à durée illimitée (les versements de rente s’interrompent
seulement au décès de l’assuré).

Arrérages

0
Temps
Différé
Décès
Prime

La combinaison de garanties est possible. Une rente est par exemple une succession
de capitaux différés. Une mixte est un contrat d’assurance dans lequel l’assureur s’engage à
verser un capital, en général à l’assuré lui-même, au terme s’il est toujours en vie (capital
différé), et à verser le même capital à un tiers au moment du décès si celui-ci survient avant
le terme du contrat (temporaire décès).

De manière analogue à la structuration dans le domaine bancaire lors de la


conception de nouveaux produits, on peut « superposer » les courbes des contrats
élémentaires. En suivant l’exemple précédent, on peut effectuer l’opération suivante.

Page | 25
Temporaire décès
Versement d’un capital

0
Temps
Prime Terme
Décès

Capital différé Versement d’un capital en


cas de vie de l’assuré

0
Temps
Prime
Terme

=
Versement d’un capital en Versement d’un capital en
Mixte cas de décès cas de vie de l’assuré

0
Temps
Prime Terme
Décès

Pour rendre le produit plus attractif commercialement, l’assureur peut proposer des
garanties complémentaires (maladie, chômage, etc.).

On distingue ensuite les contrats à prime unique (versement en une seule fois, en
principe à la souscription), les contrats à primes périodiques (échéancier prévu au contrat,
généralement annuel), et les contrats à versements libres.
On distingue également les assurances individuelles et collectives.

Page | 26
Il y a plusieurs causes de sortie de contrat : sinistre, terme, rachat (le contractant
reçoit la Provision Mathématique, notion définie un peu plus loin), résiliation ou transfert.

Tarification
Le tarif de ces produits d’assurance varie énormément en fonction du type de
contrat. Le principe de base consiste à dire que la ou les primes encaissées doivent
permettre de financer dans le futur les coûts des prestations. Autrement dit, les flux de
l’assuré et les flux de l’assureur doivent s’équilibrer. Cet équilibre doit tenir compte du fait
que les flux futurs doivent être actualisés pour avoir leur valeur d’aujourd’hui, et des
probabilités que ces flux soient versés (une temporaire décès sans le décès de la tête
assurée ne donne pas lieu au versement du capital). On obtient alors la Valeur Actuelle
Probable (VAP) d’un flux futur en multipliant ce flux par le facteur d’actualisation et par sa
probabilité de réalisation.
La prime pure doit résulter de l’égalité entre la VAP des flux générés par l’assuré et la
VAP des flux versés par l’assureur. On doit y ajouter les frais de gestion, d’acquisition, la
rémunération des fonds propres (versement de dividendes), ce qui donne la prime
commerciale.
Le taux d’actualisation utilisé, également appelé taux d’intérêt technique, doit être
calculé selon une règle de prudence du point de vue de l’assureur. Ce taux est régi par le
Code des Assurances. La probabilité de versement des flux est déterminée à partir des tables
de mortalité, qui donnent âge par âge, le nombre de survivants au sein d’une population de
100 000 personnes généralement. Ces données sont fournies par l’INSEE, mais il est
préférable qu’elles soient créées à partir des bases clients de la société d’assurance. Ceci
offre l’avantage d’avoir des tables qui reflètent plus finement la clientèle particulière de
l’assureur. Elles doivent être dans ce cas homologuées par un actuaire certifié.

Exemple

Considérons un contrat sur un sujet d’âge x au moment de la souscription, qui fournit


une couverture en cas de décès pour une durée de n années. Le capital payé en cas de décès
est C. La VAP des engagements de l’assureur est donnée par :

Où est le facteur d’actualisation et la probabilité que l’assuré décède


entre les dates h et h+1. On suppose que ce contrat requiert le paiement annuel d’une
prime constante P, payable en cas de vie de l’assuré, et ce pendant n années au maximum.
La VAP des engagements de l’assuré vaut :

Où les termes représentent les probabilités que l’assuré soit en vie à la date h.

En pratique, dans un objectif de pricing, le choix du taux d’actualisation et des taux


de survie est fait de manière prudente. Les probabilités de décès sont plus grandes que
celles attribuées de manière réaliste. Le taux d’intérêt i est de même choisi inférieur au

Page | 27
rendement que l’assureur espère obtenir de l’investissement des sommes reçues des
assurés.
A l’inverse, l’estimation du rendement espéré d’un contrat d’assurance s’effectue
traditionnellement après avoir fixé une base technique réaliste, constituée de la table de
survie reflétant correctement la mortalité des assurés, et du taux d’intérêt que l’assureur
s’attend à recevoir de ses investissements. Cette base réaliste représente ainsi le scénario
attendu par l’assureur, et en donne une évaluation du type « best estimate ».
La prime pure ∏ est calculée à partir des données prudentes en égalisant les VAP, ce
qui donne :

Pour la prime commerciale, l’assureur ajoute les frais de gestion et d’acquisition qui
dépendent de l’entreprise elle-même et du produit.

Prime commerciale HT Signification pour l’assureur

= Chargements d’acquisition Couverture des frais de création

+ Chargements de gestion Couverture des frais de gesion

+ Prime pure Coût de la garantie

Figure 2. Décomposition de la prime commerciale

Nécessité des provisions mathématiques


En assurance vie, on a vu que les contrats sont de longue durée, il faut donc attendre
longtemps avant de connaître le résultat définitif d’une souscription. Les entreprises doivent
cependant établir des comptes au moins annuels, il faut donc estimer ce résultat final, ce qui
répond à une exigence comptable et à une nécessité de gestion, car l’assureur doit détecter
au plus tôt les dérives tarifaires de ses contrats.
On a vu qu’à la souscription d’un contrat, le principe est d’égaler les VAP des
engagements de l’assureur A et de l’assuré a :

A une date ultérieure t, cette égalité n’est généralement plus respectée. On définit
alors la provision mathématique (PM) d’un contrat par

Page | 28
Dans l’exemple précédent,

D’où la relation de récurrence pour l’année , en notant

Cette dernière formule exprime une condition d’équilibre actuariel entre les
disponibilités (premier membre de l’équation) et les engagements (second membre) de
l’assureur pour l’année et pour un contrat en portefeuille en début d’année. La
quantité est appelée somme sous risque. Elle représente la dépense de l’assureur en
cas de décès non couvert par les provisions mathématiques.

Un exemple de gestion pour les contrats en unités de compte (voir un peu plus loin)
est donné en annexe 3.

En assurance vie, l’assureur se doit à tout moment, sur simple demande de rachat de
l’assuré, de rembourser ses droits acquis. La valeur des droits acquis est égale à la PM
constituée pour son contrat (éventuellement minorée d’une pénalité de rachat d’au plus 5%
de la PM et nulle au-delà de 10 ans). Certains contrats ne sont pas susceptibles d’exercices
de rachat. Ainsi, le rachat d’une rente viagère en cours de service constitue un risque d’anti-
sélection, et est d’ailleurs interdit (sinon, tous les rentiers se sachant gravement malades
demanderaient le rachat immédiat).

Les avantages de l’assurance vie


En premier lieu, dans un contrat d’assurance vie, le souscripteur a la possibilité de
choisir la tête assurée (celui sur qui portera le risque) et le bénéficiaire, à condition de
respecter certaines clauses morales et réglementaires. Ces trois personnes peuvent être
distinctes. C’est un moyen de transmettre un patrimoine à ses enfants.

Ensuite, l’assureur garantit un taux rémunérateur de l’épargne. La réglementation


prudentielle interdit aux assureurs de garantir des taux élevés de revalorisation de l’épargne
(ils sont limités à 75% du taux moyen des emprunts d’Etat pour les contrats à prime unique
et de durée inférieure à 8 ans, et à 60% du taux moyen des emprunts d’Etat pour les autres
contrats), et les tables de mortalité sont prudentes pour l’assureur. Cependant, la législation
a introduit un mécanisme de participation aux bénéfices. L’objectif est de faire en sorte que
les bénéfices de l’assureur soient en partie reversés aux assurés. Ce minimum est calculé au
niveau d’un ensemble de contrats et est reversé aux assurés selon une répartition choisie
par l’assureur.

Les avantages fiscaux sont très importants. L’assurance vie est le placement préféré
des français pour leur épargne à long terme. Ce succès résulte de la qualité des produits
proposés par les assureurs et par les avantages fiscaux. L’épargne est constituée en franchise
d’impôt, les plus-values sont exonérées d’impôt sur le revenu et la transmission successorale
bénéficie d’intéressantes exonérations fiscales.

Page | 29
Les opérations d’assurance sont exonérées de la TVA, mais font l’objet d’une taxe
spécifique exprimée en pourcentage des primes. Les contrats sur l’assurance vie humaine
sont exonérés de la taxe d’assurances, et ce depuis le 1er juillet 1990. Depuis 1996, les
versements effectués pour des contrats à primes périodiques bénéficient de réductions
d’impôts.

Marché de l’assurance vie


Le marché de l’assurance vie est principalement composé
 des contrats modernes, pour lesquels l’assuré cherche à constituer une épargne. Ils
forment l’essentiel du marché depuis les années 80,
 des contrats pour lesquels l’assuré cherche à compléter sa retraite. Leur part de
marché reste faible,
 des contrats de prévoyance, dans lesquels l’assuré veut se prémunir contre les
risques décès, invalidité, incapacité,
 et des autres types de contrats, dont la part de marché est marginale en France
(fonds de pension par exemple, beaucoup plus développés à l’étranger).

Examinons ces types de contrat plus en détail.

Contrats d’épargne

Il existe schématiquement 2 types de contrat d’épargne, qui correspondent à des


prises de risques totalement différentes du point de vue de l’assureur, comme de l’assuré.

Les contrats en euro se caractérisent par le fait que leur garantie s’exprime en euro
(éventuellement en devises étrangères). Cette garantie se traduit toujours pour l’assureur
par un engagement de taux de rendement envers ses clients (éventuellement égal à 0%).
Par exemple, l’assuré vers 1 000€ (plus chargements), que l’assureur s’engage à
rémunérer à 3%. A la fin de la première année, l’épargne acquise sera de 1 030€ au moins.
Viennent en sus les participations aux bénéfices.

Les contrats en unité de compte (UC) se caractérisent par une garantie exprimée par
un nombre d’unités de compte (action, obligation, OPCVM, etc.). Cette garantie se traduit
pour l’assureur par l’obligation de fournir un nombre de titres à l’assuré, sans s’engager sur
la valeur de ces titres.
Par exemple, l’assuré verse 1 000€ (plus chargements) avec lesquels l’assureur achète
des parts de la SICAV X, valant 100€ à cette date. L’assureur s’engage à verser à toute date la
valeur de 10 parts de la SICAV X, que la valeur soit à la hausse ou à la baisse.
Il n’y a pas d’obligation de participation aux bénéfices sur les contrats en UC.

Remarque : On peut d’ores et déjà se dire qu’a priori, les contrats en unités de
compte ne font pas supporter de risque financier à l’assureur. Cependant, leur succès
commercial est dépendant de la santé des marchés financiers des unités de compte. On
constate d’ailleurs que la production massive d’unités de compte coïncide avec les modes

Page | 30
financières. Les unités de compte immobilières ont connu un essor commercial dans les
années 80, mais ont pratiquement disparu depuis le krach immobilier de 1990.

Les contrats multisupports sont formés par la juxtaposition d’un contrat en euro et
d’un contrat en unités de compte. Ils se caractérisent également par un taux de distribution
aux assurés des produits financiers (généralement entre 85% et 100%) sur la partie en euro,
et un prélèvement sur encours (généralement entre 0% et 2% de la PM) qui peut différer
selon les supports.

Ces catégories de produit requièrent, du point de vue du calcul actuariel, l’emploi de


techniques distinctes. Une caractéristique des contrats en euro est qu’à la fin de chaque
année du contrat, la prestation assurée augmente en fonction du rendement réalisé par
l’investissement des provisions au cours de l’année écoulée. Plus précisément, l’assureur
finance un accroissement des provisions qui est fonction de l’excès du rendement réalisé par
l’investissement sur le taux minimum garanti (ce qui augmente par conséquent la
prestation).

Contrats de retraite

Ces contrats consistent schématiquement en la constitution d’un capital différé qui


pourra être converti en rente.
Les contrats de retraite à cotisations définies reposent sur le versement de rentes
supplémentaires grâce au versement de cotisations prédéterminées dans le contrat.
Les contrats de retraite à prestations définies correspondent au versement de rentes
supplémentaires prédéterminées si le salarié est présent lors de son départ en retraite. Leur
montant peut dépendre de leur ancienneté ou être forfaitaire.
Les contrats d’indemnité en fin de carrière correspondent au versement d’indemnités
en fin de carrière dues par l’employeur.
Un contrat de groupe ouvert souscrit par une entreprise est à adhésion facultative
individuelle. En l’échange de cotisations, le salarié bénéficiera d’une rente ou d’un capital
lors de son départ en retraite.
Les contrats de retraite par capitalisation collective en points (voir L441 un peu plus
loin) sont très complexes. Les salariés d’une entreprise peuvent cotiser en achetant des
points, dont la valeur, appelée valeur de service, est réévaluée chaque année. Plus on cotise,
plus on obtient de points, et plus la rente sera élevée.

Contrats de prévoyance

Ces contrats ont pour objet la couverture des risques de décès, avec des différences
selon que le décès résulte d’une maladie ou d’un accident, et des risques d’arrêt de travail et
d’invalidité. Ces contrats présentent des caractéristiques très constantes dans le temps, et
ressemblent davantage aux assurances non-vie, et font ainsi l’objet d’études plutôt
statistiques.

Page | 31
Autres contrats

Les contrats Universal Life (inexistants en France) associent épargne et prévoyance :


chaque année l’assuré définit, dans les limites contractuelles, le capital qu’il souhaite
recevoir (au profit de bénéficiaires désignés) en cas de décès.

Les fonds de pension sont des institutions financières spécialisées dans la


constitution de retraite sur-complémentaire financée par capitalisation. En France, le
deuxième pilier du régime de retraite est géré par les entreprises au profit de leurs salariés
en capitalisation. Relevant de ce pilier, les fonds de pension demeurent de peu d’importance
en France, contrairement aux Etats-Unis ou aux Pays-Bas par exemple.
Il existe également des contrats d’assurance retraite dont l’objet est le versement de
rentes viagères après le départ en retraite de l’assuré. Il s’agit surtout de contrats collectifs
souscrits dans la cadre d’une entreprise ou d’une profession (article 83 ou article 39). Ces
contrats ne peuvent pas être assimilés à des fonds de pension mais s’en rapprochent
notamment lorsqu’ils fonctionnent sous le régime de l’article L441 du code des assurances
(contrats à points), tels la Préfon (produit proposé par Allianz) qui permet aux fonctionnaires
de cotiser facultativement pour constituer des rentes servies à la retraite.

Les différents types de risque pour une société d’assurance vie


Le risque viager est le risque lié à la durée de vie humaine. Il existe dès lors que le
contrat d’assurance prévoit une prestation d’un montant différent ou d’une date différente
de versement selon que l’assuré survit ou décède. La prévision de mortalité est faite grâce
aux tables de mortalité. Le risque est alors de 2 natures : une dérive de mortalité (les assurés
vivent plus longtemps que prévu), et un phénomène d’anti-sélection (les assurés ne sont pas
représentatifs de la population de la table de mortalité).
L’assureur peut se prémunir contre une dérive de la sinistralité en ayant recours à
une couverture en réassurance. La réassurance est une technique permettant à l’assureur
direct de céder à un tiers, le réassureur, une partie des risques qu’il a souscrits. D’après la loi
des grands nombres, plus le nombre d’opérations concernées est important, plus l’écart
entre la charge théorique et la charge observée est faible. La réassurance a pour objet de
diminuer ces écarts en rendant les risques plus homogènes ou en écrêtant la charge des
sinistres.
Un risque que l’on rencontre en prévoyance est celui de la concentration des risques
assurés. C’est le cas par exemple si l’assureur couvre le risque décès des salariés d’une
même entreprise, et que ceux-ci sont amenés à prendre le même avion. Là encore, la
réassurance permet de fractionner ce risque entre plusieurs entreprises d’assurance.

Les risques financiers sont très importants. Ils dépendent du type de contrat
(euro/UC).

Pour les contrats en euro, le risque de change est présent lorsque la garantie et les
actifs sont exprimés dans des devises différentes.
Le risque de signature (aussi appelé risque de défaut) est lié à la solvabilité des
émetteurs de titres financiers, et de la perception de cette santé par les marchés. Il peut

Page | 32
même arriver que le marché change globalement d’attitude vis-à-vis de l’ensemble des
émetteurs privés. Dans ce cas, l’écart entre les taux des emprunts d’Etat et les taux des
emprunts obligataires augmente, c’est le spread de signature* (ou spread de défaut). Il
convient d’assurer une diversification minimale des placements. Afin d’augmenter leur
sécurité financière, la plupart des assurances ont mis en place des règles internes de ce point
de vue.
Le risque de taux est un risque très important en assurance vie. Nous aurons
l’occasion d’y revenir dans les parties suivantes. Nous allons en donner un premier aperçu ici
afin d’en ressentir les enjeux. Il s’agit des risques liés aux variations des taux d’intérêt sur le
marché obligataire. On peut dès à présent noter que les sociétés d’assurance devant faire
face à des garanties importantes, ils doivent posséder une part importante d’obligations
dans leurs investissements afin d’assurer un revenu sûr, fiable et permanent.

 risque de baisse des taux

Il correspond au risque que le taux de rendement auquel se feront les


investissements futurs soit inférieur au taux minimum garanti dans les contrats. En pratique,
lors de l’arrivée à échéance des obligations, la société d’assurance procède à un
réinvestissement du nominal remboursé. En cas de baisse des taux, les revenus seront
inférieurs à ce qu’ils étaient auparavant.
Prenons l’exemple d’un contrat d’épargne de 8 ans, dans lequel l’assuré verse un
capital de 10 000€ au départ, et l’assureur garantit 3% par an. A la souscription, l’assureur
investit dans des zéro-coupons* d’une durée de 4 ans et de taux d’intérêts 3,5%, lui
permettant ainsi de respecter ses engagements. Au bout de 4 ans, les zéro-coupons sont
remboursés et le taux d’intérêt chute à 2%. L’assureur réinvestit dans des zéro-coupons de 4
ans. Le graphique suivant montre l’évolution des valeurs de l’engagement et des
placements. Il y a insuffisance d’actifs au terme du contrat. Nous verrons qu’il existe des
provisions permettant de couvrir ce problème.

Risque de baisse des taux


13000

12500

12000
Montant

11500
Valeur de l'engagement
11000
Valeur des placements
10500

10000
0 1 2 3 4 5 6 7 8

Année

Figure 3. Comparaison engagements/placements

Page | 33
 risque de hausse des taux

A l’inverse, le risque de hausse des taux est le risque d’avoir à céder des obligations
avant leur remboursement, alors que ces obligations sont en moins-value par rapport à leur
prix d’achat. Il s’agit d’un risque de liquidation.
Si le taux rémunérateur devient supérieur au taux d’intérêt de l’obligation, cette
dernière est moins intéressante, et donc sa valeur de marché baisse. Si les engagements
envers les assurés arrivent à échéance avant le remboursement des obligations détenues par
l’assureur, il faut liquider (vendre) ces actifs obligataires, et réaliser une moins-value. Ceci
peut survenir notamment à cause du droit des assurés de racheter leur contrat, en
récupérant la PM, comme on l’a vu plus haut.
Nous verrons plus loin qu’il existe une réserve permettant de répondre à ce
problème, appelée la réserve de capitalisation.
Prenons l’exemple d’un contrat de 8 ans où un assuré verse 10 000€, et reçoit un
taux minimum garanti annuel de 3%. A la souscription, le taux d’intérêt est de 3,5% et
l’assureur investit la prime dans des zéro-coupons de durée 15 ans. Le taux augmente
brutalement à 4,5% juste après l’acquisition des zéro-coupons. Le rendement comptable des
placements est supérieur au taux garanti, mais au bout des 8 ans, il faut combler la
dépréciation des titres due à la hausse des taux. L’assureur ne peut faire face à son
engagement.
Le graphique suivant montre que la hausse des taux et la non-adéquation de la durée
des placements avec celle du contrat conduit l’assureur à une insuffisance d’actif. Un
phénomène analogue peut également se produire : en voyant les taux augmenter à
l’extérieur, l’assuré peut demander à racheter son contrat et réinvestir dans des placements
plus avantageux, ce qui amène l’assureur dans la même situation.

Risque de hausse des taux


13500
13000
12500
12000
Montant

11500 Valeur de l'engagement


11000
10500 Valeur des placements
10000 (3,5%)
9500 Valeur des placements
9000 (4,5%)
8500
0 1 2 3 4 5 6 7 8

Année

Figure 4. Comparaison engagements/placements

Il semble souhaitable de faire correspondre la durée des obligations avec celles des
contrats, mais nous avons vu que la possibilité de rachat anticipé ne permet pas une mesure

Page | 34
fiable de la durée des engagements du passif. Pour les durées de contrat très longues (> 15
ans pour les rentes viagères), il est pratiquement impossible de se munir et de gérer un
portefeuille obligataire de durée équivalente.

Pour les contrats en UC, le risque de marché est en principe entièrement assumé par
les assurés, qui disposent d’une certaine quantité de parts. En revanche, l’assureur est
d’abord confronté à un risque de renonciation : le client peut en effet, dans les 30 jours qui
suivent l’adhésion, demander le remboursement intégral des primes qu’il a versées, ce qui
peut poser problème à l’assureur en cas de forte baisse des marchés.
Il existe également un risque d’illiquidité : à la fin du contrat, l’assureur doit verser la
contre-valeur en euro des titres placés. Dans un cas de crise financière (par exemple crise
immobilière des années 90), il peut se confronter à l’impossibilité de céder ces titres sur le
marché. Une des seules solutions consiste à utiliser les fonds propres des contrats en euro,
ce qui n’est cependant pas sain pour la société. En théorie, ce risque ne porte que sur l’euro.
Le risque financier peut se traduire par la non-adéquation actif/passif, c’est-à-dire la
différence entre la valeur des engagements et les actifs.
Des risques opérationnels peuvent également survenir au moment des passages
d’ordre par exemple. Un risque juridique est aussi présent et est lié à la complexité des
produits.

D’autres éléments peuvent également faire courir un risque à l’assureur. Il s’agit des
options cachées. Il s’agit d’un terme générique qui regroupe les garanties ou les droits variés
donnés aux assurés par le contrat ou la réglementation pour rendre les contrats d’assurance
plus souples et attractifs. Ils ne donnent pas lieu à une provision spécifique. Ces options
cachées peuvent être parfaitement inoffensives comme très dangereuses. Parmi elles, on
peut citer
 la renonciation
C’est la faculté légale donnée aux assurés de reprendre leur investissement et mettre
fin à leur contrat.

 le rachat
Il permet au client de disposer de tout ou partie de leur épargne disponible avant la
fin normale du contrat.

 les transferts et arbitrages


C’est la possibilité offerte aux clients de contrats multisupports de faire modifier
la composition des actifs servant à indexer leur contrat.

 la réduction
C’est le droit du client de renoncer au versement des primes futures.

A l’inverse, l’assureur dispose lui aussi d’options, parmi lesquelles le choix de la


réalisation de +/- values (ce qui permet de contrôler le rendement comptable des actifs), la
dotation ou la reprise de la réserve de capitalisation (voir plus tard) en vendant des
obligations en +/- value, le droit de différer ou d’accélérer la distribution des produits
financiers (participation aux bénéfices), et le libre choix de la répartition des produits
financiers entre différents contrats.

Page | 35
Remarque : Le terme « option » ne doit pas laisser penser qu’on peut évaluer la
valeur de ces options, par exemple par la formule de Black et Scholes. Les obstacles sont en
effet nombreux : absence de marché organisé des contrats d’assurance (pas de « prix »
négociable d’un contrat d’assurance), la non-liquidité des contrats (on ne peut pas arbitrer
avec d’autres solutions d’épargne), la complexité des sous-jacents, et la non-rationalité
(attachement à l’intermédiaire, clients qui ne quitteront pas leur contrat même si ses
conditions sont peu avantageuses, etc.).
Il existe dans les contrats d’assurance des options cachées dont la comptabilité ne
correspond pas au coût réel ou même supposé. Même en l’absence de telles options, il
existe une différence entre les fonds propres comptables et la richesse réelle d’une société
d’assurance.

1.2) Réglementation en assurance vie

Les grands principes de la réglementation sont le devoir de solvabilité* et la bonne


gestion de l’interaction actif/passif.
Nous allons présenter la réglementation actuelle, relative à Solvabilité I. Il convient
de noter que Solvabilité II sera mis en place dès 2013. Nous y reviendrons par la suite.

1.2.1) Réglementation et comptabilité

De nombreuses lois, arrêtés ministériels, et autres textes viennent réglementer


l’activité d’assurance vie. La réglementation est très complexe du fait de la nature même de
l’activité, très technique et diversifiée.
De manière générale, la hiérarchie des sources des textes est par ordre décroissant
les traités internationaux, les lois nationales, la jurisprudence, et les doctrines. Il y a
primauté du spécifique sur le général. En cas de doute, les principes de droit commun sont
appliqués. Les textes européens sont issus de compromis difficiles entre les pays, parfois très
éloignés les uns des autres. Les principes de la réglementation en vigueur sont exposés ci-
dessous.

FP
Plact
Provisions techniques Prov.

Actif Passif
Le code des assurances énonce plusieurs règles concernant le calcul des provisions
mathématiques.
 elles doivent permettre de respecter l’intégralité des engagements de
l’assureur, qui doivent eux-mêmes être évalués de manière prudente (montant
supérieur au montant payé en moyenne par l’assureur et connu a priori, et
supérieur au montant payé en définitive, connu a posteriori).
 elles sont calculées en brut de réassurance : la part des réassureurs
n’est pas déduite des engagements pris par l’assureur.
 elles sont calculées pour chaque contrat à partir de données
techniques au moins aussi prudentes que celles utilisées pour tarifer le contrat.

Page | 36
Le taux minimum garanti (TMG) doit être inférieur à 75% du TME pour les contrats à
prime unique de durée d’au plus 8 ans, et inférieur à max(3,5%, 60% du TME) pour les autres
contrats3.
Lorsqu’il est fixé annuellement, la réglementation autorise un TMAA (Taux Minimum
Annuel Annoncé) de 85% de la moyenne sur les deux derniers exercices des rendements
financiers de l’assureur. Le TMG peut également varier annuellement sur 8 ans maximum en
fonction d’un taux benchmark observé sur le marché, à condition que la moyenne des
rendements des actifs sur les 2 derniers exercices soit supérieure à 4/3 du TMG de la
première année.

Les entreprises d’assurance vie doivent faire profiter leurs assurés de leurs bénéfices,
en contrepartie des tarifs prudents exercés par la profession. Tous les contrats sont
concernés sauf les assurances collectives en cas de décès, et les contrats en UC. Le code des
Assurances prévoit, de façon simplifiée, une participation aux bénéfices (PB) des assurés
égale au minimum à 85% des résultats financiers et 90% des autres résultats.
Cependant, aucune règle n’impose une quelconque répartition de la PB. Le calcul de
PB se fait au niveau compagnie (en sommant sur tous les portefeuilles) et est ensuite
redistribué et librement affecté à telle ou telle catégorie d’assurés, souvent en fonction
d’impératifs commerciaux. En France, les assureurs disposent d’un délai de 8 années pour
affecter ces excédents contrat par contrat. Ils peuvent ainsi mettre de côté leurs profits
exceptionnels d’une année afin de compenser plus tard une très mauvaise année par
exemple. Il existe pour cela une réserve, appelée Provision pour Participation aux Excédents
(PPE ou UAR en anglais), qui permet de lisser la distribution des résultats financiers. En effet,
sans cette réserve, une année exceptionnelle provoquerait la distribution de bonus
importants aux clients, qui attendront l’année suivante un bonus du même calibre.
L’assureur serait ainsi confronté à une certaine variation de « l’humeur » des assurés.

FP
Plact
Placements d’actifs Prov.

 Représentation des engagements de l’assureur Actif Passif

Le principe fondateur du placement d’actifs par la société d’assurance est


explicitement décrit dans le code des Assurances. Il convient que l’entreprise ait, en
représentation (ou en couverture) de ses provisions techniques, un montant suffisant
d’actifs de « bonne qualité ». Il convient que l’entreprise représente les engagements qu’elle
détient envers les assurés (provisions techniques), mais aussi ceux envers ses clients
« privilégiés », comme l’Etat, les salariés, la Sécurité Sociale, etc. Ces derniers seront les
premiers à être couverts en cas de liquidation judiciaire de la société d’assurance, et la loi
vise à protéger tous les clients en obligeant les assurances à disposer d’un actif de qualité
suffisante. Une fois couvertes les provisions techniques et les engagements envers les
créanciers privilégiés, la société d’assurance est libre de placer comme elle l’entend ses
ressources restantes.

Page | 37
3
Voir Befec Price Waterhouse [14]
Les placements en représentation des engagements doivent répondre à

 une exigence de sécurité

Il est interdit de spéculer avec l’argent des assurés. Les assureurs sont priés de
privilégier les entités solvables et les actifs liquides. Sont exclus notamment de la liste des
actifs les œuvres d’art et les matières premières. Les placements doivent être localisés dans
l’Union Européenne. Des règles de diversification minimum ont également été mises en
place.

 une exigence de liquidité

Les actifs doivent pouvoir être vendus rapidement, pour répondre notamment aux
engagements à court terme.

 une exigence de rendement

La liste des placements autorisés a été révisée plusieurs fois, et accueille maintenant
les actions de société à capital variable (SICAV), les parts de fonds communs de placements
(FCP), etc.

A toute date, les engagements réglementés doivent être représentés par des actifs
au moins équivalents en valeur.

 Règle de congruence

Les engagements pris dans une monnaie doivent être représentés par des actifs
réalisables dans la même monnaie (20% de leurs engagements peuvent ne pas respecter
cette règle). Une dérogation est tolérée dans le cas où la société doit détenir dans une
monnaie des actifs dont le montant est inférieur à 7% de l’actif total dans les autres
monnaies.

 Règles de répartition (limitation par catégorie d’actif)

Le poids des actions ne doit pas dépasser 65% de l’actif total. Parmi ces actions, la
part des actions d’entreprises étrangères d’assurance ou de capitalisation ayant leur siège
hors OCDE, les actions non cotées, les titres d’assurance mutuelle, les parts de FCP à risque
et de FCP dans l’innovation et certaines OPCVM ne doit pas dépasser 5% de l’actif total.
L’immobilier ne doit pas dépasser 40% de l’actif total.
Les prêts et créances ont un poids d’au plus 10% de l’actif total.
Les primes ou soultes versées ou reçues pour la mise en place d’un instrument
financier à terme est d’au plus 0,5% de l’actif total.

Page | 38
 Règles de dispersion (limitation par émetteur)

L’ensemble des titres et prêts d’un même organisme ne peut dépasser 5% de l’actif
total.
Les parts immobilières ne peuvent excéder 10% de l’actif total.
Des dérogations peuvent être apportées au cas par cas.

 Comptabilité des placements

Les actifs peuvent être évalués selon plusieurs manières selon leur utilisation. En
France, le bilan des entreprises doivent faire figurer la valeur comptable, ou book value
(BV), des actifs lors de leur entrée dans le patrimoine, c’est-à-dire leur valeur d’achat. Les
frais accessoires (commissions, courtages, etc.) sont comptabilisés en charges.
Avec l’arrivée des nouvelles normes, les actifs sont évalués par leur valeur de
réalisation, ou valeur de marché, ou market value (MV). C’est par exemple le dernier cours
coté d’une action, ou la valeur d’expertise d’un immeuble. Les actifs correspondants aux
contrats en UC sont toujours comptabilisés à leur market value.
Un exemple de calcul de MV d’une obligation est donné en annexe 4.

On définit ainsi la plus ou moins value latente, ou unrealized capital gains/losses


(UCGL) comme la différence entre la market value et la book value. UCGL = MV – BV. Une
UCGL positive correspond à une plus-value latente.

En cas de moins-value latente sur les placements non amortissables (actions et


immeubles), la société d’assurance est tenue de constituer une provision pour risque
d’exigibilité (PRE) des engagements techniques. La valeur de cette provision est égale à la
différence entre la book value et la market value des actions, obligations indexées, titres
participatifs, actifs immobiliers, prêts, et parts de fonds communs de créances. Le but de
cette provision est le suivant. Les actifs sont inscrits à leur valeur d’acquisition. Par
conséquent, certains actifs, comme les actions ou les immeubles, pouvant subir de fortes
baisses de valeur de marché, leur book value peut devenir supérieure à leur market value. La
PRE permet d’annuler cette richesse fictive.

Les produits des placements peuvent venir directement de leurs revenus (coupons,
dividendes), ou de la réalisation d’UCGL, c’est-à-dire de la vente de titres.

Un élément important de la gestion du portefeuille d’actifs est la réserve de


capitalisation (RDC). Cette réserve est utilisée lors de la vente d’une obligation, où l’assureur
doit doter ou reprendre la réserve de la différence entre le prix de vente et la valeur
actualisée des flux générés par l’obligation. Le taux utilisé est le rendement de l’obligation au
moment de son achat. L’idée est ainsi de faire comme si l’obligation n’avait pas été cédée
avant son terme, l’impact étant nul par rapport à ce qui était prévu initialement.
Par exemple, un assuré souscrit un contrat d’épargne valorisé à 3% par l’assureur sur
7 ans, celui-ci achète des obligations d’échéance 7 ans et rapportant 4%, ce qui lui permet de
faire face à ses engagements. Au bout de 3 ans, les taux baissent, ce qui fait augmenter la
valeur de marché des obligations en portefeuille. L’assureur peut ainsi être tenté de vendre

Page | 39
ses obligations en réalisant une plus-value distribuée aux actionnaires, et réinvestir dans des
obligations au rendement désormais inférieur. La RDC est là pour éviter ce type de pratique.
C’est l’analogue de la PRE (pour les actions notamment) appliquée aux obligations.
Le processus de fonctionnement de la réserve de capitalisation est le suivant :
1)connaître le taux de rendement actuariel initial des obligations vendues, 2)déterminer la
valeur de l’obligation au moment de la vente en prenant comme hypothèse le taux
précédent, 3)doter (resp. reprendre) la RDC si la différence entre le prix de cession et la
valeur de l’obligation avec le taux initial est positive (resp. négative) du montant de cette
différence. Ce processus est obligatoire pour la dotation comme la reprise.

FP
Plact
Fonds propres et marge de solvabilité Prov.

Actif Passif
Cette section présente le cadre réglementaire aujourd’hui en vigueur pour le calcul
des fonds propres, Solvabilité I.

La mesure de la solvabilité dépend de la façon dont on évalue l’actif et le passif. Les


engagements de la société sont lus dans les provisions techniques qui permettent de faire
face aux sinistres et aux charges diverses. En pratique, ces données sont calculées sur une
base actuarielle et statistique. Elles peuvent s’avérer insuffisantes pour couvrir l’ensemble
des sinistres, notamment en cas de concentration (catastrophe naturelle par exemple).
La réglementation oblige les entreprises d’assurance à disposer d’un « matelas » de
sécurité en cas d’événements imprévus, appelé marge de solvabilité. Ce matelas doit être
supérieur à un montant minimum appelé exigence de marge de solvabilité (EMS), et est
donc destiné à amortir les conséquences des risques imprévus.

La marge de solvabilité est égale à la somme des éléments suivants :


 le capital versé
 la moitié de la part non versée du capital social
 les emprunts pour fonds social complémentaire
 les fonds encaissés provenant de l’émission de titres ou d’emprunts à
concurrence de 25% de la marge totale pour les fonds provenant de l’émission
d’emprunts à durée déterminée, et 50% pour les autres fonds
 les réserves de toute nature, y compris RDC et bénéfices reportés
 les UCGL.

On peut également ajouter, avec validation de la Commission de contrôle des


assurances, 50% des bénéfices futurs calculés en multipliant le bénéfice annuel estimé par la
durée résiduelle moyenne des contrats (l’inconvénient est qu’en cas de situation grave,
l’entreprise ne pourra pas compter sur des bénéfices futurs pour rembourser ses
engagements !).

Le montant du minimum de solvabilité dépend du type de contrat en question. Il faut


sommer les exigences de marge de solvabilité de chaque entité pour avoir celle au niveau
compagnie.

Page | 40
Opérations d’assurance vie décès :

pour les temporaires décès à durée < 3 ans.


pour les temporaires décès de durée
> 3 ans et < 5 ans.
pour les autres.

Où CSR représente les capitaux sous risque, a est le rapport des PM nettes de cession
de réassurance aux PM brutes de cession, et b le rapport entre le montant des CSR après
cessions et le montant des CSR bruts de cession. On doit avoir obligatoirement a > 85%,
et b > 50%.
Une compagnie ayant une PM d’1 milliard d’euro sans capitaux sous risque doit par
exemple disposer d’au moins environ 40 millions d’euro de fonds propres.

Opérations de capitalisation, d’épargne et d’acquisitions d’immeubles :

Idem que précédemment mais sans CSR (on garde seulement le premier terme).

Opérations d’assurance liées à des fonds d’investissement et gestion de fonds


collectifs :

Si l’entreprise assume un risque de placement,

Où PT représente les provisions techniques, et a est identique au précédent.

Si l’entreprise n’assume pas de risque de placement,

Si l’entreprise assume un risque de mortalité, on ajoute en plus .

Les fonds propres peuvent ainsi être séparés entre la partie allouée au minimum
réglementaire et le surplus de capital.

Excès de
FP
Plact capital
Prov.
EMS
Actif Passif

Pour conclure cette partie sur la réglementation, précisons que les règles imposées
aux assureurs que nous avons vues précédemment ont pour objet de protéger les assurés
comme les assureurs. Elles ne sont cependant pas suffisantes car elles laissent une grande
responsabilité aux entreprises (rien n’indique par exemple qu’un assureur doive être
réassuré, ce qui est indispensable car il peut être susceptible de garantir un sinistre
dépassant largement ses capitaux propres).

Page | 41
1.2.2) Réglementation actif – passif

La réglementation prévoit de constituer une provision en cas d’observation d’une


baisse du rendement des actifs. Il s’agit de la provision pour aléas financiers (PAF). Le
processus est le suivant : si à la date d’inventaire, le taux égal à 80% du taux moyen de
rendement réel des placements est inférieur au TMG moyen, l’assureur doit constituer une
provision pour aléas financiers égale à la différence entre les PM recalculées avec un taux
d’actualisation égal à 80% du taux de rendement réel des actifs et les PM d’inventaire.
Prenons l’exemple d’un contrat de 7 ans rémunérant 100 000€ à 3% par an. A la
souscription, l’assureur acquiert des obligations rapportant 4% par an. Supposons qu’après 3
ans, l’assureur change l’allocation de son portefeuille et investit en actions et titres
immobiliers, qui ne rapportent plus que 2% par an. Dans l’état actuel, l’assureur ne peut pas
faire face à ses engagements futurs. Le mécanisme de PAF se met en route.
Ainsi, le taux considéré est de 80% de 2%, soit 1,6%. 3 ans après la souscription, la
PM s’élève à 109 273€. Le principe consiste à réévaluer cette PM sachant que le taux de
rendement des placements a diminué. La méthode est de partir de la somme à laquelle on
veut arriver au terme du contrat, et remonter le temps en « désactualisant » au taux de 1,6%
les PM. La chronique obtenue est la suivante.

Année Taux d’actualisation à 3% Taux d’actualisation à 1,6%


1 103 000 111 815
2 106 090 113 604
3 109 273 115 421
4 112 551 117 268
5 115 927 119 144
6 119 405 121 051
7 122 987 122 987
Tableau 2. Mécanisme de constitution de la PAF

La PM doit être dotée de 115 421-109 273 = 6 148€ à l’année 3 afin d’atteindre les
122 987€ de l’année 7.

Une autre réserve est la provision globale de gestion (PGG), qui sert à financer
l’ensemble des charges futures des contrats qui ne sont pas couvertes par les chargements
d’acquisition et les chargements sur produits financiers. Il est d’usage de regrouper les
contrats de même nature afin d’avoir une provision commune égale à la valeur actuelle des
charges de gestion futures diminuée de la valeur actuelle des ressources futures issues des
contrats.
Les produits financiers considérés ici sont une part des PM de l’exercice (part égale à,
pour chaque exercice futur, 75% du TME pendant les 5 années suivant l’exercice considéré
et 60% du TME au-delà pour les obligations, et 70% du rendement hors plus-values du
portefeuille obligataire de l’exercice et des 2 exercices précédents pour les autres actifs). Les
charges correspondent aux frais d’administration, de gestion des sinistres, etc.

La réserve de capitalisation (RDC) a un impact sur les interactions actif/passif. Nous


l’avons présentée un peu plus haut et nous allons voir son utilisation au travers d’un
exemple. L’assuré confie sur 7 ans 100 000€ à l’assureur, qui garantit un TMG de 3%.

Page | 42
L’assureur achète 1 000 obligations de nominal 100€, de coupon 4% et de durée résiduelle 7
ans. Au terme de la première année, les taux d’intérêt ayant baissé, l’obligation est cotée
105,4€. Le taux actuariel est désormais de 3%. L’assureur prend la décision de vendre ses
obligations, en réalisant une plus-value de 5,4€ sur chacune et distribuée aux actionnaires,
et réinvestit 100 000€ dans les mêmes obligations de nominal 100€, de coupon 4% et de
terme 6 ans. Il en achète donc 948. Un an plus tard, l’assuré décide de racheter son contrat,
qui doit recevoir 106 090€. Au même moment, les taux ayant remonté, l’obligation cote à
nouveau à 100.
En l’absence de RDC, l’assureur a gagné 4 000€ la première année (les coupons) qui
ont été réinvestis dans des coupons à 3%. Au bout de la deuxième année, l’assureur a gagné
3 792€ (4%*100*948 pour les coupons) + 120€ (3%*4 000 pour les produits financiers de la
première année réinvestis) + 94 800€ (vente de 948 titres à 100€). Il dispose de 102 712€,
insuffisant pour payer l’assuré.
Avec la RDC, l’assureur doit calculer la valeur des obligations cédées la première
année avec le taux initial de 4%, soit 100€. Il dote ainsi la RDC de 5 400€. Lorsque l’assuré
rachète son contrat, il vend ses obligations 100€. La valeur de l’obligation au taux de
rendement actuariel de départ est de 104,6€. L’assureur effectue une reprise sur la RDC d’un
montant de (104,6 – 100)*948=4 361€. Finalement, l’assureur dispose au total de 107 073€
(102 712 + 4 361), suffisant pour régler les 106 090€.

La RDC permet donc de limiter les conséquences de la non-adéquation entre l’actif et


le passif réel en cas de cession d’obligations.

Depuis la fin des années 90, la réglementation impose aux sociétés d’assurance
d’évaluer les risques financiers auxquels ils sont exposés. Plus précisément, les effets des
événements suivants sont quantifiés (à titre d’exemple) :
 hausse du taux zéro-coupon d’emprunt d’Etat à 10 ans de 200 et 400
points de base (1 pdb = 0,01%)
 baisse du même taux de 100, 200 et 300 pdb
 baisse de 10%, 20%, 30% et 40% de la MV des actions
 idem pour les actifs immobiliers
 pour les contrats en euro, il est tenu compte des taux simulés, après
une baisse de 30 pdb au titre des charges de gestion.

Toute entreprise d’assurance est également tenue d’établir un rapport de solvabilité


dont le but est d’exposer et de justifier les provisions techniques, la gestion financière
(rappel des procédures de contrôle, qualité des actifs), la marge de solvabilité, et les
perspectives à moyen et long terme (simulations).

Page | 43
1.3) Outils de simulation d’un assureur

Nous avons vu jusqu’à présent les principes majeurs qui régissent l’activité
d’assurance vie. La complexité de son fonctionnement nécessite l’implémentation d’outils
visant à projeter dans l’avenir le comportement de l’entreprise, à travers l‘évolution de son
bilan, de son compte de résultat, de ses provisions techniques, de ses primes, etc., l’assureur
ayant en effet le besoin de prévoir le comportement notamment de son actif et de son passif
dans les décennies à venir.
Nous allons présenter dans cette partie les différents types d’outils dont l’assureur
dispose à ce sujet.

1.3.1) Outils d’analyse des flux de trésorerie

Ces outils cherchent à projeter et comparer les flux de trésorerie, ou cash-flows,


générés par les actifs financiers d’une part et par les engagements de l’assureur d’autre part
qui sont présents en portefeuille (vision « run-off »).

Dans la projection des flux de l’actif, on somme sur toutes les périodes les cash-flows
issus des revenus financiers du portefeuille (intérêts, loyers, dividendes, coupons, etc.). Dans
la projection des flux du passif, on somme sur toutes les périodes les cash-flows issus des
contrats (TMG, dates d’échéance, rachats, décès, etc.). La différence ente ces deux valeurs,
appelée flux net, donne pour chaque période l’excédent ou l’impasse de trésorerie en
fonction de son signe positif ou négatif.
Flux d’actif
FP
Plact temps
Prov.
Flux de passif
Actif Passif

Ceci permet à l’assureur de connaître une approximation du montant qu’il aura à


investir ou le montant d’actif qu’il aura à liquider, et donc la stratégie de gestion adéquate
de son portefeuille. L’assureur va pouvoir chercher à adosser l’actif au passif afin de couvrir
ses flux de passifs par ses revenus d’actifs.

Une technique classique d’équilibre actif – passif consiste à regrouper les contrats
par groupe dans lesquels les taux sont semblables, puis de trouver un portefeuille d’actif de
rendement équivalent pour chacun de ces groupes. Il est également possible de regrouper
les passifs selon d’autres critères que le rendement. Dans une société d’assurance, quel que
soit le critère retenu, un tel groupe est appelé canton*, auquel on affecte les provisions et
les cash-flows associés.

La valeur des actifs et des passifs est en théorie égale à la valeur de leurs cash-flows.
On pourrait ainsi sommer et actualiser ces flux et trouver la valeur actuelle de l’actif et du
passif (en pratique, ce n’est pas si évident, car il existe une marge d’erreur importante sur la
prévision des cash-flows).

Page | 44
En regroupant les contrats par cantons, on peut donc en principe obtenir des groupes
de valeur actuelle nette nulle. Cependant, cet équilibre est très sensible aux conditions de
marché, et il faut réviser la composition du portefeuille très fréquemment.

Sensibilité de l’actif
Une étude très importante repose sur l’analyse de la sensibilité de l’actif, et
notamment des obligations par rapport aux variations de taux. On rappelle l’expression de la
valeur B d’une obligation de taux actuariel r et payant des flux :

La duration D de cette obligation est définie par

C’est une mesure de la durée moyenne d’attente pour percevoir les flux de
l’obligation.
Si on envisage un changement Δr du taux, on a l’approximation

Soit

Lorsque les cash-flows sont positifs, la sensibilité est bien négative (quand les taux
montent, la valeur de l’obligation baisse).
On a la relation

C’est la formule de Hicks : .

Si par exemple, une obligation cote 94,213€, avec une duration de 5,306 ans et un
taux actuariel de 6,184%, on a , soit . En cas
de hausse des taux de 10 points de base, le prix diminue de 0,471€.

La duration d’un portefeuille d’obligations peut être définie comme la moyenne des
durations des titres qui composent le portefeuille pondérées par la valeur de marché de ces
titres. Dans le cas simple d’un portefeuille contenant une unité de chaque obligation, la
duration est la moyenne des durations des titres du portefeuille pondérées par leurs prix.

Page | 45
Cette procédure n’est pas parfaitement correcte dans la mesure où l’utilisation de la
duration repose sur l’hypothèse que les taux actuariels des différentes obligations subissent
tous la même variation (cas des déplacements parallèles de la courbe des taux).

Un calcul plus fin de la sensibilité par rapport au taux peut être nécessaire pour les
fortes variations de r. On pousse alors le développement limité jusqu’au deuxième ordre :

avec

La convexité est définie


par

On a ainsi

Cela suppose toujours d’avoir un déplacement parallèle de la courbe des taux. En


contrôlant à la fois la duration D et la convexité C, une entreprise peut se couvrir contre le
risque de taux pour des déplacements parallèles de la courbe des taux.

Pour les autres actifs (actions, immeubles, etc.), la sensibilité au taux est existante,
mais la variance des taux n’explique qu’une faible partie de la variance des cours.

Sensibilité du passif
La sensibilité de l’actif que nous avons vue précédemment supposait des flux fixes,
indépendants des taux de marché. En revanche, les passifs d’assurance vie cachent bien
souvent des options complexes détenues par les assurés. Dans l’exercice de ces options, le
comportement du client sera influencé par la valeur des taux de marché, ce qui en pratique
signifie que les cash-flows du passif vont dépendre de ces taux, et la théorie précédente
n’est plus applicable. Pour de faibles variations, cette difficulté peut être ignorée. Aussi, il est
parfois possible d’encadrer les cash-flows projetés entre des bornes inférieures et
supérieures. Par exemple, l’assureur peut envisager un taux de rachat incompressible de 3%
par an, quelle que soit la valeur des taux, et considérer un taux de rachat maximum de 15%
par an (il y aura toujours des clients qui ne souhaiteront pas demander la procédure de
rupture de leur contrat).

Page | 46
Au final, si on arrive à égaliser la sensibilité de l’actif et celle du passif en partant
d’une valeur actuelle nette nulle, on parvient à s’immuniser contre le risque de taux.

Le grand inconvénient de ces outils réside dans leur approche statique. En effet, les
bénéfices générés par les contrats futurs ne sont pas pris en compte, et cette méthode sous-
évalue certains risques financiers. C’est le cas en particulier des contrats où les assurés
peuvent verser librement des primes. Dans ce cas, les caractéristiques de l’actif vont être
modifiées en fonction du contexte financier.
Ces outils ne permettent donc pas de traiter les problèmes actuels auxquels sont
confrontées les assurances.

1.3.2) Outils déterministes

Les outils déterministes permettent de résoudre des problèmes importants : la prise


en compte de la non-fixité des flux du passif et de leur dépendance du comportement des
assurés et de l’assureur, la prise en compte des versements futurs, la prise en compte de
certaines provisions prudentielles.

 Caractéristiques des modèles déterministes

Les modèles déterministes sont des modèles de simulation, ils projettent l’évolution
des actifs et des passifs période par période en appliquant un scénario déterministe qui
décrit l’évolution des marchés financiers de manière arbitraire (chroniques prévues sur
plusieurs périodes). Il ne s’agit plus de mesurer seulement la valeur actuelle nette, mais de
projeter l’intégralité des variables sujettes à des cash-flows (primes, provisions, rachats,
décès, etc.) qui vont évoluer selon le contexte financier et le comportement des clients.
A l’aide de simulations déterministes, il est possible de tester différentes politiques
de rémunération des assurés par l’assureur, et différentes stratégies d’allocation d’actifs. La
réalisation de tels modèles demande la traduction informatique de l’intégralité de
l’activité de l’assurance en termes de résultats comptables et de chroniques prévisionnels.
En quelque sorte, ces modèles « vieillissent » la société d’assurance dans son ensemble. La
capacité des tableurs est dépassée, et il faut avoir recours à des outils de simulation
spécialisés (et donc très conséquents et coûteux) dans la reproduction de l’actif et du passif.
Nous reviendrons plus loin sur celui qui est utilisé au sein d’Allianz France par les actuaires.
Les modèles peuvent aussi prendre en compte l’arrivée de nouveaux contrats au fil
du temps.
Ces outils fonctionnent itérativement sur un certain nombre de périodes : ils partent
du stock connu d’actif et de passif au temps tn-1, et calculent les résultats comptables et
financiers qui se déroulent pendant la période n. Ceci est fait à partir des données exogènes
(scénario économique, comportement des assurés notamment), et des interactions
endogènes (alimentation de la réserve de capitalisation en fonction des résultats sur les
obligations par exemple). Interviennent ensuite la participation aux bénéfices des assurés et
les derniers ajustements. On obtient ainsi les résultats comptables et financiers, et le
nouveau stock d’actif et de passif à la fin de l’année n. Ces données constituent les valeurs
initiales pour la période suivante.
Des interactions fines peuvent être implémentées dans ces outils, par exemple une
fonction de comportement reliant le taux de rachat de la période n avec le taux de

Page | 47
rémunération du contrat de l’année n-1 et son ancienneté. Ceci crée des interactions sur les
calculs effectués sur les actifs et sur les passifs. De plus, il devient possible de décider la
composition de l’actif. Selon le modèle, la description de la politique financière est plus ou
moins détaillée. Il faut au moins traiter canton par canton la répartition par grandes classes
d’actifs (actions, cash, obligations, immobilier, etc.), et la durée des investissements
obligataires. On appelle cette décision l’allocation stratégique des actifs. Cette allocation
peut être fixe ou dynamique. Une fois le portefeuille déterminé, le scénario financier permet
de trouver son rendement. Du point de vue passif, il faut alors choisir le taux servi aux
assurés, qui ne peut pas être durablement supérieur au rendement du portefeuille. D’un
point de vue stratégique, la question est très intéressante : le marché de l’épargne étant très
concurrentiel, la fixation du taux servi est un élément clé de la compétitivité de l’entreprise.
En cas de mauvaise année, faut-il privilégier le maintien de la compétitivité en continuant à
servir un taux élevé, ou au contraire protéger ses fonds propres ? Conserver une marge
bénéficiaire invariante pour l’assureur aura un impact direct et défavorable sur la
production, les rachats, etc. Le comportement des clients est en effet sensible à l’écart entre
le taux servi et le taux de la concurrence.

Remarque : Pour les sociétés qui gèrent des portefeuilles aux très grands encours,
comme Allianz, les actifs et les passifs sont cantonnés. Les modèles calculent alors
l’évolution des provisions techniques sur la base d’une modélisation matricielle (montant de
chaque provision par canton et par période). Modéliser contrat par contrat l’évolution des
provisions serait extrêmement coûteux en temps. Dans le cas d’Allianz, où les actifs et les
passifs sont cantonnés, les simulations demandent déjà plusieurs heures de calcul…

 Choix du scénario

Le scénario utilisé dans le modèle est choisi par l’utilisateur. Le premier scénario qui
vient à l’esprit est celui de la continuité de ce qui existe aujourd’hui. On considère que les
marchés financiers suivent la tendance actuelle sans forte variation. Il s’agit du scénario
central, correspondant à une situation stable des marchés.
Des scénarios catastrophes peuvent également être mis en place afin de connaître le
comportement de la société en cas de sinistre majeur, dans l’optique de prévenir et limiter
les dommages occasionnés. D’importantes baisses ou hausses des taux sont simulables, de
même que des krachs boursiers.

Exemples d’applications

On part d’un portefeuille de placements financiers connu (90% d’obligations et 10%


d’actions par exemple). En utilisant le scénario central, il est possible d’estimer la rentabilité
future des opérations d’assurance. Si ces résultats sont non satisfaisants, la stratégie
technique et commerciale est probablement à remettre en cause, car la société aura des
difficultés même en situation normale. Dans la plupart des cas, la situation est satisfaisante,
et ce sont plutôt les scénarios catastrophes qui permettent de voir comment évoluent les
montants des différentes réserves (PPE, RDC, PRE, etc.) et quels sont les risques auxquels la
société est exposée.

Page | 48
Un modèle déterministe permet également de chiffrer les conséquences de la
réalisation d’UCGL. En effet, si on réalise des plus-values sur des actions par exemple, le
stock des plus-values latentes diminue, ce qui augmente le risque d’avoir à alimenter la PRE
(constituée, on le rappelle, des moins-values latentes sur les actions et immeubles
notamment). De plus, le montant de revenus distribuable augmente, ce qui provoque une
augmentation du revenu de l’assuré à travers la PB (participation aux bénéfices).

L’inconvénient majeur de ces outils déterministes est le risque de modèle, c’est-à-


dire le risque qu’ils soient mal utilisés ou spécifiés. L’expérience et la qualification des
analystes permettent de maîtriser ce risque. Des contrôles sont à effectuer pour réconcilier
les résultats des outils déterministes avec la comptabilité notamment.

1.3.3) Outils stochastiques

Les modèles déterministes ne permettent d’effectuer des simulations que sur un seul
scénario, qui représente l’évolution de l’ensemble des paramètres du marché (taux à
plusieurs échéances, valeur des indices, taux de change, etc.). Théoriquement, la probabilité
qu’un tel scénario se réalise est 0. Cependant, en supposant que ces paramètres de marché
suivent des processus stochastiques, il est alors possible de définir une densité de
probabilité pour chacun d’entre eux. L’objectif des outils stochastiques est d’utiliser la
méthode de Monte-Carlo afin d’estimer les lois de probabilité.

Un processus stochastique est une collection de variables aléatoires sur le


même espace de probabilité et à valeurs dans le même espace. Ici, est indexé par le
temps (en continu, ou en discret). Chaque tirage est une chronique et constitue une
trajectoire. Il est possible de générer une infinité de trajectoires pour représenter des
scenarios financiers et économiques. Contrairement aux scénarios déterministes, ces
scénarios ne sont pas créés arbitrairement à partir du best estimate qu’on peut avoir
aujourd’hui sur le comportement futur du marché.
La méthode de Monte-Carlo consiste en une procédure numérique dont le but est
d’évaluer les caractéristiques (moyenne, écart type, quantiles, etc.) de la loi de probabilité
d’une fonction d’une variable aléatoire, F(X). F(X) peut par exemple être la valeur actuelle
des profits futurs en fonction des paramètres de marché. Le principe est de générer n tirages
aléatoires indépendants , puis d’estimer les caractéristiques de la loi de
probabilité de F(X) à partie de l’échantillon .
En assurance vie, cette technique est très puissante, car elle permet d’obtenir de
nombreux résultats et indicateurs en tirant un échantillon de nombreux scénarios
économiques. L’inconvénient est qu’il nécessite beaucoup de temps de calcul et de
ressources informatiques, il n’est de plus pas envisageable de modéliser l’actif et le passif
contrat par contrat.

Dans un modèle déterministe, les cash-flows du passif sont calculés à partir


d’hypothèses sur le comportement des assurés (souscriptions, versements libres, rachats,
arbitrages, etc.) qui dépendent de la conjoncture économique du scénario considéré. La
situation est la même dans les outils stochastiques, mais il faut programmer des fonctions de

Page | 49
comportement des clients (les modifier individuellement dans chaque scénario serait trop
fastidieux). Elle doit notamment faire transparaître une hausse des rachats en cas de hausse
des taux obligataires. De façon générale, il est difficile d’avoir une approche purement
théorique sur l’exercice des options par la clientèle.
Le problème est le même pour la politique de l‘assureur : il n’est pas envisageable de
modifier manuellement les décisions financières et commerciales de la compagnie en
fonction de la conjoncture (investissements, réalisation de plus-values, taux servis, etc.). Il
est suffisant dans un premier temps notamment, de projeter les résultats avec une politique
d’allocation d’actifs fixe dans le temps. De même, la politique commerciale (taux servis aux
assurés), la politique de résultat (bénéfices et dividendes versés) et la tactique comptable
(réalisation de plus ou moins-values, dotation ou reprise de la RDC, de la PRE, etc.)
interagissent de façon très complexe. Une méthode consiste à simuler ces politiques en
fixant des objectifs de rendement comptable, eux-mêmes calculés en fonction d’objectifs de
compétitivité (taux servis) et d’objectifs de résultats pour l’assureur. Le modèle calcule alors
pour chaque période la quantité de plus ou moins-values qu’il est nécessaire de réaliser pour
atteindre ces objectifs, le tout en respectant la réglementation (PB, etc.).
L’utilisation d’outils stochastiques permet d’autres avancées importantes,
notamment en matière de mesure de risque. En simulant le comportement de la société sur
de nombreux scénarios, on peut déterminer un certain nombre d’indicateurs de risque. Un
indicateur très utilisé est la valeur en risque ou value at risk (VaR), qui est définie comme la
valeur qui est dépassée par une certaine variable à une certaine fréquence, et qui peut être
calculée à partir d’un grand nombre de scénarios. Par exemple, une VaR à 99,93% pour le
montant du revenu d’investissement des actions de l’année de projection 1 peut être
déterminée de la façon suivante. On génère 100 000 scénarios à 1 an, qui donnent 100 000
résultats de revenu d’investissement sur les actions. La VaR est le montant du revenu
d’investissement classé 70ème sur les 100 000 en ayant classé les résultats par ordre
croissant. C’est un outil de management très utilisé en l’assurance vie, notamment pour
étudier la valeur des capitaux propres dans un très grand nombre de scénarios, et prévoir la
stratégie à adopter en cas de scénario catastrophe.

Densité de probabilité du résultat à 1 an Fonds propres suffisants pour


25.00% absorber cette perte ?

20.00%
VaR à 99,5%
15.00% FP
Plact
10.00% Prov.
5.00% Actif Passif
0.00%
-40
-50

-30

-20

-10

10

20

30

40

Résultat (M€)

Figure 5. Calcul de VaR et comparaison avec les fonds propres

Page | 50
CONCLUSION

L’objectif de cette première partie était de présenter une vision de l’activité


d’assurance vie aussi complète que possible, à travers sa production (les produits que les
assureurs proposent), sa réglementation actuelle, et de certains types d’outils à sa
disposition. Nous avons vu également les enjeux de l’interaction entre l’actif et le passif
d’une entreprise d’assurance vie. Nous sommes ainsi partis d’une vision très macroscopique
d’une société d’assurance vie. Ces notions vont permettre de mieux appréhender la suite du
mémoire, car nous allons maintenant nous focaliser sur les rachats et leur contexte. Nous
allons notamment aborder les concepts d’Options & Garanties, d’IFRS, d’Embedded Value et
de Solvabilité II auxquels sont consacrées des équipes importantes au sein d’Allianz France.

Page | 51
PARTIE II : GENERALITES SUR LES RACHATS, PRESENTATION
DE LA PROBLEMATIQUE

INTRODUCTION

Nous allons dans un premier temps introduire les notions relatives au sujet cœur de
ce mémoire, les rachats dynamiques, notamment sa définition et les points de vue respectifs
de l’assuré et de l’assureur. Nous présenterons ensuite le contexte dans lequel cette étude
est menée et en préciser la problématique ainsi que les objectifs recherchés.

Page | 52
2.1) L’option de rachat
2.1.1) Définition et cadre juridique

Définition
Le rachat est une option permettant à l’assuré, lorsqu’il l’exerce, de retirer tout ou
partie de son épargne à tout moment avant la date d’échéance prévue au contrat (on parle
respectivement de rachat total et de rachat partiel).

Le Code des Assurances stipule que la valeur de rachat brute est égale à la provision
mathématique (PM) de son contrat à la date du rachat. Dans un contrat d’épargne classique,
ce montant de PM correspond à l’épargne atteinte.

Cette option peut être vue comme un call américain dont le sous-jacent est la valeur
courante de la PM. En revanche, cette modélisation court-circuite la complexité du produit
d’assurance sous-jacent, notamment toutes les autres options implicites, le comportement
de l’assureur et de l’assuré, ou encore l’historique des taux de rémunération distribués. Elle
n’est pas entièrement suffisante et satisfaisante pour son évaluation.

Cadre juridique
La loi exclut le droit au rachat dans certains types de produits énumérés dans l’article
L132-23 du Code des Assurances4 (voir annexe 5). En particulier, tous ceux présentant un
risque d’anti-sélection ne sont pas rachetables, comme les produits en rente par exemple.
En effet, parmi les nouveaux rentiers, ceux qui se savent gravement malades demanderaient
à racheter immédiatement leur contrat, car la PM vaut ( étant le niveau de rente)

Le second terme correspond à la somme que l’assuré sait qu’il ne récupèrera pas car
il décèdera avant la date du décès prévue lors de la tarification. Il aurait donc intérêt à
racheter, faussant ainsi la méthode de tarification de l’assureur. C’est la raison pour laquelle
ceci est interdit par la loi.

Pour les contrats autorisant le rachat, l’assureur ne peut refuser l’option dès lors que
15% des primes ont été versées ou lorsque deux primes annuelles ont été payées. De plus
l’article R132-2 précise que « L'assureur peut d'office substituer le rachat à la réduction si la
valeur de rachat du contrat est inférieure à la moitié du montant brut mensuel du salaire
minimum de croissance applicable en métropole, calculé sur la base de la durée légale
hebdomadaire du travail, en vigueur au 1er juillet précédant la date à laquelle la réduction
est demandée. »

Page | 53
4
Voir Code des Assurances [1]
Notons également que le droit au rachat appartient à l’assuré, mais pas aux
bénéficiaires, à moins que l’assuré décède. En cas de demande de rachat, l’assureur doit
verser la valeur de transfert dans un délai qui ne peut excéder 2 mois.

L’article R331-5 stipule que la pénalité appliquée par l’assureur lors du rachat ne peut
excéder 5% de la valeur de la PM, et qu’elle doit être nulle si la date de souscription est
antérieure de 10 ans ou plus à la date de rachat.

Cadre fiscal
C’est le cadre fiscal qui explique l’attrait tout particulier que portent les Français à
l’assurance vie. Nous en détaillons ci-dessous ses caractéristiques.

En cas de rachat partiel ou total, seule la part constituée des plus-values est imposée.
L’assuré a le choix de l’inclure dans sa déclaration de revenus ou de laisser l’assureur
appliquer les règles de prélèvement libératoires.

La méthodologie de calcul est la suivante5.

A. Considérer chacun des versements sur le contrat comme un compartiment


indépendant et calculer la plus-value sur chacun.
B. Multiplier cette plus-value par le coefficient (C vaut 1
s’il s’agit d’un rachat total et entre 0 et 1 s’il est partiel).
C. Le tableau ci-dessous donne les abattements et taux à appliquer.

Page | 54
5
Voir Fiscalité de l’assurance vie [17]
Imposition des plus-values
Date Date à
Montant du
d'ouverture de laquelle a été
versement à
l'assurance- réalisé le
l'origine Contributions
vie versement Abattement Taux d'imposition
sociales

Jusqu'au Sans
Sans incidence
01/01/1983 incidence
Exonération d’impôt sur les
Aucun
intérêts
Jusqu’au
< 30 490 €
25/09/1997
8,2 % au titre de
la CSG
Du 26/09/1997 Pour les assurances- Intégration des intérêts +
Jusqu’au vie de plus de dans le revenu imposable 0,5 % au titre de
au ≥ 30 490 €
25/09/1997 8 ans : (rubrique la CRDS
31/12/1997
« valeurs et capitaux +
mobiliers - montant brut 2,2 % au titre du
À partir du 4 600 € pour une
des revenus n'ouvrant pas prélèvement
01/01/1998 personne social
droit à un abattement »).
seule +
9 200 € pour un couple ou
0,3 % au titre du
marié Prélèvement libératoire de : CAPS
+
Abattement annuel 1,1 % pour le
Sans 35 % si la durée de
(toutes assurances-vie l'assurance-vie est financement
Tous les incidence du RSA
À partir du confondues) sur le inférieure à 4 ans
versements montant des plus-
26/09/1997 15 % pour un retrait
values imposables si
effectué
intégration aux
entre la 4e et la 8e année
revenus (ou en crédit
d’impôt 7,50 % après la 8e année
si PL).

Tableau 3. Détail de la fiscalité de l’assurance vie

Notons qu’à partir du 1er octobre 2011, les prélèvements sociaux passeront de 12.3%
à 13,5% suite aux mesures prises par le Premier Ministre François Fillon.

2.1.2) Les risques pour l’assureur

Cette section introduit des éléments majeurs pour la suite de ce mémoire.

Mettons-nous à la place d’un assuré. L’option de rachat est très intéressante, à


plusieurs points de vue :

 Mon argent reste disponible à tout instant


 Je peux gérer mon épargne pour effectuer un investissement plus rentable
ailleurs sur le marché
 Je peux optimiser mes retraits pour bénéficier de la fiscalité

Page | 55
Mettons-nous maintenant à la place de l’assureur. Plusieurs risques sont à prendre
en compte :

 Je devrais prévoir une vague de rachats 4 et 8 ans après la souscription des


contrats, et donc investir dans des actifs qui permettent d’assurer les versements
correspondants
 Si je ne rémunère pas assez mes assurés par rapport au marché, ils vont avoir
tendance à racheter, et je devrai alors vendre mes actifs de façon imprévue
 Mon image de marque et ma situation financière ont une influence sur le
comportement de rachat de mes assurés

On comprend donc que les rachats soulèvent des problématiques stratégiques et de


gestion actif/passif. Intéressons-nous en particulier au deuxième risque évoqué ci-dessus en
présentant le comportement typique d’un assuré.

Les assureurs vie proposent la plupart du temps un taux minimum garanti (TMG) sur
leurs contrats. Aujourd’hui, les TMG sont souvent nuls. Ils versent en sus un complément de
rémunération au titre de la participation aux bénéfices. Envisageons alors deux scénarios
après la signature d’un contrat.

Scénario 1 : on observe une baisse des taux d’intérêt sur le marché.

L’assureur doit délivrer au moins le TMG, et l’assuré est ravi car il a le sentiment que
son contrat est plus intéressant que le marché, ce qui limite les rachats.

Scénario 2 : on observe une hausse des taux d’intérêt sur le marché.

L’assuré voit une rémunération potentielle plus intéressante sur le marché que son
contrat. Pourtant, l’assureur peut verser au-delà du TMG (participation aux bénéfices), mais
pas de manière contractuelle, ce qui fait que psychologiquement, l’assuré est tenté de
racheter son contrat pour l’investir ailleurs sur le marché. L’assureur doit alors vendre ses
actifs pour effectuer le versement de la prestation. Etant donné qu’il possède une grande
partie de son investissement en obligations et que leur valeur baisse en cas de hausse des
taux, il va réaliser des moins-values. De plus, la rentabilité des contrats restant en
portefeuille va diminuer, de même que leur attractivité auprès des clients.

Page | 56
Activation des rachats

5,0%

4,0%
3,0%
TMG
2,0%
Taux distribué
1,0%
Taux marché
0,0%
1 2 3 4 5 6 7 8 9

Année

Ce comportement économique plus ou moins rationnel de la part des assurés


constitue ce que l’on appelle les rachats dynamiques.

La difficulté réside dans la modélisation du comportement de l’assuré. Ce dernier ne


réagit pas de façon parfaitement rationnelle comme nous l’avons mentionné plus haut, et
n’est pas non plus parfaitement informé des évolutions du marché.

Il convient de remarquer de plus que les rachats sont ou peuvent être freinés par un
certain nombre de facteurs :

 Perte des droits d’exonération fiscale sur la transmission de patrimoine


 Les prélèvements fiscaux
 Les pénalités de rachat par l’assureur
 La perte d’éventuelles primes de fidélité

2.1.3) Comment le risque de rachat peut causer la faillite d’un assureur

Dans les années 50, les entreprises d’assurance vie réalisent d’importants profits, en
raison d’un taux de mortalité effectif plus favorable que celui utilisé pour la tarification des
produits, et de l’évolution des taux d’intérêt rendant propices les investissements
obligataires. En revanche, les fonds de pension, n’étant pas limités réglementairement par le
poids des actions dans leur portefeuille d’investissement, réalisent des bénéfices meilleurs
et sont plus compétitifs. Les entreprises d’assurance vie perdent ainsi petit à petit leur part
de marché dans le secteur. Voyons comment la compagnie vie Executive Life a fait faillite
dans ce contexte à cause des rachats6.

Page | 57
6
Voir Lunven S. [22]
Etape 1 : innovations commerciales

Les compagnies d’assurance vont donc chercher à attirer et fidéliser leurs clients, en
développant des garanties innovantes dans leurs contrats telles que les garanties de
rendement, ou encore les options de rachat anticipé. Cette nouvelle stratégie commerciale
fait porter aux assureurs des risques nouveaux qu’ils vont sous-estimer, à leurs dépends. En
effet, la garantie de rendement expose l’assureur à une baisse des taux, car le rendement de
son actif peut ne pas suffire à verser le TMG. L’option de rachat l’expose comme on l’a vu à
un risque de hausse des taux.

Etape 2 : changement d’allocation stratégique

Dans le but de proposer des contrats plus attractifs, et pour obtenir un rendement
suffisant pour verser les taux promis, les assureurs décident de baisser la qualité de leurs
actifs. Les actifs risqués offrent en effet un rendement meilleur. Fidèles aux obligations,
Executive Life, entre autres, achète notamment de nombreux « junk bonds », émises par des
entreprises ayant une probabilité de faire défaut importante et proposant un rendement
élevé.

A la fin des années 80, Executive Life se place ainsi parmi les sociétés les plus
importantes au monde, est 3ème en termes de rentabilité, et est notée AAA.

Etape 3 : chute des marchés

Au tournant des années 90, les compagnies émettrices de « junk bonds » présentent
un taux de faillite record. Ainsi, Executive Life essuie une perte de 1 milliard de dollars sur le
seul 4ème trimestre de 1989, et sa note est abaissée par les agences de notation.

Etape 4 : perte de confiance et rachats massifs

Malgré la mise en place d’un plan d’action imposé par l’Etat de Californie, la
confiance des assurés est entamée et ces derniers vont racheter massivement leurs contrats.
La compagnie doit alors annoncer des résultats catastrophiques pour 1990, dont une moins-
value de 2,6 milliards de dollars sur ses actifs. Elle fait faillite en mai 1991.

A travers cet exemple, nous avons senti l’influence que pouvait avoir l’image de
marque d’un assureur sur les rachats.

Page | 58
2.2) Un nouvel environnement réglementaire

Les entreprises d’assurance étaient soumises, jusqu’à présent, à des normes


comptables et financières françaises ou internationales, telles le Code des Assurances ou
Solvabilité I. Suite à de nombreux bouleversements économiques et à l’identification de
nouveaux risques, la communauté internationale a mis en place de nouvelles normes. Nous
allons présenter celles qui ont une importance toute particulière au sein des entreprises
d’assurance : les normes comptables IFRS, le référentiel prudentiel Solvabilité II et la MCEV.

2.2.1) Les normes IFRS

Les International Financial Reporting Standards sont des normes comptables établies
par l’International Accounting Standards Board. Elles s’appliquent depuis 2005 à toutes les
sociétés cotées ou faisant appel public à l’épargne, donc à certaines sociétés d’assurance, en
particulier Allianz.

Pourquoi ce besoin d’un nouveau référentiel comptable ?


Les scandales financiers du début des années 2000 (Enron par exemple) ont incité les
autorités et pouvoirs publics à prendre des mesures de renforcement de la qualité de la
communication financière.

La comparaison des états financiers des différentes entreprises d’un même secteur
ou entre plusieurs exercices était souvent difficile, et le langage financier utilisé ne
permettait pas une lecture transparente des comptes.

Etant donnée l’importance des interactions entre ces grandes entreprises, la santé de
l’économie mondiale et la confiance du grand public et des investisseurs, l’Europe a décidé
de lancer ce vaste mouvement qui s’est traduit par l’adoption d’un ensemble de textes dont
l’objectif est l’amélioration de la sécurité financière.

L’Organisation Internationale des Commissions de Valeurs, instance regroupant les


autorités des marchés financiers mondiaux, a homologué et recommandé en mai 2000
l’adoption des normes IFRS. Un mois plus tard, la Commission Européenne les rend
obligatoires à partir de 2005.

Page | 59
Les principes
Les normes IFRS n’instaurent pas des règles, mais donnent des principes.

 Sincérité de l’information financière

La valorisation de l’actif et du passif du bilan doit être réalisée à leur juste valeur (le
terme anglais « fair value » est plus pertinent), et non pas à leur coût historique. Par
exemple, la fair value est définie par le montant pour lequel un actif pourrait être échangé,
ou un passif éteint, entre parties informées, consentantes, et agissant en situation de
concurrence normale. La substance prime sur la forme, la vision de l’investisseur doit être
adoptée.

Remarquons que cela implique que les comptes établis annuellement seront
dépendants des fluctuations du marché et seront donc plus volatils.

 Neutralité

Il s’agit de réduire au maximum la marge de manœuvre des entreprises pour


présenter et ajuster d’une façon avantageuse leurs résultats.

 Comparabilité

L’objectif est de pouvoir comparer la performance des entreprises à partir d’un


même référentiel comptable. La difficulté réside ici dans la différence d’approche entre les
pays, elle est censée s’atténuer au fil du temps.

 Complétude

Il s’agit de diffuser dans les comptes l’intégralité des éléments que leurs lecteurs
doivent connaître pour analyser de façon objective la performance de l’entreprise. Les
postes dits de hors bilan sont supprimés, des annexes beaucoup plus exhaustives
qu’auparavant devront être fournies.

On comprend que les acteurs visés ici sont surtout les analystes financiers qui doivent
pouvoir prendre les bonnes décisions de recommandation de manière plus rationnelle.
L’actionnariat est également concerné par ce changement.

Page | 60
Lien avec les rachats
Les rachats ont une influence directe sur l’actif et le passif d’une société d’assurance,
et doivent donc être estimés de façon honnête pour respecter les normes IFRS. De plus, une
seconde phase dans le projet IFRS4, consacré aux assurances, a été lancée et a instauré 9
nouveaux principes liés à l’évaluation des passifs d’assurance. En particulier, ils imposent
que ces derniers doivent inclure le coût des options et garanties, dont font partie les rachats.

Ces normes IFRS phase 2 ont donc pour objectif de mieux prendre en compte les
spécificités du secteur de l’assurance afin de garantir la solvabilité de l’assureur vis-à-vis des
assurés. Allianz publie ses comptes en normes françaises et en normes IFRS.

FP

Marges

Placements Best
Estimate
(y compris
options &
garanties)

Actif Passif

Figure 6. Bilan IFRS phase II

Le CFO Forum est un groupe de discussion créé en 2002 réunissant régulièrement les
grands spécialistes et directeurs financiers des entreprises d’assurance européennes. Il
poursuit l’harmonisation du reporting financier avec l’IASB, la Commission Européenne et les
autres parties intéressées. L’enjeu est d’aider les entreprises à se préparer à intégrer ces
processus de manière ordonnée et transparente pour elles et pour les investisseurs.

2.2.2) La réforme Solvabilité II

Contrairement aux IFRS (même si IFRS4 ne traite que des contrats d’assurance), ce
volet réglementaire ne concerne que les entreprises d’assurance et de réassurance.

Pourquoi réformer la réglementation en assurance ?


Les éléments réglementaires de Solvabilité I ont été rappelés en première partie. Des
faiblesses ont été repérées dans ce cadre réglementaire, par exemple la prise en compte
d’une vision uniquement rétrospective (la solvabilité future repose sur des chiffres
historiques), l’absence de distinction entre les différents risques, le fait qu’il ne prenne en
compte que le montant espéré des provisions, etc.

Page | 61
Solvabilité II, ou Solvency II, a pour objectif principal la meilleure adaptation des
fonds propres exigés des compagnies d’assurance et de réassurance face aux risques
auxquels elles sont exposées dans leur activité. Elle s’inspire de la réforme Bâle II qui a eu
lieu dans le secteur bancaire. Initialement prévue en 2010, la mise en place ne sera
probablement pas effective avant le 01/01/2013, voire 2014, du fait de la complexité du
projet.

Cette réforme constitue l’opportunité de protéger la solvabilité de l’entreprise, donc


de favoriser l’emploi, mais aussi et surtout de protéger les assurés.

Les principes
Son originalité repose sur sa structure en 3 piliers.

Solidité des assureurs + Protection des assurés + Confiance dans l’information

Pilier I Pilier II Pilier III

Définit des seuils Suivi des risques et Transparence et


quantitatifs contrôle interne à communication de
réglementaires l’entreprise l’information

Le pilier I donne le choix entre formule standard et modèle interne pour le calcul des
deux seuils réglementaires à respecter pour le montant des fonds propres : le SCR (Solvency
Capital Requirement) et le MCR (Minimum Capital Requirement). Immobiliser du capital a un
coût pour l’assureur, celui de ne pas le faire fructifier. En pratique, les plus gros assureurs
devraient opter pour l’option modèle interne pour optimiser leur capital. Il doit être
homologué par les autorités de contrôle (ACP en France, BAFIN en Allemagne par exemple).

En notant les fonds propres de l’entreprise d’assurance,

Si , l’agrément (le droit d’exercer une activité) est retiré à l’entreprise


d’assurance par l’ACP, l’Autorité de Contrôle des assurances en France.

Si , des mesures de redressement sont prises par l’ACP, qui peut


imposer une stratégie à l’entreprise dans une telle situation.

Page | 62
Si , l’entreprise peut continuer à exercer son activité.

Dans la formule standard, le SCR est le niveau de fonds propres à atteindre pour
assurer la survie de l’entreprise avec une probabilité de 99,5% à horizon 1 an. Il est calculé
indépendamment pour chaque risque, puis agrégé au niveau compagnie en prenant en
compte les corrélations entre les risques. Par exemple, en considérant n risques, on calcule n
valeurs SCRi que l’on porte dans un vecteur X. En notant M la matrice de corrélation entre
les risques, on obtient le SCR au niveau compagnie par la formule .

Les actifs sont comptabilisés en valeur de marché, par opposition à Solvabilité I où on


prend en compte leur valeur comptable. Les provisions techniques sont désormais la somme
d’une valeur « Best Estimate » et d’une marge de risque (surplus que demanderait un
investisseur pour reprendre le passif).

Le pilier II fixe des normes qualitatives de suivi des risques en interne et définit la
façon dont l’autorité de contrôle exerce ses pouvoirs de surveillance.

Le pilier III définit le détail des informations à fournir aux investisseurs, assurés et
autorités.

Page | 63
Bilan Solvabilité I Bilan Solvabilité II

Fonds
Excès propres

EMS Valeur de
Valeur marché des Marge de
comptable risque
Provisions actifs
des actifs
techniques
(normes Valeur BE
françaises) du passif

Actif Passif Actif Passif

Excès Excès
Solvabilité
Solvabilité Mesure des risques à 99,5%
SCR
Montant des PM inconnue spécifiques et Solvabilité
EMS
(approche figée) approche MCR à 85%
probabiliste
Fonds propres Fonds propres
Solvabilité I Solvabilité II

Meilleure prise en compte des spécificités de


chaque compagnie au service d’une amélioration
de leur solvabilité et de la protection des assurés

Figure 7. Evolution réglementaire Solvabilité I/Solvabilité II

Lien avec les rachats


Comme mentionné précédemment, le SCR est calculé par risque. Il est donc devenu
nécessaire pour les assureurs de valoriser leurs options implicites, y compris les rachats.

Aussi, les rachats peuvent dépendre du ratio de solvabilité que présente l’assureur,
défini comme le rapport . Dans le cas d’Allianz, il était de 173% en 2010, ce qui donne un
signal sur la solidité du groupe.

Page | 64
2.2.3) La MCEV d’une compagnie d’assurance

2.2.3.1) Définition

Définition
La question de savoir comment évaluer une compagnie d’assurance vie est
importante pour les sociétés cotées, comme pour les sociétés non cotées, car il est
primordial d’évaluer sa richesse propre et de savoir si elle sera suffisante à sa survie dans des
conditions défavorables. L’évaluation des portefeuilles d’assurance vie est effectuée en
sommant les bénéfices ou pertes futures en fonction de la situation de l’actif et du passif. La
méthode traditionnelle est l’Embedded Value.

L’Embedded Value (EV) est la valeur actuelle des revenus futurs des affaires
existantes distribuables aux actionnaires sur toute la durée de vie de l’entreprise. On peut
la voir comme la valeur actuelle de l’entreprise.

Cette définition nécessite donc de projeter des résultats, généralement sur quelques
dizaines d’années au terme desquelles les capitaux sont libérés, et les actifs et les passifs
liquidés suivant des règles de partage entre assureur (actionnaires), assurés, et l’Etat.
Le Groupe Allianz exige de la part de chacune de ses compagnies d’assurance vie
qu’elle calcule et publie la valeur de son EV, dans un souci de suivi de sa performance. Allianz
a choisi de publier son EV en adéquation avec les principes MCEV (Market Consistent
Embedded Value, voir annexe 6) établis par le CFO Forum. Afin que toutes les entités
produisent des résultats semblables et fondés sur les mêmes hypothèses, le groupe publie
chaque année ses attentes en la matière ainsi que la nature des livrables à fournir par les
compagnies vie. Ces consignes sont synthétisées au sein d’un même document : les
Embedded Value Guidelines7.
Le groupe Allianz demande en outre une analyse de mouvement sur le calcul de l’EV,
c’est-à-dire l’explication étape par étape du changement de valeur entre l’année précédente
et l’année courante. Ces étapes sont dans l’ordre :
 l’Unwinding, qui consiste à capitaliser la valeur du début de l’année
jusqu’à la fin de l’année en partant des données de départ.
 les changements dus à la différence entre ce qui a été prévu et ce qui
s’est réellement passé pour l’environnement économique (changements
d’hypothèses, chroniques de rendement, etc.).
 les modifications d’hypothèses et autres changements opérationnels
opérés sur les affaires existantes.
 les affaires nouvelles obtenues au cours de l’année.
 le paiement des dividendes et les nouveaux capitaux.

Page | 65

7
Source : Embedded Value Guidelines Allianz [26].
Type de contrats pris en compte
L’EV mesure l’impact économique de la gestion des contrats à long terme sur l’année
en cours. L’impact de la capacité de l’entreprise à générer de nouveaux contrats ne fait pas
partie du calcul, mais l’impact des affaires obtenues pendant l’année courante est mesuré.
Dans toute la suite, on notera IF (pour In-Force) ou IF Only pour désigner le stock de
portefeuilles existants en début d’année, et NB (pour New Business) les affaires nouvelles
contractées au cours de l’année. On parlera d’IF+NB pour désigner l’ensemble des contrats
présents à la fin de l’année (existants + nouveaux).
Le fait que la MCEV ne considère que les contrats existants ne signifie pas qu’on
modélise une situation de liquidation de l’entreprise. Il s’agit d’estimer la valeur sur la base
des contrats connus en s’étendant sur toute la durée de vie de ces contrats. Le portefeuille
d’actif actuel et les plus-values latentes courantes représentent une valeur qui existe déjà
dans l’entreprise. Ainsi, projeter l’évolution des plus-values latentes avec les contrats
existants ne signifie pas « liquider » l’entreprise, mais allouer la valeur qui a déjà été créée
aux contrats de l’In-Force.

Selon les principes MCEV, Allianz doit publier son EV nette de réassurance cédée.
Allianz stipule que l’EV peut être calculée soit contrat par contrat, soit par groupe de
contrats (model-points), et concède que cette dernière approche est nécessaire lorsque le
nombre de contrats ou de types de contrat est très élevé, ou lorsque des projections
stochastiques sont utilisées pour le coût des options et garanties. Les critères de
regroupement sont les caractéristiques des produits : on regroupera des produits ayant des
TMG identiques, des stratégies commerciales identiques, etc.

Contrat 1
Model-point 1
Contrat 2 Produit 1
Fond 1

Fond f
Produit p
Model-point n
Contrat N

~100 000 lignes ~100 lignes ~10 lignes


Non modélisable Modélisable Reporting

Figure 8. Regroupement de produits par model-points

Remarque : Il existe d’autres manières de calculer de façon interne la performance


d’une entreprise. On peut notamment penser à l’Economic Value Added (EVA), qui est une
méthodologie permettant d’expliciter la marge annuelle (ou valeur ajoutée) qui reste dans
l’entreprise après rémunération des capitaux investis (tiers et fonds propres). En notant C les

Page | 66
capitaux investis, P le profit net d’impôts, et c le coût moyen des capitaux investis, l’EVA
d’une année particulière est définie par :

Comme sa définition l’indique, l’EVA se fonde sur une évaluation périodique, et se


prête davantage à une analyse de court-terme. Pour l’assurance vie, le concept d’EV est
mieux adapté à la nature long terme de son activité.
D’autres méthodes existent : les méthodes directes d’évaluation fondent l’estimation
de la valeur économique sur l’utilisation de grandeurs de marché, telles les prix de vente
d’entreprises, la valeur des actions des entreprises cotées, etc.

2.2.3.2) Calcul

L’EV d’une compagnie d’assurance est la somme des éléments suivants.


Net Asset Value (NAV) : Valeur de marché (MV) des actifs non adossés à des produits
du passif =
EV required capital (ReC) venant de la réglementation
+ capitaux libres (supplémentaires) ou Free Surplus (FS) ou Excess Capital (XS).

 Value of the in-force (ViF) portfolio des contrats vie =


o valeur actuelle des profits futurs après taxes (PVFP) sur l’IF
o – coût des options et garanties (O&G)
o – coût des risques non couvrables (CNHR ou CRNHR pour non-
hedgeable risk)
o – coût du required capital (CReC) ou frictional cost sur l’IF.

NAV

Figure 9. Eléments constitutifs de la MCEV

Précisons chacun des termes de cette équation.

Page | 67
NAV
La Net Asset Value est la valeur de marché (après taxes) des actifs de la compagnie
d’assurance qui ne sont pas adossés à des produits du passif et revenant aux actionnaires. En
pratique, on commence par déterminer les actifs adossés aux provisions techniques. Les
actifs restants constituent la net asset value et peuvent être considérés comme les actifs
appartenant aux actionnaires. Pour calculer le montant de la taxe à appliquer sur les actifs
de la NAV, on suppose que les plus-values (UCG) sont réalisées à la date de calcul, on utilise
donc le taux de taxe à cette date. De plus, si une des compagnies vie du groupe possède des
parts dans une autre compagnie vie du groupe les actifs correspondants ne doivent pas être
pris en compte pour ne pas avoir de double compte.

ReC
Comme on l’a vu, toute compagnie d’assurance vie est tenue de conserver assez de
capital pour répondre aux réglementations sur la solvabilité. Ce capital est requis pour
assurer que l’entreprise pourra résister aux conditions de marché, vu du contexte actuel de
l’économie et en tenant compte du profil de risque de l’entreprise. Chez Allianz, le ReC est le
maximum entre ce minimum réglementaire et un calcul interne, ce qui assure encore plus de
solidité, pour tenir compte des critères et des exigences des agences de notation.

Le Free Surplus ou Excess Capital est alors défini comme la différence entre la NAV et
le ReC.

CReC
Pouvoir disposer en permanence du required capital de côté a un coût, celui de ne
pas l’investir comme le reste des actifs (coût d’immobilisation). Dans le cadre MCEV, il est
défini par

Où fwrt-1 = taux forward* à 1 an à la date t,


ReCt = required capital qui doit être conservé (immobilisé) à la date t,
inv expt = frais d’investissement sur les actifs correspondants au required capital.

CNHR
Les principes MCEV imposent le calcul du coût des risques non financiers et des
risques financiers non couvrables par quelconque produit de marché (risques d’assurance,
risques opérationnels, etc.). La mesure la plus répandue est le coût d’immobilisation du
capital nécessaire pour couvrir ces risques. Ces risques doivent être supportés par
l’entreprise elle-même, et couverts par le capital, ou du moins transférés à un autre assureur
ou réassureur. C’est le cas pour les marchés qui ne sont pas suffisamment liquides ou
volumineux.

PVFP
Il s’agit de la valeur aujourd’hui des profits générés dans le futur et actualisés
(Present Value of Future Profits), évaluée selon un scénario déterministe central « best
estimate » (ni trop prudent, ni trop peu). Un système de projection actuariel est nécessaire
pour projeter période par période les revenus, les provisions, etc., pour chaque
Page | 68
regroupement de produit. Il doit déterminer les cash-flows des variables suivantes à partir
des hypothèses de départ.
1. Primes
2. Retour d’investissement sur les provisions techniques et cash-flows
3. Frais
4. Commissions
5. Sinistres décès
6. Rachats
7. Paiements des contrats arrivant à maturité
8. Augmentation des provisions techniques
9. Taxes
10. Profits = 1 + 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9

Pour déterminer la PVFP, les profits sont actualisés et sommés. Dans le cadre MCEV,
le taux d’actualisation est dépendant du temps : où fwri est le taux
forward à 1 an à la date i dans le scénario sans risque.

VIF
La valeur du stock (contrats existants) est égale à la PVFP diminuée du coût du
Required Capital, du coût des O&G, et des autres coûts CNHR.

En résumé, la VIF contient donc les flux industriels (liés à l’activité des contrats) et les
flux provenant de l’attribution de capitaux au portefeuille (par exemple pour des raisons de
solvabilité), et des prélèvements de capitaux du même portefeuille (par exemple pour le
versement de dividendes ou l’attribution d’autres portefeuilles). Le portefeuille global de
l’entreprise a été supposé fermé à l’arrivée de nouveaux souscripteurs (pas de New
Business).
Si l’on ajoute la valeur de la production future, on obtient l’Appraisal Value. Cette
valeur exprime la capacité de l’entreprise à produire en conditions ordinaires, c’est-à-dire en
faisant abstraction des opérations telles que les acquisitions d’entreprises, des fusions, etc.

2.2.3.3) Hypothèses et remarques

Hypothèses non-économiques
La valeur des profits futurs calculée dans le cadre MCEV va dépendre de l’expérience
future de l’entreprise. Etant donné qu’il est impossible de la prévoir avec précision,
l’approche usuelle consiste à déterminer les hypothèses « Best Estimate » (meilleure
estimation), qui en principe donnent autant de chances d’avoir des résultats supérieurs que
des résultats inférieurs. Ces hypothèses doivent se fonder sur l’expérience passée, actuelle,
et attendue de l’entreprise.
Les hypothèses démographiques reposent sur des tables de mortalité. Le mieux est
de disposer de données personnalisées à partir de l’expérience de la compagnie. Dans le cas
où ces données sont insuffisantes, des tables existantes pourront être utilisées, en
procédant éventuellement à quelques retraitements (caractère obsolète de la table,

Page | 69
différence entre l’échantillon et la clientèle de l’entreprise, tendances à mettre à jour, etc.).
Des tables sont fournies par l’INSEE. De même, les taux de rachats doivent reposer sur des
données propres à l’entreprise, et être réévalués chaque année. Chaque entreprise du
groupe doit développer ses propres hypothèses sur les frais encourus dans le calcul de l’EV,
de même pour les commissions. Allianz conseille par exemple à ses entités de modéliser
leurs différents coûts de la manière synthétisée dans le tableau suivant. Les coûts et
commissions doivent être réconciliés avec les données comptables.

Type de coût Modélisation


Acquisition des nouveaux contrats % des primes + montant fixe par contrat
Maintenance Montant fixe par contrat ou % des primes
Sinistres Montant fixe par sinistre ou % des sommes assurées
Investissement % des provisions techniques

Hypothèses économiques
Pour projeter les profits futurs dans le calcul de l’EV, des hypothèses doivent être
émises sur la performance de l’actif de l’entreprise. Ceci nécessite la considération
simultanée du développement économique global et de la politique d’investissement de
l’entreprise. Dans les projections « Real World » (monde réel), les hypothèses viennent
essentiellement des valeurs observées sur les marchés. Elles sont fournies par le siège (taux
sans risque, taux de défauts des entreprises par rating, rendement des actions, de
l’immobilier, etc.). Dans les projections « Market Consistent », des scénarios spécifiques sont
fournis par le siège. Ces derniers sont fondés sur les taux swap observés sur les marchés. Si
ce marché n’est pas suffisamment liquide ou volumineux, le taux sans risque peut reposer
sur les valeurs des taux d’emprunt d’Etat (obligations d’Etat). Les actifs de taux où le spread
au-delà du taux sans risque est inclus dans les coupons doivent pouvoir faire défaut au cours
de la projection. La probabilité de défaut entre deux périodes t et t + est donnée par

où Cs est le spread calibré de telle manière à ce que la valeur actualisée des coupons
payés (au taux sans risque à la date t=0) soit égale à la valeur de marché actuelle de l’actif.
Les obligations et autres actifs de taux fixes sont projetés en respectant leurs
rendements contractuels et une probabilité de défaut. Les actions et l’immobilier sont
projetés en appliquant les rendements donnés dans les scénarios utilisés. Lorsque des plus-
values latentes sont réalisées au cours de la projection, elles augmentent le revenu de
l’année où elles sont réalisées.
Selon les Embedded Value Guidelines d’Allianz, le taux d’actualisation utilisé dans les
projections Market Consistent repose sur les valeurs de taux du scénario considéré, et suit la
formule suivante.

Où est le taux 1 an à la date t disponible dans le scénario utilisé.

Page | 70
Politique de participation aux bénéfices
Le partage des bénéfices est une particularité importante de l’activité d’assurance
vie. Elle est régie à la fois par des contraintes contractuelles et réglementaires (Code des
Assurances) et par la politique managériale de l’entreprise. En effet, la distribution des
profits entre l’assuré et l’assureur est régulée et il existe un montant maximum allouable à
l’assureur (voir dans la partie I la section réglementation et comptabilité), qui se traduit par
des restrictions sur le taux de participation aux bénéfices de l’assureur. De plus, la PPE est
utilisable pour « stocker » un excédent de profits qui n’a été distribuée ni aux assurés ni à
l’assureur.
Cette politique de distribution des profits et de gestion des provisions constitue la
« crediting strategy ». Ce terme est crucial et stratégique dans la modélisation de la société
d’assurance vie, nous y reviendrons dans la description du modèle actif-passif en partie III. Le
choix du taux de partage a un impact très important sur la valeur de la PVFP. Si l’écart entre
la valeur actuelle et la valeur maximum du taux distribué à l’assureur est important et s’il
n’est pas prévu de le réduire dans le futur, utiliser le taux maximum ne serait pas cohérent
avec les contraintes best estimate. Cependant, si les dirigeants prévoient d’augmenter la
part reversée à l’assureur (c’est-à-dire aux actionnaires), un taux plus élevé peut être utilisé
en anticipation de la stratégie future de l’entreprise.
Dans le cas où les UCG (plus-values latentes) et la PPE sont très importantes, la
crediting strategy peut inclure la distribution des revenus de ces réserves aux assurés au
cours de la projection. Dans les scénarios où ces dernières ne sont pas utilisées pour payer
des taux de bonus compétitifs, ces réserves doivent être partagées entre assurés et
assureur.

Conclusion sur l’EV


Une enquête réalisée auprès de consultants en actuariat a identifié plusieurs
avantages à la considération de l’EV :
 Permet au management de prendre de meilleures décisions grâce à
une mesure qui prend en compte toutes les activités
 Mesure l’effet d’un changement d’hypothèses ou d’un plan d’action
 Donne une vision long-terme, en cohérence avec la nature de l’activité
 Met en valeur où la valeur se crée et où elle se détruit
 Constitue un outil efficace pour les décisions d’allocation de capital

Jusqu’en 2005, le calcul de l’EV n’incorporait pas la présence des Options &
Garanties. Pourtant, l’importance croissante que revêtent les problèmes de calcul de profils
de risque et de leur gestion impose de prendre en compte dans les modèles la nature
authentique de l’activité d’assurance, son aléa. Les Options & Garanties ne sont
effectivement pas forcément visibles dans un scénario particulier. En effet, de nombreux
produits d’assurance comportent des garanties minimales, telles que la garantie de taux des
produits traditionnels ou la garantie de prestation minimale (en cas de décès et/ou à
l’échéance) que prévoient parfois les assurances en unités de compte. Si l’évaluation
s’effectue selon une approche déterministe, et si l’on s’attend en particulier à un rendement
des investissements supérieur au taux garanti, la garantie ne sera alors pas activée, l’option
de rachat non plus (le client est satisfait de son investissement), et leur évaluation est

Page | 71
impossible par l’assureur. Considérer différents niveaux alternatifs pris par le rendement
permet de calculer le coût d’activation de l’option et de la garantie. Il est nécessaire
d’introduire une approche stochastique. Nous allons donc nous concentrer maintenant sur
le calcul du coût des options et garanties.

2.2.3.4) Les options et garanties

Présentation générale
Les principes MCEV imposent l’évaluation des options et garanties : selon le principe
7 du CFO Forum, on doit prendre en compte l’impact potentiel sur les futurs cash-flows de
toutes les options et garanties financières du portefeuille.

Un des concepts clés définis par le cadre MCEV est le fait que les options et garanties
ont une valeur intrinsèque, reflétée dans le calcul de l’EV si l’option est « dans la monnaie »,
c’est-à-dire lorsque l’option est exercée automatiquement (par exemple le taux minimum
garanti), et une valeur temps qui doit être évaluée dans un contexte stochastique.

Identification des options et garanties financières


On peut citer
 Le taux minimum garanti et les montants versés à maturité
 Le montant garanti au décès pour un support en UC
 Le minimum versé au rachat

Valeur intrinsèque et valeur temps


Les options et garanties financières présentes dans un portefeuille d’assurance vie
peuvent, selon le montant des provisions, réduire les profits lorsque le rendement du
portefeuille tombe en-deçà du taux minimum garanti ou lorsque les conditions économiques
sont défavorables. Comme on l’a vu, calculer la valeur des profits futurs par une approche
déterministe ne permet pas de capturer tout l’effet de ces options et garanties, leur coût
n’étant déterminable que par des techniques stochastiques. De ce point de vue, comme
précisé dans le cadre MCEV, il faut distinguer la valeur intrinsèque et la valeur temps des
O&G.

 Valeur intrinsèque
La valeur intrinsèque est l’effet de réduction des profits (due aux O&G) déjà
incorporée dans le calcul de la PVFP dans le scénario central (déterministe). Le scénario
central correspond au scénario best estimate (meilleure estimation des futures conditions
de marché vues d’aujourd’hui) pour les projections real-world, et au scénario risque neutre
pour le cadre MCEV.
La valeur intrinsèque se mesure en faisant la différence entre la PVFP déterministe en
débranchant les taux minimum garantis et la PVFP déterministe dans le scénario Central.

Page | 72
 Valeur temps
La valeur temps des O&G est la valeur des O&G qui ne sont pas prises en compte
dans la PVFP en scénario central déterministe. Il faut un outil stochastique pour l’évaluer.

La valeur totale des O&G s’écrit comme la somme des 2 valeurs précédentes.

} Valeur intrinsèque
} Valeur temps

PVFP_d0 PVFP_dCE PVFP_s

Déterministe Déterministe Stochastique

Minimum Central
garanti = 0

Techniques stochastiques pour l’évaluation des O&G


Les outils stochastiques utilisés doivent être en adéquation avec les autres postes de
l’EV (mêmes hypothèses). La génération de profits en assurance vie dépendant fortement de
l’interaction dynamique entre les marchés financiers, les décisions managériales, le
comportement des assurés et les contraintes réglementaires, la détermination de la valeur
des O&G nécessite la projection de tous les cash-flows (y compris les frais, les commissions,
les réserves, etc.) dans de nombreux scénarios économiques. La valeur temps des O&G peut
être calculée en effectuant la différence entre la PVFP déterministe en scénario Central et
la PVFP stochastique.

Décomposition des O&G pour les produits traditionnels d’assurance vie


Comme on l’a vu plus haut, il existe des relations dynamiques entre les marchés
financiers, les décisions managériales et le comportement des assurés. En conséquence, le
taux minimum garanti, l’option de rachat et les autres options dépendent l’un de l’autre, et
la décomposition des O&G va changer suivant l’ordre dans lequel on évalue les différentes
catégories d’options. Le schéma suivant montre comment la valeur totale des O&G est
déterminée en ajoutant étape par étape des catégories d’options :
 Premièrement, la PVFP sans aucune O&G est évaluée
 Deuxièmement, en introduisant les TMG, la PVFP est réduite de la
valeur intrinsèque des O&G
 Troisièmement, en ajoutant la volatilité des scénarios stochastiques,
on obtient la valeur temps des taux garantis
 Enfin, on introduit le comportement des assurés afin d’évaluer le coût
des autres O&G, comme les rachats dynamiques.

Page | 73
} Valeur de l’option minimum garanti
} Valeur des « autres »
options

PVFP_d0 PVFP_dCE PVFP_s1 PVFP_s2

Déterministe Déterministe Stochastique Stochastique

Minimum Central Comportement Comportement


garanti = 0 des assurés Best dynamique des
estimate assurés

La première garantie à évaluer est le TMG. Minimum Guarantee = PVFP_d0 –


PVFP_s1, avec
 PVFP_d0 le résultat de la PVFP déterministe calculée sans minimum
garanti
 PVFP_s1 le résultat de la PVFP utilisant une simulation stochastique des
marchés financiers et une évaluation best estimate du comportement des assurés

La garantie TMG a une valeur intrinsèque et une valeur temps.


 Valeur intrinsèque = PVFP_d0 – PVFP_dCE
 Valeur temps = PVFP_dCE – PVFP_s1

Avec PVFP_dCE la PVFP calculée dans le scénario central.

Afin de connaître la contribution de chaque option individuellement dans le coût


total des O&G, il est nécessaire de procéder à une décomposition. Le TMG étant toujours
pris en compte, une méthode est le calcul d’une option en « standalone », dans laquelle on
considère cette option seule avec le TMG. Notons qu’il y a dépendance entre options,
certaines ne pouvant être exercées que si d’autres ne l’ont pas été, par exemple. Le coût
total des O&G est donc inférieur à la somme des valeurs « standalone » des options.

Conditions de non matérialité


Des O&G présentant une valeur très faible (dans un sens à préciser…) peuvent être
omises du calcul total, car elles sont considérées comme mineures et ayant un faible impact.
Ces O&G sont dites non matérielles. En pratique, les Guidelines Allianz autorisent l’absence
de modélisation et de calcul lorsque les 2 conditions suivantes sont remplies :
 Le coût des O&G est inférieur à 10 millions d’euro
 Le coût total des O&G non prises en compte est inférieur à 1% de l’EV.

Page | 74
Méthode de calcul
Pour calculer le coût des O&G, dont font partie les rachats, le groupe dispose d’un
outil spécialisé. ALIM (Asset and Liability Interaction Model) est un outil de simulation
stochastique. Lorsqu’un outil stochastique est utilisé pour la projection de la PVFP (comme
ALIM), la valeur temps des O&G est obtenue en faisant la différence entre la PVFP
déterministe et la PVFP stochastique, la première étant obtenue en utilisant le scénario
Central dans l’outil stochastique.

 Scénario Central

Dans le cadre MCEV, le scénario Central (utilisé dans le calcul déterministe) est
construit à partir d’hypothèses économiques risque neutre. Ce scénario Central est aussi
appelé scénario certainty equivalent. Il est utilisé pour le calcul déterministe de la PVFP
(première partie du calcul des O&G). Il a pour but de fournir un scénario unique qui présente
principalement les mêmes propriétés que les scénarios stochastiques risque-neutre : les
cash-flows actualisés déterministes donnent la valeur de marché observée aujourd’hui, tous
les actifs évoluent au taux risque-neutre, il n’y a pas d’opportunité d’arbitrage dans le
scénario.
Considérons un cash-flow déterministe de 1 au temps T. Comme cela représente
aujourd’hui un zéro-coupon de maturité T, avec une valeur de marché P(0,T), le taux
d’actualisation pour la période T doit être égal à P(0,T). La courbe actuelle des zéro-
coupons est utilisée pour actualiser les cash-flows futurs. L’hypothèse d’absence
d’opportunité d’arbitrage implique que la valeur de marché P(t,T) au temps t d’un zéro-
coupon de maturité T doit être égal au prix forward correspondant, ce qui se traduit par
l’équation

Si cette équation n’était pas vérifiée, il serait possible au temps t de réaliser un


arbitrage. De manière similaire, le taux sans risque entre le temps s et le temps t est
exactement déterminé par le prix du zéro-coupon correspondant P(s,t).

 Comportement de l’assureur et des assurés

La prise en compte de la stratégie de l’assureur est nécessaire : rééquilibrage de la


répartition du portefeuille d’actifs par achat/vente de titres, taux servis aux assurés fonction
des conditions de marché, etc. Ces actions ont un impact important sur la valeur du coût des
O&G.
De même, le comportement des assurés doit être modélisé, les montants de rachats
et des options de conversion ou d’extension de leurs contrats devant dépendre de
l’évolution des marchés financiers (il y aura par exemple beaucoup de rachats si les taux
servis par l’assureur sont très inférieurs aux offres du marché à l’extérieur).

Page | 75
Les rachats font ainsi l’objet d’une attention toute particulière chez les assureurs
dans le contexte actuel. Nous allons expliquer dans la section suivante la valeur ajoutée que
peut avoir une étude axée sur les rachats dynamiques aujourd’hui.

2.3) Etablissement de la problématique

En plus de ce nouvel environnement réglementaire étudié à la section précédente,


plusieurs éléments de contexte expliquent la nécessité de se pencher sur les rachats.

2.3.1) Un contexte économique particulier

Il est incontestable que le niveau des taux d’intérêt est historiquement bas, suite à la
politique des différentes banques centrales pour la relance de l’économie. Le graphique ci-
dessous donne cet historique en Europe sur les dernières années.

Figure 10. Taux d'intérêt européen. Source : BCE

Dans ce contexte, les assureurs devraient anticiper une prochaine hausse des taux, et
donc s’attendre à de nouvelles vagues de rachats dynamiques. La mise à jour de ces lois de
rachat pourra permettre de mieux jauger la teneur de ce risque futur et d’adopter les
mesures adéquates pour s’en couvrir.

2.3.2) Une modélisation à mettre à jour

La modélisation des rachats est traditionnellement séparée en deux types de


comportement : les rachats dits structurels, et les rachats dits conjoncturels.

Les premiers correspondent aux rachats que l’on observe de manière récurrente et
permanente sur le portefeuille, certains clients ayant toujours besoin de retirer leur argent
en urgence ou pour des raisons personnelles. Ces rachats peuvent être modélisés avec des
facteurs techniques, tels l’âge, l’échéance fiscale, le réseau de distribution, etc., et font
l’objet d’études plutôt statistiques.

Page | 76
Les seconds sont liés quant à eux aux opportunités courantes des marchés financiers,
notamment concernant les taux comme on l’a vu plus haut. C’est cette modélisation qui
permet de prendre en compte les rachats dynamiques. Ils sont beaucoup plus difficiles à
modéliser en raison du comportement irrationnel des assurés.

A ce titre, le comportement dynamique des assurés est un point central dans les
rachats et est l’un des risques majeurs du marché de l’assurance vie français.

Des enjeux stratégiques


Suite à la récente crise, la surveillance du portefeuille s’est accrue, dans un contexte
financier perturbé. Les rachats font ainsi partie des risques les plus contrôlés. De plus, la
formalisation des rachats et leur justification s’opère dans le cadre d’une homologation du
modèle interne des compagnies auprès de l’ACP.

De plus, Allianz a investi dans des options de type strikeless cap* afin de se couvrir
contre le risque de rachat en cas d’une hausse significative et prolongée des taux d’intérêt.
Le principe est le suivant : en cas d’une forte hausse des taux, les caps vont verser à
l’assureur un revenu supplémentaire qui sera utilisé pour
 Compenser un taux distribué aux assurés bas par rapport au marché
 Eviter ainsi une forte augmentation du taux de rachats
 Eviter également des pertes sur le portefeuille d’obligations

La particularité des caps strikeless est d’avoir un strike non fixe. Il s’exprime par la
moyenne mobile des taux CMS (swap) passés (majorée éventuellement d’un spread ).

L’échéance de ces contrats strikeless est prévue pour mi-2011, et la couverture ne


sera alors plus effective. Une étude sur le sujet des rachats dynamiques est l’opportunité
d’en affiner notre compréhension et donc de minimiser le coût de cette stratégie de
couverture.

Le périmètre concerné par ces rachats dynamiques est très étendu : 63% des réserves
y sont exposées. Le risque de rachat sur le portefeuille général est d’autant plus
problématique que la duration de l’actif s’allonge, que le nombre de produits sensibles à ce
risque augmente et que les taux de rendement sont relativement bas sur les quelques
dernières années. Ainsi, le comportement des assurés est clé, mais reste inconnu.

Page | 77
CONCLUSION

Au cours de ce deuxième chapitre, nous avons présenté les principales


caractéristiques de l’option de rachat et les risques associés pour l’assureur. Le cadre
réglementaire et la situation économique font des rachats dynamiques un sujet d’actualité,
notamment pour le groupe Allianz. L’objectif est donc d’analyser ce comportement des
assurés et de proposer une modélisation mise à jour afin de mieux prévoir et mesurer les
rachats par les assurés, et donc d’assurer une plus grande stabilité du groupe.

Page | 78
PARTIE III : Mise à jour du paramétrage des rachats
dynamiques

INTRODUCTION

Pour calculer le coût des options et garanties de son portefeuille, dont l’option de
rachat, Allianz dispose d’un outil stochastique interne spécifique : ALIM, que nous allons
présenter dans un premier temps. Nous exposerons ensuite la méthodologie utilisée pour
mettre à jour les paramètres relatifs aux rachats dynamiques. Enfin, nous détaillerons les
résultats et mesures d’impact obtenus en pratique sur le coût des options et garanties.

Page | 79
3.1) ALIM

3.1.1) Aperçu global

ALIM (Asset and Liability Interaction Model) est un modèle stochastique utilisé pour
reproduire le fonctionnement et simuler l’évolution d’une compagnie d’assurance. Il prend
en compte toutes les spécificités propres au métier (primes, provisions mathématiques, PRE,
PPE, RDC, interactions actif-passif, rachats, comportement des assurés, etc.). Il repose sur un
des principaux outils disponibles sur le marché, MoSes, qui est une plateforme de
modélisation permettant aux utilisateurs de développer et de lancer des projections
financières. Les modèles financiers y sont implémentés en C++. MoSes permet aussi de
personnaliser les modèles afin de s’adapter à l’entreprise utilisatrice et au marché considéré,
où la réglementation peut être spécifique et doit être modélisée de façon adéquate.
Allianz France dispose ainsi d’un logiciel permettant de lancer des simulations
financières pour sa branche assurance vie, où sont modélisées toutes les spécificités du
marché et de la réglementation française, ainsi que les particularités internes à l’entreprise
(spécificités du portefeuille de contrats, de la stratégie appliquée en matière de participation
aux bénéfices par exemple, etc.).

De manière très schématique, l’utilisateur prépare en amont des fichiers « d’input »,


qui contiennent toutes les hypothèses d’entrée qui seront utilisées lors de la projection.
ALIM récupère et effectue un retraitement sur ces données, puis lance la projection du
portefeuille sur 40 ans, le pas de temps étant d’1 année. Le cycle de vie des contrats et les
résultats de l’entreprise y sont détaillés. En sortie, ALIM crée des fichiers « d’output », qui
donnent la valeur de toutes les variables calculées au cours de la projection, et pouvant
servir au reporting.

Données Calcul des


Fichiers de
d’entrée sortie
variables

Années de
0 1 2 … 40
projection

ALIM prend en compte les interactions entre les contrats (par exemple la déclaration
des bonus), et aussi celles entre l’actif et la passif.

Lancement d’une simulation


Une simulation correspond à un scénario financier particulier. ALIM permet de lancer
les projections soit en déterministe, c’est-à-dire en utilisant un seul scénario financier, soit

Page | 80
en stochastique, en utilisant un grand nombre de scénarios financiers. Dans ce dernier cas,
toutes les simulations sont lancées les unes à la suite des autres.

Dans une simulation donnée (c’est-à-dire dans un scénario financier donné), à


chaque pas de temps (1 an), quatre étapes et trois blocs de calcul peuvent être distingués.

(br) Before rebalancing


Les prix des actifs sont mis à jour en fonction des données du scénario financier à la
date courante. Les cash-flows générés (par les coupons des obligations par exemple)
sont rajoutés au montant de cash. Les valeurs comptables sont ajournées.

(ar) After rebalancing


Le « rebalancing » est l’effet de l’« investment strategy », qui est la politique
d’investissement de la compagnie en matière d’achats d’actifs et de composition du
portefeuille d’actifs. Le rebalancing consiste à acheter ou à vendre certains types
d’actifs pour respecter cette stratégie prédéfinie. L’effet sur la valeur comptable et
sur la valeur de marché est déterminé dans cette étape.

(as) After crediting strategy


La « crediting strategy » est la politique de répartition des profits entre assurés et
assureur. Des plus/moins values latentes peuvent être réalisées en vendant des
actifs, les montants de certaines réserves y sont ajustés (la PPE peut par exemple être
reprise ou dotée), etc.

(as) End of period


A la fin de l’année, la clôture de l’exercice est simulée en calculant les résultats de
l’entreprise.

After rebalancing After crediting

- investment strategy - crediting strategy


End of period
Before rebalancing

- nouveaux prix des


actifs

- cash-flows

t-1 t

Page | 81
Structure du modèle

ALIM est composé de sous-modèles renfermant chacun les données relatives à une
certaine partie de la compagnie d’assurance. Chaque sous-modèle contient des variables,
des formules, et des fonctions effectuant des tâches élémentaires de calcul ou
d’enregistrement de données. Les sous-modèles ont la structure suivante.

Top

Scenario Company

Eqindex
Fund

Asset Strategy Liab

......
Bonds ... Credstrat ...
...
EA ...
Rollup
...
...
Equities ...
...
Deriv Invstrat ...
...
L441
......
Mortgages
...
...
Bond_fwd
......
InvFund

Figure 11. Structure du modèle ALIM

Le sous-modèle Top pilote les calculs au plus haut niveau (il lance les grandes étapes
de la simulation, récupère les chemins des données d’input, donne les informations
générales sur la projection, et force le reporting).
Modèles parents : le modèle Strategy coordonne l’investment strategy (rebalancing),
la crediting strategy, qui sont effectuées dans les deux sous-modèles correspondants, et la
réalisation de plus/moins values latentes. Le modèle Asset renvoie les informations sur les
actifs en portefeuille, récupérées dans les sous-modèles Bond, Equity, Deriv, etc.,
correspondant aux différentes classes d’actifs (valeur de marché à différents niveaux,
réinvestissement, etc.). Le modèle Liab vérifie la cohérence des inputs et renvoie les
informations sur le passif, à partir du modèle Rollup, qui projette les variables permettant de
calculer les primes, les sinistres, etc., pour chaque produit, et contient les fonctions de
comportement dynamique des assurés.
Le modèle Fund consolide toutes les données au niveau fond (compte de résultat,
cash-flows, montant des réserves, passif, etc.).
Le modèle Company agrège les résultats des fonds au niveau de la société, calcule les
impôts et d’autres variables au niveau global.
Le modèle Scenario possède les données des scénarios financiers suivant le type de
marché considéré.
Page | 82
Le modèle L441 traite certains fonds très particuliers (contrats de retraite en points).
Nous n’étudierons pas ici ce cas singulier.

Tous ces modèles fonctionnent sous la forme de tableaux multidimensionnels :

Modèle Dimension Signification

Fund 1 n° du fond
Bond/Equity/… 2 n° du fond * n° actif
Scenario 1 monnaie
Rollup 2 n° fond * n° du produit
Strategy 1 n° fond
Fund reporting 1 n° fond
Liability reporting 2 n° fond * type de produit

Asset Class reporting 2 n° fond * n° classe d’actifs

Les autres modèles sont chargés de créer les fichiers d’output (données de passif,
d’actif, au niveau fond, etc.). Chacun contient un certain nombre de variables calculées
automatiquement par ALIM et sont reportées dans un fichier de sortie dbf. Parmi ces
fichiers, on retrouve la PVFP, qui nous servira pour le calcul des Options & Garanties.

Interface entre les modèles

...... ...
Bonds Asset Fund Liab ...
Rollup
...
...
Equities

...
...
Mortgages

...
...
InvFund

...... Strategy
EA

Invstrat Credstrat
Figure 12. Liens entre les sous-modèles ALIM

Page | 83
Ordre de calcul
Force reporting
Top
Crediting
Credstrat

Strategy
Rebalancing Realisation
Invstrat
Figure 13. Chronologie d'appel des modules ALIM

Lors de la projection, ALIM va récupérer des données dans les fichiers d’inputs, que
nous allons préciser dans la partie suivante.

3.1.2) Les inputs

Afin d’effectuer les calculs de PVFP, ALIM a besoin des données relatives à la
situation de l’entreprise et de l’environnement économique. Ces données sont regroupées
dans les 5 types de fichiers suivants.

 Asset
Il s’agit de la situation du portefeuille d’actifs, par ligne d’actif (type d’actif, valeur de
marché, valeur comptable, etc.)

 Corporate
Il s’agit des données bilancielles de l’entreprise (fonds propres, marge de solvabilité,
PPE, etc.), et des stratégies d’investissement (caractéristiques des types d’actif, allocation
stratégique, etc.).
 General
Ce fichier contient les paramètres généraux à configurer dans la simulation (chemin
des fichiers d’entrée, données sur la mortalité, etc.)

 Liability
Il s’agit des données de passif par regroupement de produits (projections de cash-
flows, de stock, etc.).

 Scenarios
Les scénarios simulent une évolution possible de l’environnement économique
(valeurs des taux, etc.).

Ces fichiers sont au format xls.

Page | 84
3.1.3) Le modèle

Nous allons présenter dans cette section les grands principes des deux modules de
calcul les plus importants d’ALIM : l’investment strategy et la crediting strategy.

Investment strategy

Le but de l’investment strategy est d’atteindre une allocation cible du portefeuille


d’actifs en vendant ou en achetant des actifs (c’est le rebalancing), de calculer la variation de
réserve de capitalisation et de réaliser des plus/moins values demandées par la crediting
strategy.

Il s’agit de la première opération réalisée au début d’une année de projection t.

Description globale du Processus

Le modèle Invstrat d’ALIM est divisé en trois principaux blocs :

- Information aggregation (IA)

- Dynamic Asset Allocation (DAA)

- Asset transaction (TA)

L’idée est de séparer les décisions effectuées par les comités de direction
d’investissement (DAA) et l’implémentation réelle réalisée par les asset managers (TA).

La répartition du portefeuille est définie au niveau classe d’actifs (les plus courantes
étant les obligations à taux fixes d’Etat, les obligations à taux fixes d’entreprises, les
obligations à taux variables, les actions du CAC 40, les actions d’autres économies, les
actions provenant de fonds d’investissements, et les dérivés). Chaque actif doit être
assignable à une classe.

On cherche ainsi par exemple à atteindre 65% d’obligations d’Etat à taux fixe, 15%
d’actions du CAC 40, 10% de fonds d’investissement, 7% de produits dérivés, et 3% de cash.
C’est le rôle du module DAA, qui atteint pour chaque fond l’allocation cible, qu’on appelle
asset mix, prédéterminée par classe d’actifs en déterminant le montant à acheter/vendre
pour chaque classe. Pour chaque classe d’actifs sont donc définis une proportion cible ainsi
qu’un intervalle autour de cette cible. Ces proportions peuvent être dépendantes du temps.
L’algorithme de rebalancing est déclenché dès qu’au moins une classe d’actifs est en-dehors
de son intervalle cible.

Auparavant, il faut donc consolider les valeurs et UCGL des actifs au niveau classe
d’actifs, ce qui est réalisé par le module IA. Le module TA permet de répartir le montant de

Page | 85
vente ou d’achat à réaliser dans la classe d’actifs entre les différentes lignes d’actifs
individuelles. Il détermine par actif le montant à vendre, calcule le montant de
reprise/dotation de RDC, et le montant à réaliser par actif (réalisation d’UCGL par vente et
rachat du même actif).

Crediting strategy

L’objectif de la crediting strategy est de déterminer les montants à distribuer aux


assurés et à l’assureur, que nous appellerons respectivement policyholder (ph) et
shareholder (sh). Elle respecte toutes les contraintes réglementaires vues dans la première
partie, ainsi que la stratégie particulière du groupe Allianz France, ce qui rend le programme
très réaliste.

La crediting strategy est réalisée après l’investment strategy, pendant l’année t


courante.

Description globale du processus

La crediting strategy est constituée de plusieurs modules de calcul, reflétant les


différentes étapes amenant au versement final des montants distribués. Elle est différente
entre les produits en euro et les produits en UC. Etant donné que le calcul des Options &
Garanties n’est effectué que sur les produits euro, nous allons nous restreindre à ce
périmètre dans la suite de cette section.

ETAPE 1 : Pour chaque fond, les produits financiers et le résultat technique sont partagés
entre assurés et compagnie. ALIM vérifie si cette première répartition permet de respecter
le taux minimum garanti (au niveau de chaque produit) que la compagnie doit verser aux
assurés chaque année. S’ils ne sont pas atteints, des UCGL sont réalisées.

ETAPE 2 : Pour chaque fond, ALIM cherche à atteindre un montant de participation aux
bénéfices (PB) cible pour des raisons commerciales, et ce pour chaque produit. Ceci est
réalisé en reprenant ou dotant la PPE, ou en réalisant des UCGL complémentaires. La cible
est définie en fonction des taux d’intérêt et des UCGL dans le portefeuille. Elle est modulée
en fonction du niveau de la PPE et des UCGL.

ETAPE 3 : ALIM atteint un objectif de résultat au niveau de la compagnie.

Nous avons vu comment se déroule la crediting strategy. Elle est responsable de


l’attribution des revenus au policyholder et au shareholder, et de la gestion des provisions
stratégiques (PPE notamment).

Page | 86
Conclusion sur ALIM
Nous avons présenté dans cette section le fonctionnement des deux principales
fonctionnalités d’ALIM, l’investment strategy et la crediting strategy. Les autres sous-
modèles sont également d’une importance majeure, mais leur description intégrale n’est pas
l’objet de ce mémoire.
Nous allons dans la section suivante expliquer et détailler le paramétrage de l’option
de rachat dynamique dont la production et le calcul des résultats s’appuient beaucoup sur
l’utilisation d’ALIM.

3.2) Mise à jour des paramètres de rachats dynamiques : la


méthodologie

Comme nous l’avons vu, les rachats font partie notamment du calcul du résultat
technique. Leur valeur de base est donnée par les fichiers d’input « Liability » et sont
éventuellement dynamisés en fonction des conditions de marché. Nous allons donc nous
intéresser dans cette section au paramétrage de ce processus de dynamisation. Etudions
d’abord plus en détail la modélisation des rachats dans ALIM.

3.2.1) Modélisation ALIM actuelle des rachats dynamiques

L’approche d’Allianz est de considérer que le comportement de rachat dynamique


des assurés en fonction des conditions de marché respecte une forme arc tangente. La
décision des assurés s’appuie sur l’écart entre un taux benchmark (indexé sur les taux
d’intérêt du marché) et le taux de PB servi par l’assureur au titre de la rémunération du
contrat d’assurance vie.

Si le taux de PB est « trop » inférieur au taux de référence, les assurés auront plus
tendance à racheter leur contrat, « trop » pouvant être interprété comme « en-deçà d’une
certaine limite ». Ainsi, le taux de rachat réellement appliqué par ALIM est issu de la formule
suivante.

La fonction déviation a la forme précisée ci-dessous.

Page | 87
déviation
40,00%

surr_incr_max
30,00%

20,00%
surr_decr_begin
surr_decr_end surr_incr_begin
10,00% surr_incr_end

0,00%
-10,00% -7,50% -5,00% -2,50% 0,00% 2,50% 5,00% 7,50% 10,00%
surr_decr_max
-10,00%
Taux benchmark - Taux servi

Figure 14. Modélisation des rachats dynamiques par déviation

En pratique, Allianz France utilise une modélisation prudentielle, en considérant que


les rachats ne peuvent pas être diminués dynamiquement (même si le taux crédité aux
assurés est très supérieur aux taux d’intérêt du marché, les rachats ne sont pas diminués).
Ceci est modélisé en paramétrant à 0 la variable surr_decr_max.

déviation Allianz France


40,00%

30,00%

20,00%

10,00%

0,00%
-10,00% -7,50% -5,00% -2,50% 0,00% 2,50% 5,00% 7,50% 10,00%

Taux benchmark - Taux servi

Figure 15. Modélisation Allianz des rachats dynamiques (chiffres arbitraires)

Avec ce paramétrage, tant que la différence de taux est inférieure à un certain seuil,
les rachats déterministes ne sont pas ajustés. Au-delà de ce seuil et en-deçà d’un second
seuil, la déviation croit linéairement jusqu’à atteindre un plafond (variable surr_incr_max).

Page | 88
Choix du taux benchmark
Le taux benchmark utilisé dans la formule de la déviation est le taux zéro-coupon à 1
an. Ce choix est issu de la meilleure corrélation entre les historiques d’évolution des taux de
rachat et d’écart entre taux servi et taux zéro-coupon à différentes maturités. La meilleure
corrélation trouvée entre 1994 et 2006 était avec le zéro-coupon à 1 an.

Cette propriété étant toujours vérifiée aujourd’hui, nous conserverons ce paramètre.

La référence la plus couramment retenue pour analyser le comportement des assurés


est celle du livret A. L’inflation n’étant pas modélisée dans ALIM, le taux 1 an reflète une
tendance de court terme et permet de remplacer le taux du livret A.

Choix des paramètres


Actuellement, le choix des variables surr_incr_begin et surr_incr_end repose sur le
raisonnement fiscal suivant. Deux simulations de contrat d’épargne à versement unique
initial V, de TMG 4,5% et de terme 15 ans ont été effectuées en supposant un
déclenchement des rachats dynamiques à partir d’un taux marché à 6% :

- La première prend en compte le prélèvement forfaitaire libératoire, en cas de


rachat avant 8 ans, appliqué aux plus-values auquel s’ajoutent les chargements
d’acquisition de la nouvelle souscription
- La seconde considère un prélèvement forfaitaire de 10% de l’encours incluant les
pénalités du premier jeu d’hypothèses et les pénalités administratives

Ensuite, on visualise graphiquement à partir de quelle durée il y a réellement un


retour sur investissement (ROI) pour l’assuré, et ce pour plusieurs jeux d’écarts de taux.

Durée avant retour sur investissement en fonction de l'écart de taux


entre le taux de référence du marché et le taux de PB servi
(Prélèvement libératoire + frais d'acquisition)

10
9
8
7 rachat années [1-4]
6
5 rachat années [5-8]
4
3 rachat années [supérieur à 9]
2
1
0
0,0% 1,0% 1,5% 2,0% 3,0% 4,0% 5,0% 6,0% 7,0%

Page | 89
Durée avant retour sur investissement en fonction de l'écart de taux
entre le taux de référence du marché et le taux de PB servi
(Pénalités = 10% des PM)

14
12
10
rachat années [1-4]
8
rachat années [5-8]
6
rachat années [supérieur à 9]
4
2
0
0,0% 1,0% 1,5% 2,0% 3,0% 4,0% 5,0% 6,0% 7,0%

Figure 16. Méthodologie actuelle pour le calcul du seuil d'activation

C’est à partir d’un écart de taux de 1,5% que la durée de ROI devient raisonnable (6 à
8 ans), et c’est la valeur paramétrée dans tous les produits pour la variable surr_incr_begin,
déclenchant les rachats dynamiques. De même, la durée de ROI se stabilise autour de 6%
d’écart de taux, c’est la valeur utilisée dans surr_incr_end, seuil au-delà duquel les rachats
ne sont plus augmentés dynamiquement.

La variable surr_incr_max est calculé par produit de façon à avoir un rachat maximal
annuel de 19%. Ainsi, si par exemple on prévoit un taux de rachat moyen de 5% sur un
certain produit, sa variable surr_incr_max sera paramétrée à car

Le choix du 19% comme taux de rachat maximal provient d’un avis d’expert. Il a en
effet été estimé que la compagnie fera en sorte, le cas échéant, de maintenir le taux de
rachat en-deçà de 20%. Théoriquement, il est possible d’observer des taux supérieurs, mais
en pratique, il a été estimé qu’Allianz mettrait tout en œuvre, commercialement, pour
conserver le taux de rachat sous les 20%. Ceci passerait notamment par des campagnes
auprès des commerciaux et des agents pour « rassurer » leurs clients et en proposant de
remplacer le rachat par des arbitrages.

Lien avec la réglementation


Afin de mesurer les implications concrètes de la réforme Solvabilité II, les directives
européennes doivent faire l’objet d’une étude d’impact, qui s’est déroulée par étapes
successives, appelées QIS (pour Quantitative Impact Studies8). En 2010, la Commission

Page | 90

8
Sources : EIOPA [21], ACAM [23].
Européenne a invité tous les organismes d’assurance européens à participer activement à la
5ème étape (QIS5) dont les objectifs étaient :

 Fournir des renseignements détaillés des impacts quantitatifs sur le bilan,


 Vérifier l’adéquation des spécifications techniques aux principes et objectifs de la
réforme,
 Collecter des données sur les options politiques,
 Collecter des données afin de parfaire le calibrage de la formule standard,
 Encourager les organismes à se préparer à l’introduction de la réforme.

QIS5 donne des indications précises sur la modélisation des lois de rachat 9. Il y est
précisé classiquement que le taux de rachat est séparé entre rachats structurels et rachats
conjoncturels, comme dans ALIM. La forme des rachats conjoncturels est également
précisée : il y est conseillé qu’elle soit comprise entre un plancher et un plafond qui sont
représentés sur la courbe suivante. Ces paramètres sont issus de jugements d’expert.

Bornes de déviation QIS5


50.00%

40.00%

30.00%

20.00%

10.00%

0.00%
-10.00% -7.50% -5.00% -2.50% 0.00% 2.50% 5.00% 7.50% 10.00%
-10.00%
Taux benchmark - Taux servi

Figure 17. Modélisation réglementaire des rachats dynamiques

Il est à noter que QIS5 considère que les rachats conjoncturels doivent être
additionnés aux rachats structurels. Dans la modélisation Allianz, les rachats structurels sont
augmentés d’un facteur multiplicatif, ce qui constitue un choix équivalent.

3.2.2) Premières analyses

Les études précédentes ont été menées début 2008, avant le cœur de la crise
financière et ne laissent pas la place à la volatilité des rachats que l’on peut pourtant
observer sur les produits et sur le portefeuille général. Ainsi, un objectif de ce mémoire fut
de reconsidérer le paramétrage des rachats dans ALIM en prenant en compte aussi finement

Page | 91

9
Source : QIS5 [24].
que possible le changement de comportement des assurés. Nous allons détailler dans cette
section la nouvelle méthodologie que propose ce mémoire.

La démarche
La première étape a consisté à récupérer et observer les données disponibles sur les
rachats. Travaillant en partenariat avec d’autres équipes internes, le périmètre d’étude
considéré est celui de la vie individuelle et certains produits collectifs aux gros encours. Les
données proviennent des bases SAS de l’Inventaire et remontent jusqu’à janvier 2004.

Une fois les premières analyses de base effectuées, la méthode a consisté à identifier
des groupes de comportement entre les produits du périmètre concerné. L’idée est de
pouvoir regrouper des produits au sein d’une même modélisation si l’on souhaite suivre de
façon générale l’évolution des taux de rachat des produits.

Ensuite, la mise à jour des paramètres des lois de rachat dynamiques sous ALIM a été
réalisée pour chaque produit en utilisant une nouvelle méthodologie.

Les premières analyses


Elles sont fondées sur les historiques de taux de rachat mensuels sur chacun des
produits étudiés. La plupart sont des produits multisupports, comportant un fond en euro et
des unités de compte (UC). Le tableau ci-dessous résume les produits étudiés (identifiés par
des noms de présidents Américains dans toute la suite) et les TMG des fonds euro associés.

Produit TMG du fond en euro


Tyler 4,5%
Jackson 3,5%
Fillmore Livret A
Pierce 0%
Adams 0%
Monroe 0%
Lincoln 0%
Johnson 0%
Jefferson 0%
Harrison 0%
Wilson 0%
Washington 0%
Roosevelt 0%
Madison 0%
Kennedy 0%
Eisenhower 0%
Buren 0%
Hoover Entre 3,5% et 4,5%
Truman 0%
Carter 0%
Reagan 0%
Tableau 4. Liste des produits étudiés

Page | 92
Cet échantillon a été choisi de façon à contenir les produits les plus représentatifs de
l’ensemble du portefeuille (environ 150 produits).

Les analyses suivantes ont porté sur les taux mensuels en eux-mêmes et sur les
évolutions mensuelles de ces taux de rachat .

Statistiques générales (données 2004-2011)

Produit Moyenne Ecart type Minimum Maximum


Tyler 0,39% 0,10% 0,17% 0,67%
Jackson 0,56% 0,20% 0,18% 1,18%
Fillmore 0,56% 0,14% 0,26% 0,93%
Pierce 0,51% 0,20% 0,22% 1,13%
Adams 0,43% 0,16% 0,15% 0,87%
Monroe 0,58% 0,10% 0,38% 0,96%
Lincoln 0,32% 0,07% 0,19% 0,66%
Johnson 0,36% 0,17% 0,00% 1,02%
Jefferson 0,34% 0,18% 0,00% 0,77%
Harrison 0,38% 0,28% 0,05% 1,37%
Wilson 0,51% 0,09% 0,33% 0,74%
Washington 0,47% 0,28% 0,10% 1,58%
Roosevelt 0,51% 0,29% 0,11% 1,39%
Madison 0,28% 0,06% 0,15% 0,46%
Kennedy 0,30% 0,07% 0,16% 0,46%
Eisenhower 0,42% 0,52% 0,00% 3,10%
Buren 0,33% 0,13% 0,12% 0,76%
Hoover 0,95% 0,24% 0,51% 1,76%
Truman 0,44% 0,16% 0,10% 0,92%
Carter 0,77% 0,59% 0,18% 3,58%
Reagan 0,02% 0,03% 0,00% 0,09%
Tableau 5. Indicateurs statistiques généraux

La première observation que l’on peut émettre est la diversité des comportements
des produits. Tandis que certains présentent des niveaux et volatilités de rachats faibles,
d’autres comme le produit Hoover ont des rachats particulièrement élevés. Ceci peut
s’expliquer par les spécificités des produits : le produit Hoover a par exemple subi de
nombreuses migrations informatiques qui se sont ressenties jusqu’au niveau commercial, le
produit Reagan est un produit nouveau sur lequel il est difficile d’observer de réels rachats
du fait d’une antériorité fiscale très faible à ce jour.

Page | 93
Evolutions depuis la crise

Depuis 2008, Allianz, comme tous les autres assureurs sous l’impulsion de l’ACP, est
attentif à l’évolution des rachats et au risque de dérive de ces derniers. Au vu des historiques
sortis, on peut effectivement remarquer sur le portefeuille global multisupport une hausse
du taux de rachat depuis septembre 2010, comme l’illustrent les graphiques ci-dessous. Ce
phénomène n’est cependant pas observable sur tous les produits.

En revanche, cette hausse semble en réalité s’inscrire dans la continuité d’un cycle,
observable depuis plusieurs années, comme le montre l’intégralité des historiques des deux
cas présentés.

Taux de rachats mensuels - Portefeuille


0.90%
0.80%
0.70%
0.60%
0.50%
0.40%
0.30%
0.20%
0.10%
0.00%
Jan-07

Jan-08
May-08

Jan-09

Jan-10

Jan-11
May-07

May-09

May-10

May-11
Sep-10
Sep-07

Sep-08

Sep-09

Taux de rachats mensuels - produit Adams


1.00%

0.80%

0.60%

0.40%

0.20%

0.00%
May-11
May-07

May-08

May-09

May-10
Sep-07

Sep-08

Sep-09

Sep-10
Jan-07

Jan-08

Jan-09

Jan-10

Jan-11

Figure 18. Historiques récents du taux de rachat

Page | 94
Taux de rachats mensuels - Portefeuille
0.90%
0.80%
0.70%
0.60%
0.50%
0.40%
0.30%
0.20%
0.10%
0.00%

Jan-11
Jan-07

Jan-08

Jan-09

Jan-10
May-07

May-08

May-09

May-10

May-11
Sep-07

Sep-08

Sep-09

Sep-10
Taux de rachats mensuels - produit Adams
1.00%

0.80%

0.60%

0.40%

0.20%

0.00%
May-07

May-08

May-09

May-10

May-11
Sep-07

Sep-08

Sep-09

Sep-10
Jan-07

Jan-08

Jan-09

Jan-10

Jan-11

Figure 19. Historiques du taux de rachat

On peut donc s’attendre à un retour à des taux de rachat raisonnables dans les mois
à venir, et dont la descente peut d’ores et déjà être observée sur les deux graphiques
précédents.

Dans tous les cas, et pour tous les produits, les taux de rachats ne peuvent pas, en
régime permanent, prendre des valeurs abusives sur une durée importante. Ils respectent
même une certaine saisonnalité autour d’une valeur moyenne dépendant du produit.

Ce constat sera déterminant dans toute la suite de ce mémoire.

Des éléments d’explication peuvent être le besoin d’argent à certaines périodes de


l’année (paiement des impôts, rentrée scolaire, fêtes de fin d’année, etc.).

Corrélations et groupes de volatilité

La matrice de corrélation entre les séries de rachats mensuels a été calculée, de


même pour les évolutions de ces taux.

Page | 95
Corrélations sur les taux de rachat

Page | 96
Corrélations sur les évolutions des taux de rachat
Regroupement empirique

Des premiers groupes de produit semblent se dégager : les produits Tyler, Jackson,
Fillmore, Pierce, Monroe, Lincoln, Wilson, Madison, Kennedy semblent former un groupe
corrélé. De même, les produits Harrison, Washington, Roosevelt, Eisenhower et Reagan
semblent plutôt anti-corrélés au premier groupe. Ce phénomène se vérifie aussi bien sur
l’étude des taux que sur leur évolution.

Aussi, en étudiant les historiques des taux de rachat, on peut remarquer plusieurs
grandes catégories de comportement : les produits au comportement relativement stable,
ceux au comportement erratique et ceux ne dégageant pas de réel comportement
identifiable. Ci-dessous trois exemples de produits symboliques de chacun de ces types de
comportements.

Taux de rachats mensuels - produit Monroe


1.20%
1.00%
0.80%
0.60%
0.40%
0.20%
0.00%
Jan-07

Jan-08

Jan-09

Jan-10

Jan-11
Apr-07

Oct-07

Apr-08

Oct-08

Apr-09

Oct-09

Apr-10

Oct-10

Apr-11
Jul-07

Jul-08

Jul-09

Jul-10

Figure 20. Un exemple de comportement stable

Taux de rachats mensuels - produit Harrison


1.60%
1.40%
1.20%
1.00%
0.80%
0.60%
0.40%
0.20%
0.00%
Apr-09
Apr-07

Apr-08

Apr-10

Apr-11
Jul-07

Jul-08

Jul-09

Jul-10
Jan-07

Jan-08

Jan-09

Jan-10

Jan-11
Oct-07

Oct-08

Oct-09

Oct-10

Figure 21. Un exemple de comportement erratique

Page | 97
Taux de rachats mensuels - produit Johnson
1.20%
1.00%
0.80%
0.60%
0.40%
0.20%
0.00%
Apr-05

May-07

Apr-10
Nov-04

Aug-08

Nov-09
Sep-05
Feb-06
Jul-06

Mar-08

Sep-10
Feb-11
Jan-04
Jun-04

Dec-06

Jan-09
Jun-09
Oct-07
Figure 22. Un exemple de comportement intermédiaire

La première conclusion est qu’il est possible d’effectuer une distinction entre les
produits suivant leur ancienneté. En effet, les vieux produits et le portefeuille dans sa
globalité suivent un comportement stable, voire même une certaine saisonnalité. Une
explication réside dans le fait que le principal facteur influant le taux de rachat, l’ancienneté
fiscale, est neutralisé par la diversification. Ces produits présentent de gros encours (PM) et
toutes les anciennetés fiscales sont représentées.

Sur les produits plus récents, proposés à la vente pour rénover la gamme, un
comportement plus erratique est observé, la structure de rachat se met en place, et l’effet
pic fiscal n’est pas autant neutralisé par la diversification. Un exemple d’un tel produit est
Wilson, sorti début 2007 pour renouveler le produit Adams, et dont l’historique de rachat
est présenté ci-dessous. Le pic fiscal de 4 ans commence à être identifiable.

Page | 98
Taux de rachats mensuels - produit Wilson
0.80%
0.70%
0.60%
0.50%
0.40%
0.30%
0.20%
0.10%
0.00%

Oct-08
Oct-07
Jan-08

Jan-09

Oct-09
Jan-10

Oct-10
Jan-11
Apr-07

Apr-08

Apr-09

Apr-10

Apr-11
Jul-07

Jul-08

Jul-09

Jul-10
Figure 23. Un exemple de phase de mise en place du taux de rachat

Ainsi, on remarque une période d’environ 1 an après la sortie du produit pendant


laquelle la structure des rachats se construit, ce qui introduit un biais dans notre étude, car
nous nous intéressons au comportement des produits en régime de croisière. Ainsi, nous
allons désormais systématiquement supprimer de nos données la première année de
l’historique des taux de rachat.

Les deux critères a priori déterminants dans le comportement d’un produit sont
l’espérance et la volatilité. Un indicateur semble pertinent pour discriminer entre les
différents comportements des produits : le rapport de l’espérance sur la volatilité (« ratio de
Sharpe »). Les tableaux ci-dessous donnent les produits classés par type de comportement
accompagnés de leur ratio de Sharpe.

Comportement Comportement Comportement


Sharpe Sharpe Sharpe
stable intermédiaire erratique
Tyler 4,02 Jackson 2,80 Jefferson 1,88
Monroe 5,63 Fillmore 3,90 Harrison 1,34
Lincoln 4,57 Pierce 2,55 Washington 1,69
Wilson 5,87 Adams 2,78 Roosevelt 1,78
Madison 4,49 Johnson 2,15 Eisenhower 0,81
Kennedy 4,12 Buren 2,48 Carter 1,29
Hoover 3,97 Truman 2,77 Reagan 0,70

Sharpe > 4 2 < Sharpe < 4 Sharpe < 2

Page | 99
Deux seuils semblent offrir une discrimination satisfaisante entre les comportements
des produits en matière de rachats : les produits ayant un ratio de Sharpe inférieur à environ
2 ont un comportement plutôt erratique, et ceux ayant un ratio supérieur à 4 ont en général
un comportement stable. Des exceptions peuvent néanmoins être trouvées, notamment le
produit Hoover, qui a bien un comportement stable mais une volatilité assez importante
comparée à sa valeur moyenne.

Regroupement par data clustering

Le data clustering10 est une méthode statistique permettant de diviser un ensemble


de données en groupes homogènes. Cette homogénéité se traduit par des critères de
proximité définis en introduisant des mesures et des classes de distance entre les objets.
C’est une méthode très utilisée en marketing pour subdiviser le comportement des clients
en groupes similaires et ainsi définir des « clientèles cibles ». L’idée est similaire ici :
l’analogie réside dans la classification des produits suivant le comportement des assurés
associés.

Il existe plusieurs algorithmes aboutissant à la classification, ou partition, des


données :

 K-means
 NMF (Non negative Matrix Factorization)
 …

La méthode NMF consiste à factoriser une matrice de données X par une matrice de
coordonnées des barycentres des clusters W et une matrice H des « scores » attribués à
chacun d’entre eux.

L’algorithme consiste à initialiser la matrice des barycentres puis à l’étape t, de


calculer

Puis

où est la norme de Frobenius

et signifie

La méthode choisie ici est l’algorithme des K-means, plus adaptée à notre
problématique, et que nous présentons ci-dessous.

Page | 100
10
Voir Vayatis N. [8]
Notons dans les observations à classifier.

Commençons par donner quelques définitions.

Définition : Un cluster k est un ensemble non vide d’observations. Notons


.

Définition : Le barycentre du cluster k est .

Définition : La cohérence du cluster k est où est une distance.

Définition : Un clustering est une partition à K clusters des données.

L’algorithme des K-means consiste à minimiser une fonction critère dépendant du


clustering. Le problème se pose donc sous la formulation suivante, en prenant une fonction
critère égale à la somme des cohérences des clusters.

Distance

Plusieurs fonctions distance sont possibles, parmi les plus courantes, on trouve

- La distance euclidienne

- La distance de Manhattan

- La distance de Sebestyen

Pour résoudre ce problème, on procède par itérations successives.

Initialisation

On commence par tirer aléatoirement une partition des données.

Etape t

On calcule les barycentres des clusters obtenus à l’étape précédente.

Page | 101
On affecte chaque observation à son barycentre le plus proche. On obtient de
nouveaux clusters.

On calcule la fonction à minimiser.

Evaluation du critère d’arrêt.

On passe à l’étape t+1.

Critère d’arrêt

La fonction à minimiser se stabilise après un certain nombre d’itérations. On arrête


l’algorithme dès que l’écart entre deux étapes successives est inférieur à un seuil choisi par
l’utilisateur, ou si on dépasse un nombre d’itérations maximal paramétrable.

Implémentation

Cet algorithme a été implémenté sur les mêmes produits considérés précédemment,
en prenant en compte dans un premier temps 2 critères : moyenne et volatilité des rachats.
Le positionnement des produits est le suivant.

0.70%

0.60%

0.50%
Volatilité

0.40%

0.30%
Série1
0.20%

0.10%

0.00%
0.00% 0.20% 0.40% 0.60% 0.80% 1.00% 1.20%
Moyenne

Figure 24. Cartographie des produits étudiés

Nous optons donc pour une classification en 3 clusters. L’algorithme a été lancé
plusieurs fois car il peut donner des partitions différentes suivant la répartition aléatoire
initiale. La conclusion est que la méthode donne des classes instables avec la répartition
initiale et avec la distance choisie (les groupes formés à chaque lancement varient). Il n’est
pas possible d’en déduire une classification réellement acceptable avec ces deux critères.
Une solution pour y pallier est d’augmenter le nombre de clusters afin de stabiliser la
classification. Ainsi, dans tous les cas, on peut remarquer la formation de certains noyaux
durs, c’est-à-dire de produits apparaissant systématiquement ensemble dans le même

Page | 102
cluster. Ainsi, nous obtenons une classification plus détaillée, mais plus robuste. Les sous-
groupes ainsi formés sont donnés ci-dessous.

0.70%

0.60%

0.50%
Série1
Série2
Volatilité

0.40%
Série3
0.30%
Série4

0.20% Série5
Série6
0.10%
Série7

0.00%
0.00% 0.20% 0.40% 0.60% 0.80% 1.00% 1.20%
Moyenne

Figure 25. Résultats du clustering

La répartition des produits est détaillée ci-dessous.

Série 1 Série 2 Série 3 Série 4 Série 5 Série 6 Série 7


Monroe Harrison Jackson Lincoln Johnson Tyler Eisenhower
Wilson Washington Fillmore Madison Jefferson Adams Hoover
Roosevelt Pierce Kennedy Buren Truman Carter
Reagan

Les produits de la dernière série ont des valeurs extrêmes et ont été isolés car leur
comportement est très spécifique et viendrait biaiser l’étude.

Un lien peut être établi avec la méthodologie empirique : le graphique ci-dessus a été
repris en représentant la partition du plan (moyenne-volatilité) suivant les 2 limites du ratio
de Sharpe évalués empiriquement (égaux à 2 et 4).

Page | 103
0.70%
Sharpe = 2
0.60%

0.50%
Série1
Série2
Volatilité

0.40%

Sharpe = 4 Série3
0.30%
Série4

0.20% Série5
Série6
0.10%
Série7

0.00%
0.00% 0.20% 0.40% 0.60% 0.80% 1.00% 1.20%
Moyenne

Figure 26. Lien clustering-méthode empirique

On peut ainsi remarquer que, en écartant les produits aux valeurs atypiques, chaque
groupe est inclus dans l’une des 3 régions du plan, ce qui vient conforter les premières
impressions empiriques.

Afin de valider les deux seuils de 2 et 4 pour le ratio de Sharpe, une autre
segmentation a été effectuée avec la méthode du clustering, mais en prenant deux autres
critères : à la place du couple moyenne/volatilité ( , ), nous prenons le couple ratio
de Sharpe/ ratio Centile à 90%/moyenne ( , ). Le premier est un indicateur de
comportement. Le second est un indicateur de risque donnant l’éloignement des valeurs
extrêmes (représenté par le taux de rachat classé à 90% de la valeur la plus forte) par
rapport à la moyenne. En choisissant une répartition à 3 clusters, l’algorithme est stable et
aboutit à la classification présentée ci-après.

Afin de renforcer l’étude, l’algorithme a été lancé avec plusieurs fonctions


distance dans un espace de dimension 2 :

- La distance euclidienne

- La distance de Manhattan

- La distance de Sebestyen

par exemple.

Page | 104
Plusieurs jeux de coefficients de pondération de Sebestyen ont été testés. Les
résultats sont stables pour , étant le coefficient attribué au critère ratio
de Sharpe.

2.5

2
Quantile/moyenne

1.5
Série1
1
Série2
Série3
0.5

0
0 1 2 3 4 5 6 7
Sharpe

Figure 27. Clustering pour valider les seuils discriminants

Série 1 Série 2 Série 3


Jackson Jefferson Tyler
Pierce Harrison Fillmore
Adams Washington Monroe
Johnson Roosevelt Lincoln
Buren Eisenhower Wilson
Truman Carter Madison
Reagan Kennedy
Hoover

La répartition obtenue par clustering avec ces 2 nouveaux critères est quasiment
identique à celle obtenue empiriquement, et permet de conforter les valeurs des deux seuils
retenus. L’étude a également été menée avec le couple de critères (ratio de Sharpe,
ancienneté du produit) et aboutit aux mêmes résultats.

Ainsi, en conclusion, nous avons vu que les produits peuvent être classés en sous-
groupes de comportement homogène. En utilisant les méthodes statistiques, on trouve qu’il
faudrait théoriquement utiliser un grand nombre de clusters pour manipuler des groupes
stables. Pour des raisons pratiques, on préconisera plutôt l’utilisation de la méthode
Page | 105
empirique qui consiste à classifier les produits en fonction de la position de leur ratio de
Sharpe par rapport aux seuils de 2 et 4 correspondant respectivement à la séparation entre
produits erratiques/intermédiaires et produits intermédiaires/stables. De plus, les sous-
groupes issus du clustering initial sont en général inclus dans un des 3 cas : Sharpe < 2, 2 <
Sharpe < 4 ou Sharpe > 4. Ces seuils ont été confortés par un clustering avec des jeux de
critères différents.

0 2 4
Sharpe

Comportement Comportement Comportement


erratique intermédiaire stable

Produits à surveiller car Produits alternant des Produits moins volatiles


volatilité souvent périodes plus ou moins et donc potentiellement
importante stables moins risqués

3.2.3) Nouveau paramétrage

Calcul du taux de rachat en régime permanent


Comme nous l’avons mentionné plus haut, les taux de rachat oscillent, en régime
permanent autour d’une valeur moyenne, de façon plus ou moins aléatoire. Nous allons
proposer plusieurs manières de calculer ce taux de rachat central, dont la valeur est
structurante et cruciale dans l’évaluation du risque de rachat.

Première méthode : modèle autorégressif AR(p)

 Principe
Nous disposons donc de séries temporelles correspondant aux taux de rachat
mensuels et à leurs évolutions. Un ensemble de modèles classique sur les séries temporelles
est la famille des processus autorégressifs d’ordre p, dits modèles AR(p). Le principe consiste
à expliquer les valeurs prises par la série uniquement par ses p valeurs passées.

La modélisation des signaux aléatoires par des modèles autorégressifs est devenue
une technique classique du traitement du signal. On trouve ainsi des applications dans le
traitement de signaux d’antennes, en météorologie pour la reconstitution de vagues à partir
de séries temporelles de vent, ou encore dans l’analyse du bruit neutronique d’un réacteur
nucléaire.

Page | 106
 Le modèle
Un processus AR(p) est donné par la formule suivante11.

Les sont les paramètres du modèle à calibrer, est une constante et les sont des
variables aléatoires i.i.d. suivant une loi normale centrée d’écart-type .

 Ses propriétés
Un cas particulier : AR(1)

On démontre aisément par récurrence la propriété suivante.

Condition de stationnarité :

Alors,

Alors,

Cas général : AR(p)

Théorème

Un processus AR(p) est stationnaire si les modules des racines du polynôme


caractéristique sont strictement supérieurs à 1.

Page | 107

11
Voir Hamilton J. D. [9]
Dans ce cas, on peut écrire :

On trouvera en annexe 7 un panorama plus complet sur la théorie des modèles du


type AR(p).

 Application aux rachats

Pour chaque produit considéré, un modèle AR(p) a été calibré par la méthode des
moindres carrés, avec plusieurs valeurs de p. Le choix de l’ordre p du modèle correspond au
meilleur coefficient R² obtenu, mais avec un maximum de 6 retards.

La qualité du modèle retenu a ensuite été appréciée, au moyen du coefficient de


détermination R² et de la comparaison entre la série obtenue par le modèle et l’historique.
Les résultats sont assez différents suivant les produits, certains donnant une modélisation
satisfaisante, d’autres ne permettant pas de reproduire correctement le comportement du
produit. Le tableau ci-dessous synthétise les résultats obtenus sur les produits étudiés.

Produit p R²
Tyler 6 0,21
Jackson 6 0,19
Fillmore 6 0,41
Pierce 6 0,67
Adams 6 0,61
Monroe 6 0,19
Lincoln 6 0,20
Johnson 6 0,19
Jefferson 6 0,05
Harrison 6 0,08
Wilson 6 0,35
Washington 6 0,23
Roosevelt 6 0,24
Madison 6 0,17
Kennedy 6 0,13
Eisenhower 4 0,08
Buren 5 0,12
Hoover 5 0,07
Truman 5 0,17
Carter 6 0,04
Reagan 6 0,24
Tableau 6. Indicateurs des modèles AR(p)

Le produit Pierce est un exemple de produit bien modélisé par un AR(6), en revanche,
les modèles AR caractérisent mal un produit comme Carter, qui est un multisupport. Les

Page | 108
deux graphiques suivants comparent graphiquement historique et modèle pour ces deux
exemples de produits.

1.20%

1.00%

0.80%

0.60%
Rachats
0.40% Estimation

0.20%

0.00%
Jan-08
Jan-05

Jan-06

Jan-07

Jan-09

Jan-10

Jan-11
Jul-08
Jul-04

Jul-05

Jul-06

Jul-07

Jul-09

Jul-10
Figure 28. Produit Pierce

4.00%
3.50%
3.00%
2.50%
2.00%
Rachats
1.50%
Estimation
1.00%
0.50%
0.00%
Jul-04

Jul-05

Jul-06

Jul-07

Jul-08

Jul-09

Jul-10
Jan-05

Jan-06

Jan-07

Jan-08

Jan-09

Jan-10

Jan-11

Figure 29. Produit Carter

Dans tous les cas, un test de Shapiro-Wilk12 a été mené pour vérifier l’hypothèse de
normalité des résidus. Nous rappelons ci-dessous les principes de ce test.

Test de Shapiro-Wilk

Il est fondé sur le rapport W de deux estimateurs liés à la variance de l’échantillon :


l’une, fonction des étendues partielles , , etc., calculées sur l’échantillon
ordonné, l’autre étant la somme des carrés des écarts à ma moyenne des observations. Ce
rapport calculé W sera comparé à une valeur théorique Wcrit, tabulée, et correspondant à un
risque choisi, qui permettra de valider ou non l’hypothèse de normalité. La région critique
s’écrit .

Page | 109

12
Voir De Cremiers L. [3]
La statistique du test s’écrit, pour un échantillon de taille n,

Si , l’hypothèse de normalité est compatible avec les données.

Exemple : produit Tyler

Nous disposons de 48 valeurs de résidus, présentées dans la première colonne du


tableau ci-dessous.

Page | 110
xi x(i) écarts ai
-0,04% -0,20% 0,42% 0,3789
-0,16% -0,16% 0,34% 0,2604
0,18% -0,11% 0,23% 0,2281
0,05% -0,11% 0,22% 0,2045
0,02% -0,10% 0,21% 0,1855
-0,01% -0,10% 0,20% 0,1693
0,03% -0,10% 0,19% 0,1551
0,04% -0,09% 0,18% 0,1423
-0,09% -0,08% 0,17% 0,1306
-0,11% -0,07% 0,15% 0,1197
-0,10% -0,07% 0,14% 0,1095
0,05% -0,06% 0,11% 0,0998
-0,11% -0,04% 0,09% 0,0906
-0,04% -0,04% 0,09% 0,0817
0,21% -0,04% 0,09% 0,0731
-0,01% -0,03% 0,08% 0,0648
-0,20% -0,02% 0,07% 0,0568
-0,01% -0,02% 0,06% 0,0489
-0,07% -0,01% 0,05% 0,0411
0,11% -0,01% 0,05% 0,0335
-0,02% -0,01% 0,03% 0,0259
-0,04% 0,00% 0,03% 0,0185
-0,07% 0,02% 0,01% 0,0111
0,08% 0,02% 0,00% 0,0037
0,04% 0,02%
0,05% 0,02%
0,11% 0,03%
0,05% 0,03%
0,07% 0,04%
-0,02% 0,04%
0,02% 0,04%
0,09% 0,05%
0,02% 0,05%
-0,03% 0,05%
0,00% 0,05%
0,09% 0,05%
0,02% 0,05%
0,11% 0,07%
0,05% 0,08%
0,12% 0,08%
0,03% 0,09%
0,08% 0,09%
-0,10% 0,11%
0,04% 0,11%
-0,10% 0,11%
-0,06% 0,12%
-0,08% 0,18%
0,05% 0,21%

Tableau 7. Test de Shapiro-Wilk

La valeur de W obtenue est 0,987, bien supérieure à la valeur critique de 0,947


correspondant à un risque de 5% pour n=48. L’hypothèse de normalité est confirmée.

Page | 111
Calcul du taux de rachat en régime permanent

La stationnarité a été vérifiée pour chaque produit, et la formule théorique de


l’espérance d’un processus AR(p) permet de déterminer un premier estimateur du taux
moyen de rachat mensuel attendu pour chaque produit. Le calcul a été réalisé sur tous les
produits, les résultats sont présentés dans le tableau ci-dessous.

Taux de rachat
Produit mensuel régime
permanent (1)
Tyler 0,38%
Jackson 0,56%
Fillmore 0,56%
Pierce 0,62%
Adams 0,46%
Monroe 0,59%
Lincoln 0,32%
Johnson 0,38%
Jefferson 0,35%
Harrison 0,40%
Wilson 0,52%
Washington 0,49%
Roosevelt 0,53%
Madison 0,28%
Kennedy 0,30%
Eisenhower 0,42%
Buren 0,32%
Hoover 0,94%
Truman 0,44%
Carter 0,78%
Reagan 0,002%
Global 0,53%
Tableau 8. Résultats avec modèle AR(p)

En vue d’améliorer la qualité du calibrage, une variable explicative financière


supplémentaire a été ajoutée. Il ne s’agit plus à proprement parler d’un modèle AR(p) étant
donné qu’on introduit une variable exogène, mais plus généralement d’un modèle
logistique. Nous étudierons en partie IV ces modèles plus en profondeur. Le modèle devient
ici :

Ont été testés pour la variable , la valeur moyenne du CAC 40 sur le mois courant
ou le mois précédent, la volatilité sur le mois courant ou sur le mois précédent, la moyenne

Page | 112
mobile à 6 mois ou 1 an, l’écart-type mobile à 6 mois ou 1 an, le taux du livret A, et le taux 1
an.

Moy Moy Vol Vol


Sans CAC CAC Vol N- Taux 1
R² Vol N mob 6 mob 1 mob 6 mob 1 LA
Yt 40 N 40 N-1 1 an
mois an mois an
Tyler 20,5% 20,8% 21,2% 20,6% 20,6% 21,3% 21,7% 20,7% 20,6% 23,9% 22,9%
Jackson 18,9% 19,0% 19,3% 23,8% 19,3% 19,7% 20,6% 20,1% 19,9% 22,2% 19,9%
Fillmore 41,1% 42,9% 44,8% 42,0% 41,9% 45,3% 47,7% 41,7% 41,2% 45,0% 44,8%
Pierce 66,6% 67,1% 67,0% 66,6% 66,7% 67,0% 66,8% 66,8% 67,6% 66,6% 67,4%
Adams 61,1% 61,1% 61,3% 63,6% 63,4% 61,3% 61,5% 61,8% 61,4% 61,6% 61,2%
Monroe 18,7% 20,3% 18,7% 21,5% 20,2% 18,7% 18,8% 18,9% 19,2% 18,8% 19,0%
Lincoln 20,2% 20,8% 22,4% 22,7% 20,3% 22,5% 23,9% 22,8% 21,4% 31,0% 24,7%
Johnson 19,5% 22,0% 19,7% 28,4% 20,2% 19,6% 19,5% 20,4% 20,1% 19,7% 19,8%
Jefferson 4,7% 4,8% 11,5% 10,6% 5,9% 8,8% 9,0% 6,9% 4,9% 6,5% 5,6%
Harrison 8,3% 12,1% 11,1% 9,3% 11,4% 10,9% 11,5% 8,7% 8,6% 8,8% 11,7%
Wilson 35,5% 36,9% 40,2% 35,5% 39,0% 43,3% 38,0% 38,3% 37,0% 35,6% 35,9%
Washington 18,2% 27,4% 37,4% 28,7% 30,1% 42,2% 19,0% 20,6% 28,3% 24,0% 30,9%
Roosevelt 24,5% 32,3% 25,0% 25,7% 25,0% 29,9% 24,7% 27,8% 25,3% 26,8% 24,9%
Madison 17,5% 17,5% 17,9% 17,7% 17,9% 18,2% 18,6% 21,3% 18,6% 21,8% 19,3%
Kennedy 12,9% 34,3% 14,1% 24,5% 24,7% 14,1% 21,7% 20,7% 29,3% 24,3% 15,2%
Eisenhower 7,6% 14,4% 14,4% 9,7% 7,9% 14,6% 16,1% 10,0% 7,6% 12,9% 15,3%
Buren 11,8% 11,8% 12,0% 11,9% 13,1% 12,9% 14,9% 21,3% 17,3% 20,9% 13,8%
Hoover 7,1% 7,3% 7,4% 13,1% 7,5% 7,3% 7,1% 7,1% 10,6% 7,1% 7,4%
Truman 17,5% 21,8% 22,5% 18,3% 18,5% 22,3% 20,8% 17,5% 17,6% 18,9% 23,4%
Carter 3,9% 4,2% 3,9% 9,1% 4,6% 3,9% 4,7% 9,8% 14,3% 7,4% 4,0%
Reagan 91,0% 91,1% 93,2% 91,5% 91,1% 92,1% 93,5% 91,5% 91,8% 97,8% 93,9%
Tableau 9. Ajout d’une variable financière au modèle AR(p)

Les 2 meilleures variables explicatives sont représentées en vert dans le tableau


précédent. On remarque que les résultats sont très disparates suivant les produits. En
moyenne, la meilleure variable explicative est le taux du livret A, indicateur très populaire et
bien connu des Français.

Bien que beaucoup de produits présentent un R² faible, le calibrage d’un modèle


AR(p) permet tout de même de reproduire le niveau moyen des taux de rachat observés, ce
qui est suffisant pour notre étude très particulière.

Deuxième méthode : modèle stochastique

Nous reviendrons plus en détail sur les raisons de ce choix de modélisation pour les
rachats en partie IV. L’idée est nouvelle et vient d’une analogie avec le comportement des
taux d’intérêt : les taux de rachat ne peuvent pas, sur une durée abusive, prendre des
valeurs trop importantes. Ce phénomène peut être modélisé par une force de rappel vers
une valeur moyenne. Le modèle de Vasicek semble particulièrement bien adapté pour
représenter ce type d’évolution.

Page | 113
Modèle de Vasicek13

On suppose constants. Le terme de drift de ce processus d’Ornstein-


Uhlenbeck s’interprète classiquement comme un retour à la moyenne long terme ou
« régime permanent » avec une vitesse de retour à la moyenne , et représente la
volatilité du taux de rachat.

L’écriture de la forme de la solution et les propriétés associées sont les suivantes.

De nombreux produits du portefeuille Allianz sont anciens (plus de 8 ans), et il est


possible de simplifier les propriétés suivantes en se plaçant en « régime permanent », ce qui
simplifie le calibrage du modèle.

Ce modèle présente plusieurs avantages importants pour la mesure du risque de


rachat. Il est tout d’abord très simple à manipuler et ne demande pas des temps de calcul
très importants, ce qui est appréciable dans le monde de l’entreprise. Ensuite, le processus
de taux de rachat mensuels est gaussien, et la manipulation de lois normales simplifie
grandement les calculs. De plus, son calibrage est simple à effectuer, il repose sur
l’historique des taux de rachats passés, et il est même possible de choisir l’historique
considéré afin de repérer des changements de comportement au cours du temps. Il permet
également d’effectuer des tests de sensibilités, ce qui est essentiel dans le secteur de
l’assurance. Enfin, étant donné qu’il se fonde sur l’analyse du comportement de l’historique
du taux de rachat, il capte tous les types de volatilité, pas uniquement celle liée au taux,
comme c’est le cas dans la modélisation actuelle. En effet, on capte notamment la volatilité
opérationnelle, qui peut se révéler importante sur les produits ayant connu des phases de
changement importantes.

Page | 114

13
Voir Eraker B. [4] et Muni Toke I. [6]
Ainsi, comme nous l’avons vu plus haut, le paramètre représente la valeur
moyenne autour de laquelle le processus des taux de rachat mensuels oscille. Il s’estime
très simplement en calculant la moyenne historique du taux de rachat mensuel. Les résultats
sont donnés dans le tableau ci-dessous.

Taux de rachat
Produit mensuel régime
permanent (2)
Tyler 0,39%
Jackson 0,56%
Fillmore 0,56%
Pierce 0,51%
Adams 0,43%
Monroe 0,58%
Lincoln 0,32%
Johnson 0,36%
Jefferson 0,34%
Harrison 0,38%
Wilson 0,51%
Washington 0,47%
Roosevelt 0,51%
Madison 0,28%
Kennedy 0,30%
Eisenhower 0,42%
Buren 0,33%
Hoover 0,95%
Truman 0,44%
Carter 0,77%
Reagan 0,02%
Global 0,54%
Tableau 10. Résultats avec modèle stochastique

Troisième méthode : lois d’expérience

Les lois de rachat peuvent également être calculées à partir des observations passées
et être prolongées statistiquement pour effectuer des projections (c’est une méthode
aujourd’hui utilisée chez Allianz, et nous n’apporterons pas d’innovations particulières ici).
Plus précisément, les rachats historiques (observés) sont séparés entre rachats partiels et
rachats totaux, puis par ancienneté des contrats. Nous disposons donc, pour chaque année
comptable, d’une courbe des taux de rachats en fonction de l’ancienneté. Pour chaque
année comptable disponible, la loi est prolongée pour les anciennetés plus grandes en
prenant la moyenne sur les 5 ou 10 dernières anciennetés de la même année comptable.
Ensuite, la loi de l’année comptable courante est construite, pour une certaine année
d’ancienneté, en calculant sur les dernières années comptables les taux de rachat observés
de l’ancienneté considérée (en ignorant éventuellement certaines années comptables jugées
aberrantes). Prenons un exemple :

Page | 115
Nous disposons, pour un certain produit, des données suivantes pour les années
comptables 2008, 2009 et 2010. Ces données sont issues d’observations historiques et ont
été retraitées des rachats exceptionnels. Ils forment ainsi les rachats structurels.

Ancienneté 2010 2009 2008


1 2,04% 3,35% 3,45%
2 2,04% 3,35% 3,45%
3 2,04% 3,35% 3,45%
4 2,04% 3,35% 3,45%
5 2,04% 3,35% 3,45%
6 2,04% 3,35% 3,86%
7 2,04% 3,38% 3,32%
8 1,94% 2,21% 2,48%
9 9,02% 12,10% 13,51%
10 4,53% 4,70% 5,73%
11 5,35% 6,48% 6,25%
12 3,30% 4,14% 5,00%
13 3,24% 3,88% 4,38%
14 2,75% 3,57% 3,72%
15 2,61% 2,74% 3,32%
16 2,19% 2,59% 2,57%
17 1,67% 2,01% 2,03%
18 1,21% 1,81% 2,07%
19 1,27% 1,75% -
20 1,11% - -
Tableau 11. Exemple de données de rachat par ancienneté

Pour des besoins de projection, la loi de l’année 2010 doit être prolongée pour les
anciennetés supérieures à 20 ans. La méthode consiste à prendre un taux flat (constant) égal
à la moyenne sur les dernières anciennetés disponibles (prenons par exemple les 10
dernières anciennetés, i.e. de 11 à 20). On obtient 2,47% pour l’année 2010. De même, pour
l’année 2009 (en prenant la moyenne sur les anciennetés 10 à 19), on obtient un taux de
rachat de 3,37%, et il vaut 4.86% en 2008.
La loi estimée de 2011 peut être estimée en prenant, pour chaque ancienneté, la
moyenne sur les 3 années comptables disponibles 2008, 2009 et 2010 des taux de rachat
observés pour cette ancienneté. On obtient ainsi les résultats suivants.

Page | 116
2011
Ancienneté 2010 2009 2008
(est.)
1 2,95% 2,04% 3,35% 3,45%
2 2,95% 2,04% 3,35% 3,45%
3 2,95% 2,04% 3,35% 3,45%
4 2,95% 2,04% 3,35% 3,45%
5 2,95% 2,04% 3,35% 3,45%
6 3,09% 2,04% 3,35% 3,86%
7 2,91% 2,04% 3,38% 3,32%
8 2,21% 1,94% 2,21% 2,48%
9 11,54% 9,02% 12,10% 13,51%
10 4,99% 4,53% 4,70% 5,73%
11 6,03% 5,35% 6,48% 6,25%
12 4,15% 3,30% 4,14% 5,00%
13 3,83% 3,24% 3,88% 4,38%
14 3,35% 2,75% 3,57% 3,72%
15 2,89% 2,61% 2,74% 3,32%
16 2,45% 2,19% 2,59% 2,57%
17 1,90% 1,67% 2,01% 2,03%
18 1,70% 1,21% 1,81% 2,07%
19 2,63% 1,27% 1,75% 4.86%
20 3,11% 1,11% 3.37% 4.86%
21 3,56% 2.47% 3.37% 4.86%
22 3,56% 2.47% 3.37% 4.86%
23 3,56% 2.47% 3.37% 4.86%
24 3,56% 2.47% 3.37% 4.86%
25 3,56% 2.47% 3.37% 4.86%
Tableau 12. Estimation des rachats par lois d'expérience

16.00%
14.00%
Taux de rachat annuel

12.00%
10.00%
2010
8.00%
6.00% 2009

4.00% 2008

2.00% moyenne
0.00%
1 3 5 7 9 11 13 15 17 19 21 23 25
Ancienneté

Afin de disposer d’un taux de rachat annuel global, il suffit de sommer ces taux de
rachats sur toutes les anciennetés en les pondérant par les valeurs des PM par ancienneté.
Ces calculs sont effectués dans le logiciel de projection MoSes, et sont ensuite disponibles
dans les fichiers ‘Liability’ que nous avons décrits précédemment. Les valeurs de rachat en

Page | 117
régime de croisière sont synthétisées dans le tableau suivant, où les valeurs issues des
méthodes précédentes sont également rappelées.

Taux de rachat Taux de rachat Taux de rachat


mensuel régime mensuel régime mensuel régime
Produit
permanent 1 permanent 2 permanent 3
(AR) (Vasicek) (Prolongement)
Tyler 0,38% 0,39% 0,46%
Jackson 0,56% 0,56% 0,49%
Fillmore 0,56% 0,56% 0,47%
Pierce 0,62% 0,51% 0,47%
Adams 0,46% 0,43% 0,48%
Monroe 0,59% 0,58% 0,50%
Lincoln 0,32% 0,32% 0,31%
Johnson 0,38% 0,36% 0,25%
Jefferson 0,35% 0,34% -
Harrison 0,40% 0,38% -
Wilson 0,52% 0,51% -
Washington 0,49% 0,47% -
Roosevelt 0,53% 0,51% -
Madison 0,28% 0,28% 0,26%
Kennedy 0,30% 0,30% 0,33%
Eisenhower 0,42% 0,42% 0,45%
Buren 0,32% 0,33% 0,38%
Hoover 0,94% 0,95% 0,84%
Truman 0,44% 0,44% 0,37%
Carter 0,78% 0,77% 0,68%
Reagan 0,002% 0,02% 0,40%
Global 0,53% 0,54% 0,50%
Tableau 13. Comparaison des trois approches présentées

Bien que les 3 modes de calcul proposés se fondent sur des théories très différentes,
on peut remarquer des similitudes, notamment la position des produits en termes de
rachats (un produit présentant un fort taux de rachat avec une méthode a aussi un fort taux
de rachat avec les autres méthodes). Lorsque le taux calculé par méthode de prolongement
(3) diffère des autres résultats, il s’agit souvent de contraintes opérationnelles : par exemple,
les produits Tyler, Jackson, Fillmore et Pierce présentent des taux quasiment identiques car
leurs lois de départ reposent sur une même loi issue d’un regroupement de produits, alors
que les autres méthodes sont personnalisées au produit.

Page | 118
Calcul des paramètres ALIM
déviation
40,00%

30,00%

20,00%

10,00%

surr_incr_max -10,00% -7,50% -5,00%


0,00%
-2,50% 0,00%
-10,00%
2,50% 5,00% 7,50% 10,00%

Taux benchmark - Taux servi

La modélisation actuelle est telle que le taux de rachat maximal, après dynamisation,
ne puisse dépasser 19%, et ce quel que soit le produit.

Pour améliorer ce paramétrage, le modèle de Vasicek a été retenu pour le calcul de la


déviation maximale à appliquer dynamiquement au rachat. Il présente l’avantage de pouvoir
prévoir le taux de rachat maximal M en fonction d’un risque choisi par le décideur. En
effet, en considérant un risque , la probabilité pour que le taux de rachat dépasse ce seuil
M recherché s’écrit, sous le modèle de Vasicek en régime permanent,

Les valeurs de sont tabulées.

L’autre principal avantage de cette modélisation est de pouvoir calculer des


paramètres pour chaque produit, et donc d’avoir un paramétrage prenant en compte les
spécificités du comportement de chacun d’entre eux. Ainsi, en calibrant les paramètres de
Vasicek sur l’historique de chaque produit, on obtient la valeur du taux de rachat mensuel
maximal attendu au risque . Ce taux est ensuite multiplié par 12 pour avoir un taux de
rachat annualisé. Enfin, on en déduit la valeur du paramètre ALIM surr_incr_max.

Cette méthode de calcul est prudente à plusieurs niveaux :

- Pour le calcul pratique, on considère un risque correspondant à un événement ne


se déclarant que tous les 200 ans (2 400 mois), choisi en cohérence avec
Solvabilité II. Dans notre cas,

Page | 119
- L’annualisation du taux de rachat maximal est prudente car on considère que le
taux mensuel maximal obtenu se reproduit sur 12 mois consécutifs
- On prend en compte toutes les volatilités, notamment opérationnelle, et pas
uniquement celle due aux taux
- Il sera toujours possible d’appliquer un coefficient de sécurité supplémentaire

Le tableau ci-dessous compare le taux de rachat maximal historique, les valeurs


obtenues par ce modèle à partir des historiques de rachat depuis janvier 2007, et les valeurs
actuellement utilisées dans ALIM, et ce pour chaque produit présent dans les fichiers d’input
ALIM.

Tyler Jackson Fillmore Pierce Adams Monroe Lincoln Johnson


Rachat maximal
5,38% 8,39% 8,43% 10,97% 7,00% 7,78% 4,59% 5,96%
réel
Rachat maximal
8,43% 15,22% 13,66% 15,61% 11,73% 11,33% 6,96% 12,65%
Modèle
Rachat maximal
19% 19% 19% 19% 19% 19% 19% 19%
Actuel
surr_incr_max
88% 114% 98% 115% 94% 63% 84% 162%
Modèle
surr_incr_max
220% 234% 234% 317% 233% 227% 387% 505%
Actuel

Madison Kennedy Buren Hoover Truman Carter Global


Rachat maximal
3,71% 3,72% 4,84% 12,90% 5,94% 11,83% 7,14%
réel
Rachat maximal
5,85% 6,58% 9,79% 21,62% 11,69% 38,75% 10,18%
Modèle
Rachat maximal
19% 19% 19% 19% 19% 19% 19%
Actuel
surr_incr_max
79% 86% 149% 89% 133% 271% -
Modèle
surr_incr_max
483% 402% 296% 89% 306% 122% -
Actuel
Tableau 14. Comparaison modèle de Vasicek-méthode actuelle

Le nouveau paramétrage permet, sur la plupart des produits, de revoir à la baisse le


niveau de rachat maximal attendu sur la durée de la projection ALIM. On pourra ainsi
s’attendre à une diminution du coût des options & garanties. En revanche, sur certains
produits (voir notamment les produits Hoover et Carter), le paramétrage actuel n’est pas
assez prudent, au vu du comportement historique spécifique de ces produits (migrations,
etc.). Le modèle proposé permet également de bien respecter les comportements relatifs
entre produits : pour un produit ayant un taux de rachat maximal réel élevé par rapport aux
autres, le modèle donne également un taux de rachat maximal relatif élevé, et inversement.

Page | 120
Influence de la crise

Des études supplémentaires ont été menées, afin d’observer l’évolution du


comportement des rachats au cours du temps. Il est notamment intéressant de se
concentrer sur les différentes phases du cycle économique : quel fut l’effet de la crise sur le
comportement des assurés en termes de rachat ?

L’étude précédente a été réalisée en considérant tout l’historique depuis début 2007.
Le modèle présente l’avantage de pouvoir être calibré sur un historique quelconque, et il a
ainsi été possible de l’utiliser séparément sur les données de crise et sur les données post-
crise. De plus, un calcul « pire cas » (resp. « meilleur cas ») a été effectué en considérant
l’intégralité de l’historique, mais en utilisant comme paramètre non pas la moyenne
empirique, mais le maximum (resp. minimum) des rachats mensuels et la plus grande (resp.
plus faible) volatilité mobile à 1 an sur l’historique. Le tableau ci-dessous donne les données
utilisées.

Données
Etude
considérées
Central Toutes Moyenne Volatilité
Pire cas Toutes Max Max vol mobile 1 an
Meilleur cas Toutes Min Min vol mobile 1 an
Crise Oct 08-mar 10 Moyenne Volatilité
Post-crise Jan 10-mai 11 Moyenne volatilité
Tableau 15. Choix des données pour différentes études

Ainsi, dans la version « pire cas », on considère que la valeur moyenne autour de
laquelle oscillent les rachats en régime permanent est égale au maximum des rachats
mensuels observés sur l’historique et que la volatilité est égale à la plus grande volatilité
mobile à 1 an observée sur ce même historique. Il s’agit donc d’un cas extrême.

Dans la version « meilleur cas », on considère que la valeur moyenne autour de


laquelle oscillent les rachats en régime permanent est égale au minimum des rachats
mensuels observés sur l’historique et que la volatilité est égale à la plus faible volatilité
mobile à 1 an observée sur ce même historique. Il s’agit donc d’un cas extrême, davantage
présenté pour information car il n’est pas utilisable en tant que tel car très imprudent.

Dans la version « crise », on revient au paramétrage classique, mais on ne considère


que la partie de l’historique correspondant à la récente crise financière. Il s’agit d’isoler
l’effet de la crise sur le comportement des assurés.

Dans la version « post-crise », on utilise également le paramétrage classique, mais on


ne considère que la partie de l’historique correspondant à l’après-crise. Il s’agit cette fois-ci
de disposer d’un paramétrage actualisé et reflétant le comportement actuel des assurés.

Pour choisir l’historique à utiliser dans les cas « crise » et « post-crise », les moyennes
mobiles ont été tracées pour chaque produit et sur le portefeuille global. La moyenne
mobile, en lissant les évolutions de la variable considérée, constitue un bon indicateur pour

Page | 121
identifier les grandes tendances et les changements de régime. Les moyennes mobiles à 6
mois et à 1 an ont été tracées, de même que les volatilités mobiles à 6 mois et 1 an. Les
graphiques ci-dessous donnent des exemples de produits représentatifs et ce qu’on obtient
pour le portefeuille global.

0.005
0.0045
0.004
0.0035
0.003
0.0025
Moyenne mobile 1 an
0.002
0.0015 Moyenne mobile 6 mois
0.001
0.0005
0
Jun-10
Jun-07

Jun-08

Jun-09
Oct-07

Oct-08

Oct-09

Oct-10
Feb-10
Feb-08

Feb-09

Feb-11

0.0018
0.0016
0.0014
0.0012
0.001
0.0008 Ec type mobile 1 an
0.0006 Ec type mobile 6 mois
0.0004
0.0002
0
Jun-07

Jun-08

Jun-09

Jun-10
Oct-07

Oct-08

Oct-09

Oct-10
Feb-11
Feb-08

Feb-09

Feb-10

Figure 30. Produit Tyler

Page | 122
0.008
0.007
0.006
0.005
0.004
Moyenne mobile 1 an
0.003
Moyenne mobile 6 mois
0.002
0.001
0
Jun-08
Jun-07

Jun-09

Jun-10
Oct-07

Oct-08

Oct-09

Oct-10
Feb-08

Feb-09

Feb-10

Feb-11
0.002
0.0018
0.0016
0.0014
0.0012
0.001
Ec type mobile 1 an
0.0008
0.0006 Ec type mobile 6 mois
0.0004
0.0002
0
Jun-07

Jun-08

Jun-09

Jun-10
Oct-07

Oct-08

Oct-09

Oct-10
Feb-11
Feb-08

Feb-09

Feb-10

Figure 31. Produit Adams

Page | 123
0.007

0.006

0.005

0.004

0.003
Moyenne mobile 1 an
0.002

0.001

0
Jun-06

Mar-10

Jan-11
May-09
Oct-09
Apr-07
Nov-06

Sep-07
Feb-08
Jul-08

Aug-10
Dec-08

0.0014

0.0012

0.001

0.0008

0.0006
Ec type mobile 1 an
0.0004

0.0002

0
Jun-07
Oct-07

Jun-08
Oct-08

Jun-09
Oct-09

Jun-10
Oct-10
Feb-08

Feb-09

Feb-10

Feb-11

Figure 32. Portefeuille global

La période de crise est clairement identifiable sur l’historique de rachats mensuels,


aussi bien en termes de niveau de rachats que de volatilité. Leurs niveaux sont revenus à des
valeurs plus faibles depuis 2010, même inférieures aux valeurs connues habituellement
avant la crise.

Les résultats sont synthétisés dans les tableaux suivants. Deux historiques ont été
considérés afin de comparer l’évolution temporelle des résultats. Il en ressort que les valeurs
sont stables, ce qui renforce la confiance dans les valeurs obtenues.

Page | 124
Historique depuis janvier 2007

Rachat mensuel
Tyler Jackson Fillmore Pierce Adams Monroe Lincoln Johnson
maximal
Actuel 19% 19% 19% 19% 19% 19% 19% 19%
Meilleur cas 3,87% 8,73% 7,16% 6,53% 5,98% 7,43% 3,41% 2,34%
Central 8,43% 15,22% 13,66% 15,61% 11,73% 11,33% 6,96% 12,65%
Pire cas 13,31% 25,16% 18,44% 22,68% 17,33% 17,47% 13,15% 25,77%
Crise 8,71% 15,98% 12,02% 14,47% 12,67% 11,99% 8,00% 16,38%
Post-crise 6,88% 12,26% 10,07% 17,71% 9,98% 11,81% 5,17% 10,69%

Rachat mensuel
Madison Kennedy Buren Hoover Truman Carter Global
maximal
Actuel 19% 19% 19% 19% 19% 19% 19%
Meilleur cas 3,69% 3,44% 5,28% 13,09% 6,26% 13,28% 6,16%
Central 5,85% 6,58% 9,79% 21,62% 11,69% 38,75% 10,18%
Pire cas 9,07% 9,47% 16,75% 36,29% 18,34% 89,09% 14,65%
Crise 6,57% 7,40% 10,33% 19,83% 12,75% 54,28% 10,83%
Post-crise 4,78% 5,41% 7,90% 18,73% 11,23% 23,72% 8,54%

surr_incr_max Tyler Jackson Fillmore Pierce Adams Monroe Lincoln Johnson


Actuel 220% 234% 234% 317% 233% 227% 387% 505%
Meilleur cas -14% 23% 4% -10% -1% 7% -10% -52%
Central 88% 114% 98% 115% 94% 63% 84% 162%
Pire cas 196% 254% 167% 212% 187% 151% 247% 435%
Crise 93% 116% 85% 74% 81% 72% 118% 226%
Post-crise 75% 100% 76% 97% 55% 59% 43% 97%

surr_incr_max Madison Kennedy Buren Hoover Truman Carter Global


Actuel 483% 402% 296% 89% 306% 122% -
Meilleur cas 13% -3% 35% 14% 25% 27% -1%
Central 79% 86% 149% 89% 133% 271% 63%
Pire cas 178% 167% 327% 217% 265% 754% 135%
Crise 90% 94% 149% 70% 155% 375% 72%
Post-crise 65% 59% 149% 71% 145% 172% 44%

Tableau 16. Paramétrage dans les différents scénarios (données récentes)

Page | 125
Historique depuis janvier 2004

Rachat mensuel
Tyler Jackson Fillmore Pierce Adams Monroe Lincoln Johnson
maximal
Actuel 19% 19% 19% 19% 19% 19% 19% 19%
Meilleur cas 3,87% 6,58% 6,54% 5,23% 3,36% 7,43% 3,41% 1,38%
Central 8,78% 15,14% 12,72% 14,50% 11,74% 11,30% 6,83% 11,44%
Pire cas 13,31% 25,16% 18,44% 22,68% 18,00% 17,47% 13,15% 25,77%
Crise 8,71% 15,98% 12,02% 14,47% 12,67% 11,99% 8,00% 16,38%
Post-crise 6,88% 12,26% 10,07% 17,71% 9,98% 11,81% 5,17% 10,69%

Rachat mensuel
Madison Kennedy Buren Hoover Truman Carter Global
maximal
Actuel 19% 19% 19% 19% 19% 19% 19%
Meilleur cas 3,69% 3,44% 4,49% 13,09% 4,22% 10,39% 5,71%
Central 5,95% 6,58% 9,57% 21,62% 12,10% 34,36% 11,22%
Pire cas 9,07% 9,47% 16,75% 36,29% 19,98% 89,09% 16,95%
Crise 6,57% 7,40% 10,33% 19,83% 12,75% 54,28% 10,83%
Post-crise 4,78% 5,41% 7,90% 18,73% 11,23% 23,72% 8,54%

surr_incr_max Tyler Jackson Fillmore Pierce Adams Monroe Lincoln Johnson


Actuel 220% 234% 234% 317% 233% 227% 387% 505%
Meilleur cas -17% -2% -2% -14% -35% 7% -11% -68%
Central 88% 126% 91% 139% 127% 63% 77% 164%
Pire cas 184% 276% 176% 273% 248% 152% 241% 495%
Crise 93% 116% 85% 74% 81% 72% 118% 226%
Post-crise 75% 100% 76% 97% 55% 59% 43% 97%

surr_incr_max Madison Kennedy Buren Hoover Truman Carter Global


Actuel 483% 402% 296% 89% 306% 122% -
Meilleur cas 11% -3% 14% 14% -21% 13% -12%
Central 79% 86% 142% 89% 127% 273% 73%
Pire cas 172% 167% 324% 217% 275% 866% 162%
Crise 90% 94% 149% 70% 155% 375% 72%
Post-crise 65% 59% 149% 71% 145% 172% 44%

Tableau 17. Paramétrage dans les différents scénarios (données intégrales)

Page | 126
Ces résultats montrent que le paramétrage actuel de 19% est dans la plupart des cas
supérieur au taux de rachat maximal auquel on peut s’attendre dans tous les scénarios, y
compris le pire cas où on considère que la valeur long terme des rachats vaut le maximum
observé sur l’historique.

Le graphique ci-dessous donne, sur le produit pour lequel le taux de rachat maximal
du modèle est le plus proche du taux de rachat historique (donc le moins prudent) la
comparaison entre ces deux taux. Même dans ce cas, la marge reste importante, y compris
pendant la récente crise de 2008 où le taux de rachat observé reste éloigné du taux de
rachat maximal théorique.

Produit Lincoln
8.00%
7.00%
6.00%
5.00%
4.00%
3.00% Réel
2.00%
1.00%
0.00% Taux maximal
modélisé
2006
2004

2005

2007

2008

2009

2010

2011 (estimé)

Figure 33. Positionnement du modèle sur le produit où il est le moins prudent

De plus, on remarque qu’en temps de crise, les rachats sont globalement plus élevés
et donnent un paramétrage plus prudent. Suite à la crise, les rachats se sont stabilisés à un
niveau inférieur et sont beaucoup moins volatiles, ce qui explique un paramétrage plus
agressif.
déviation
40,00%

30,00%

20,00%

10,00%

0,00%

surr_incr_begin
-10,00% -7,50% -5,00% -2,50% 0,00% 2,50% 5,00% 7,50% 10,00%
-10,00%
Taux benchmark - Taux servi

Une première solution envisageable serait de partir des données historiques et


d’étudier, dans les cas où le taux servi par le contrat d’assurance est inférieur au taux 1 an, à
partir de quelle différence de taux les rachats évoluent fortement. Ce raisonnement n’est
pas applicable en pratique car, pour chaque année comptable et chaque produit, le taux
servi par Allianz est toujours supérieur au taux 1 an. Ainsi, le comportement réel des assurés
Allianz en cas de hausse des taux du marché par rapport au taux crédité est parfaitement
inconnu. En d’autres termes, il est impossible de calibrer la variable surr_incr_begin à partir
des données réelles disponibles. Il faut donc s’en tenir à un raisonnement théorique.

Page | 127
La démarche actuellement implémentée repose sur l’étude d’un unique produit
ayant un TMG de 4,5%, et consiste à comparer ce TMG au taux benchmark. Les résultats
sont ensuite appliqués à l’ensemble des produits.

La nouvelle méthode proposée ici permet de prendre davantage en compte les


spécificités de chaque produit, rend la simulation plus réaliste et a fait l’objet d’une
rationalisation. Elle est détaillée ci-dessous et repose sur un raisonnement issu du rachat de
crédit, qui présente la même logique.

Mettons-nous dans la peau d’un assuré ayant ouvert un contrat d’assurance vie
proposant un TMG de 2% par exemple. Chaque année, l’assureur lui communique le taux
réellement crédité au titre de son contrat (supérieur ou égal à 2%). Le client, supposé
rationnel, va alors comparer ce taux (et non plus simplement le TMG) avec celui que propose
le marché (taux benchmark), et se demander s’il ne ferait pas mieux de racheter son contrat
d’assurance vie pour placer son épargne au taux du marché. Le rachat du contrat entraîne
un certain nombre de frais qui viendront diminuer la valeur de son nouvel investissement :

 Prélèvement de taxes sur les plus-values


 Prélèvements sociaux (CSG + CRDS)
 Eventuels frais de rachat
 Frais d’acquisition du nouveau contrat

Le graphique ci-dessous représente les 2 situations d’évolution de l’épargne pour un


rachat au bout de 4 ans (sur cet exemple, l’épargne est rémunérée à 2,5% sur le contrat
d’assurance vie et à 4% sur le marché).

20,000

18,000

16,000
Epargne

14,000
Sans rachat
12,000
Avec rachat
10,000

8,000
1 3 5 7 9 11 13 15 17 19 21
Année

Figure 34. Faut-il racheter son contrat d'assurance vie ?

Page | 128
Ainsi, sa nouvelle épargne partira d’une assiette inférieure, mais sera mieux
rémunérée. La décision de rachat est donc l’objet d’un arbitrage. Le nouvel investissement
effectué rapportera davantage que le contrat d’assurance vie initial, mais la question est de
savoir en combien de temps. Plus l’écart de taux est important, plus cette durée sera courte,
et plus le rachat sera profitable à l’assuré.

Un autre facteur mérite d’être pris en compte : la motivation même des assurés
provenant des incitations. Prenons l’exemple d’un agent immobilier 14. Lorsque vous voulez
vendre votre maison, vous faites appel à ses services pour dresser les caractéristiques du
bien, prendre des photos, établir une annonce séduisante, faire des visites, négocier, etc.
C’est une somme de travail considérable, qui, sur une vente de disons 300 000€ lui
rapportera, sur les 6% de commissions habituels, une part de 1,5%, soit 4 500€, ce qui est
confortable. Et si en réalité, la maison valait plus que 300 000€ ? Si en y mettant plus
d’effort, de patience et quelques annonces supplémentaires, il avait pu en tirer 310 000€ ?
Hors commission, cela aurait ajouté 9 400€ à votre part. Mais celle de l’agent, elle, n’aurait
augmenté que de 150€ (1,5% de 10 000€). Vos objectifs ne coïncident pas. Ainsi, l’agent
immobilier vous poussera à accepter la première offre raisonnable, il veut que l’affaire se
fasse vite. Pourquoi ? Parce que le bénéfice qu’il tirerait d’une offre supérieure, 150€, n’a
pas de quoi l’inciter à agir autrement.

Revenons à notre étude : le rachat engendre une procédure assez lourde, il faut
fournir des justificatifs, effectuer des démarches administratives et le tout peut prendre
plusieurs mois. Ainsi, si le nouvel investissement ne rapporte finalement qu’un faible
rendement par rapport à la conservation du contrat, l’assuré, tout comme l’agent
immobilier, ne va pas perdre son temps précieux pour ne gagner qu’un faible surplus. De
plus, conserver son contrat d’assurance présente l’avantage d’être certain de bénéficier d’un
TMG. En revanche, si le taux benchmark est le taux 1 an par exemple, il peut certes
permettre de rapporter gros la première année, mais rien ne garantit qu’il conservera ce
niveau élevé sur les suivantes. Ce risque que porte l’assuré est un risque de marché.

Pour modéliser ce phénomène, nous allons introduire une notion nouvelle : une
prime de risque demandée par l’assuré à son nouvel investissement au titre de la lourdeur
des démarches administratives et du risque de taux.

Page | 129

14
Voir Levitt Steven D., Dubner Stephen J. [15]
Analogie avec la résistance des matériaux

Cette analogie est proposée pour la première fois dans ce mémoire et va nous
permettre de développer tout un nouveau modèle.

Une fois le problème ainsi posé, une analogie peut être faite avec le domaine de la
résistance des matériaux. En effet, la formulation est assez similaire : prenons par exemple
une poutre cylindrique de section S soumise à une contrainte normale de traction N.

La théorie15 nous dit qu’il existe pour la contrainte un seuil au-delà duquel le
matériau se rompt, appelé résistance élastique, et dépendant du matériau. La condition
s’écrit . En-deçà de ce seuil, le matériau se fragilise mais ne rompt pas.

Dans le cas des rachats, la modélisation est similaire : tant que la différence entre le
taux benchmark et le taux crédité est inférieur à un certain seuil, les rachats dynamiques ne
sont pas activés, en revanche, dès qu’elle atteint ce seuil, ils apparaissent. Ainsi, la
contrainte normale, représentant la pression subie par la poutre, aura pour analogue la
différence entre le taux benchmark et le taux crédité, contrainte de pression que subit
l’assuré. La section représente en quelque sorte l’assiette sur laquelle repose la contrainte.
Une force de 1N sur 1m² est beaucoup plus faible qu’une force de 1N sur 1mm². De même,
la différence de taux doit être rapportée à l’assiette sur laquelle elle est basée, qui pourrait
être le taux crédité. Une différence de taux de 1% sur un taux servi de 10% n’a pas
psychologiquement le même impact qu’une différence de 1% sur un taux servi de 1%.
L’analogie entre les variables des deux domaines est synthétisée dans le tableau ci-dessous.

Résistance des matériaux Rachats


Contrainte normale N Ecart de taux
Section S Niveau du taux crédité
Résistance élastique A définir

On s’attend ainsi à trouver une condition de la forme suivante, où dépend de


caractéristiques « matériau », c’est-à-dire de caractéristiques du produit.

Page | 130

15
Voir Aubry D. [2]
Analogie avec la météorologie

Il est possible d’aller un cran plus loin dans la prévision.

Par les belles journées de printemps, on peut observer en levant les yeux des
cumulus (figure 36). Ce sont des nuages présentant une caractéristique bien spécifique : leur
base parfaitement horizontale est située à une altitude précise.

Figure 35. Un cumulus

Quel mystère de la physique autorise cette étrange propriété ? Il s’agit du processus


suivant : l’air monte en raison de la convection thermique due à la chaleur du sol. A une
certaine altitude, c’est-à-dire à une certaine température, la saturation est atteinte et une
élévation supplémentaire provoque la condensation. C’est le même phénomène qui se
produit avec la buée qui s’échappe de l’haleine lorsque la température est inférieure à 15°C.
Le plancher nuageux se place ainsi à l’altitude où l’humidité de l’air atteint 100%. Plus bas, il
n’y a pas de condensation, plus haut se forment les nuages. C’est à nouveau le même
schéma que pour l’activation des rachats dynamiques.

La théorie de la formation des nuages donne une réponse à la question suivante : à


partir de quelle température (ou altitude) les nuages commencent-ils à se former ? En
utilisant une température de référence , on obtient une relation de la forme suivante : les
nuages ne se forment pas tant que

Où les sont des constantes dépendant de l’enthalpie massique de vaporisation de


l’eau, des masses molaires de l’eau et de l’air sec, de la capacité thermique massique à
pression constante de l’air sec, de l’humidité de référence et de la constante des gaz
parfaits, et où est une fonction réelle décroissante allant de dans .

Page | 131
Dans notre cas, la question est à partir de quel taux les assurés vont-ils commencer à
racheter (les nuages vont-ils commencer à se former) ? On peut donc s’attendre à une
relation de la forme suivante.

Formalisation du problème appliqué au rachat

Formalisons le raisonnement précédent en commençant par adopter les notations


suivantes.

Variable Notation
Investissement initial
Taux réellement crédité par le contrat
Ancienneté en années du contrat au moment du rachat
Taux benchmark à comparer au taux crédité
Prime de risque
Frais d’acquisition du nouveau contrat
Taxes sur plus-values
Prélèvements sociaux
Total des taxes
Facteur de capitalisation depuis souscription
Ecart entre taux benchmark et taux crédité

Notons également la durée en années au bout de laquelle le nouvel investissement


suite au rachat est profitable par rapport à la conservation du contrat d’assurance. Le choix
du paramètre surr_incr_begin reposera sur la valeur de .

Les taxes dépendent de l’ancienneté (elles vont de 7,5% à 35% comme on l’a vu dans
la partie précédente).

Le rachat est jugé profitable au bout de n années après rachat si la condition suivante
est vérifiée :

La PM sans rachat s’écrit simplement


.

La PM avec rachat se calcule comme la valeur de la PM au moment du rachat


diminuée des taxes sur les plus-values et des frais d’acquisition du nouveau contrat
appliqués sur la PM diminuée de ces frais, le tout capitalisé au taux .

est donc la plus petite valeur de n vérifiant cette condition.

Page | 132
Nous justifions ci-dessous la relation .

Où désigne la partie entière supérieure.

Seuil de non retour

Remarquons tout d’abord que le dénominateur s’annule pour une certaine valeur
de :

Ce seuil représente la différence de taux en-deçà de laquelle le nouvel investissement


ne sera jamais profitable. Pour des valeurs supérieures mais proches de ce seuil, le rachat ne
sera pas profitable en pratique car la durée de retour sur investissement sera trop
importante.

Nous nous placerons donc désormais sur la portion de courbe où ,


c’est-à-dire .

Page | 133
Expression simplifiée

En supposant que les valeurs des taux sont très inférieures à 1, on peut utiliser un
développement limité au premier degré de la valeur générique de la solution :

L’allure de la courbe est une hyperbole. Le graphique ci-dessous compare la valeur


théorique réelle avec la valeur approchée pour une ancienneté égale à 1.

Durée de retour sur investissement de l'opération de rachat


45
40
35
30
25
20
15 Valeur réelle
10 Valeur approchée
5
0
1.20%
1.80%
2.40%
3.00%
3.60%
4.20%
4.80%
5.40%
6.00%
6.60%
7.20%
7.80%
8.40%
9.00%

Valeur de Δ (écart taux benchmark - taux rédité)

Figure 36. Comparaison formule exacte-formule approchée

Page | 134
Notion de résistance élastique des rachats dynamiques

L’opération de rachat est jugée profitable si la durée de retour sur investissement est
inférieure à un seuil raisonnable K, disons égal à 6 ans. En reprenant la formule exacte, ceci
se traduit par l’équation suivante.

Nous noterons .

On se place sur la branche d’hyperbole où . On a


donc .

La condition de « résistance au rachat » s’écrit donc :

Avec

On a bien une relation de la forme attendue. Cette résistance élastique dépend bien
également des caractéristiques du produit (ancienneté, frais d’acquisition et taux servi) mais
aussi de l’environnement réglementaire exogène (prélèvements sociaux et taxes sur les plus-
values).

Aussi, en émettant les mêmes hypothèses que pour la théorie de la formation des
nuages, on obtient la relation suivante.

Page | 135
Il s’agit bien à nouveau de la forme attendue.

Expressions de la prime de risque

La forme de peut être paramétrée. Comme nous l’avons vu, sa valeur dépend
principalement du coût des démarches administratives et du risque de taux. Ainsi, plusieurs
modélisations sont possibles :

 constant
C’est la forme la plus simple et celle que nous utiliserons en pratique. Un sondage a
été réalisé au sein des équipes internes Allianz en posant le problème suivant. Vous
souhaitez investir à horizon 8 ans. Vous possédez un contrat d’assurance vie vous rapportant
disons 2% par an. Les taux du marché sont supérieurs, et sont tels que si vous rachetez votre
contrat (engendrant des frais), l’épargne que vous atteindriez serait exactement égale à celle
atteinte si vous conservez votre contrat à 2%. Vous n’allez donc pas racheter car vous n’allez
pas perdre du temps et faire des efforts administratifs pour finalement obtenir le même
rendement. Au-delà de quel surplus de rendement par an venant compenser ces efforts à
fournir décidez-vous de racheter ?

Les résultats tournent autour de 1%. Ce sera la valeur utilisée dans nos simulations.

 affine ou fonction d’une courbe d’utilité


Une autre modélisation possible permettrait de prendre en compte les deux aspects
de la contrainte de rachat : efforts administratifs et risque de taux. Une formule pourrait
être :

Où est une constante représentant les efforts administratifs et est la volatilité


du taux benchmark sur les 5 dernières périodes par exemple. Plus généralement, on peut
considérer :

Où est la fonction d’utilité des assurés pour le critère volatilité du taux benchmark
(concave s’ils sont averses au risque et convexe s’ils sont risquophiles).

Page | 136
 forfaitaire
On pourrait également penser à une prime de risque forfaitaire dont le montant, en
% de la PM, représenterait le coût des démarches administratives. Dans notre modélisation,
cela signifierait que dépend de , rendant les équations non linéaires et demandant une
résolution par un algorithme de type Newton-Raphson par exemple.

Calcul de surr_incr_begin

Nous disposons désormais d’une courbe de la durée de retour sur investissement de


l’opération consistant à racheter son contrat d’assurance vie fonction de l’écart de taux,
pour une année d’ancienneté donnée et un taux crédité donné. Afin de choisir une valeur de
surr_incr_begin (i.e. dans nos notations), nous allons calculer la valeur de correspondant
à une durée de retour sur investissement (ROI) de 5-6 ans, pour plusieurs valeurs
d’ancienneté et pour chacun des taux réellement crédités pour le produit étudié. En effet,
cette durée de ROI dépend du taux crédité, et sa valeur change donc d’une année à l’autre.
Nous adoptons la démarche de calculer sa valeur avec plusieurs valeurs de taux crédités afin
de vérifier sa stabilité et de choisir une valeur unique.

Prenons l’exemple du produit Pierce. Nous disposons des taux crédités nets depuis
2006 pour ce produit : 4,31% en 2006, 4,16% en 2007, 4,16% en 2008, 3,63% en 2009 et
3,31% en 2010.

Pour chacun de ces taux, nous calculons le delta de taux pour lequel la durée de ROI
devient inférieure à 6 ans, et ce pour chaque ancienneté, en appliquant les formules
précédentes. Par exemple, pour l’ancienneté 1 an et un taux crédité à 4,31%, nous obtenons
la courbe suivante.

Durée de retour sur investissement pour 1 an d'ancienneté


40.0
35.0
30.0
25.0
20.0
15.0
10.0 Valeur réelle
5.0
-
1.20%
1.80%
2.40%
3.00%
3.60%
4.20%
4.80%
5.40%
6.00%
6.60%
7.20%
7.80%
8.40%
9.00%

Valeur de Δ

Figure 37. Un exemple de durée de ROI

Page | 137
La valeur de cherchée est de 2.01%. Nous reproduisons le
calcul pour toutes les principales anciennetés. Les résultats pour le produit Pierce sont
synthétisés dans le tableau ci-après.

4.31% 4.16% 3.63% 3.31%

1 2,01% 1,99% 1,94% 1,91%


2 2,36% 2,33% 2,24% 2,18%
3 2,70% 2,66% 2,53% 2,44%
4 3,04% 2,99% 2,81% 2,71%
5 2,64% 2,60% 2,48% 2,40%
6 2,82% 2,78% 2,63% 2,54%
7 2,99% 2,95% 2,78% 2,68%
8 3,16% 3,11% 2,93% 2,82%
9 2,87% 2,83% 2,68% 2,60%
10 2,98% 2,94% 2,79% 2,69%
11 3,09% 3,05% 2,88% 2,78%
Moyenne 2,79% 2,75% 2,61% 2,52%
Tableau 18. Un exemple de calcul du seuil de déclenchement

La valeur de est relativement stable, et nous pouvons choisir une valeur de


surr_incr_begin égale à 2,7%, moyenne des résultats. En revanche, pour des raisons de
prudence, on pourra plutôt opter pour la valeur minimale obtenue sur toutes les
anciennetés et tous les taux crédités, soit 1,9% sur l’exemple précédent. Ce raisonnement
est réitéré pour chaque produit concerné par les rachats dynamiques.
déviation
40,00%

30,00%

20,00%

10,00%

0,00%

surr_incr_end
-10,00% -7,50% -5,00% -2,50% 0,00% 2,50% 5,00% 7,50% 10,00%
-10,00%
Taux benchmark - Taux servi

Nous rappelons que la variable surr_incr_end représente l’écart de taux au-delà


duquel les rachats sont augmentés à leur niveau maximal. Au-delà de ce taux, on considère
que tous les assurés pouvant racheter leur contrat dynamiquement l’ont fait et demeurent
insensibles à une hausse plus importante de cet écart de taux.

De même que pour surr_incr_begin, la détermination de surr_incr_end ne peut


reposer sur le calibrage d’un modèle à partir de données historiques, car la situation dans
laquelle les taux benchmark étaient plus élevés que le taux crédité ne s’est pas encore
produite. Ainsi, étant donné que le raisonnement et la psychologie de comportement des
assurés paraissent similaires à ceux étudiés dans le cas de surr_incr_begin, nous allons
utiliser le même modèle que pour ce dernier paramètre.

Comme nous l’avons vu, la forme de la courbe représentant la durée de ROI en


fonction de l’écart de taux a la forme générale d’une hyperbole. Ainsi, pour les fortes valeurs
de , la durée de ROI ne varie que très lentement, ce qu’on peut interpréter de la façon
suivante. Pour un écart de taux réellement élevé, augmenter un peu sa valeur ne va pas
changer radicalement la décision de l’assuré, il est de toute façon dans la zone de décision

Page | 138
de rachat. Les assurés sont moins sensibles à l’écart de taux lorsque ce dernier est élevé, car
il rachètera de toute façon son contrat. C’est cette valeur d’écart de taux qui va nous
intéresser : celle au-delà de laquelle la durée de ROI devient quasiment constante, et où
donc les assurés deviennent insensibles à une nouvelle hausse du taux benchmark, ce qui
correspond exactement à la définition de surr_incr_end. La forme hyperbolique est
caractéristique de ce comportement et permet une estimation de notre paramètre.

La démarche consiste donc à trouver la valeur de correspondant à une stabilisation


de la durée de ROI. Pour cela, nous allons calculer la variation de cette dernière en fonction
de , et considérer que la courbe est stable lorsqu’elle devient inférieure à un certain seuil ,
que l’on choisira en fonction du pas de discrétisation de . Un pas de 0.2% associé à un
seuil de 5% semble satisfaisant, (la relation générale est adoptée si l’on souhaite
changer le pas).

En posant le seuil de matérialité considéré (fixé à 5% dans notre cas), la condition


s’écrit de la façon suivante.

Soit :

On remarque que cette condition est indépendante de l’ancienneté et du taux des


frais d’acquisition . En effet, nous sommes dans le cas où les taux du marché sont très
supérieurs au taux crédité, ainsi, les frais, les taxes, ou l’horizon d’investissement ne
viendront pas freiner la décision de rachat. Par souci de simplicité, nous utiliserons un
raisonnement graphique pour trouver la valeur de satisfaisant cette condition.

Poursuivons avec l’exemple du produit Pierce. Nous traçons la courbe donnant les
écarts relatifs entre deux valeurs successives de , durée de ROI, en fonction de . La
valeur de surr_incr_end retenue est celle correspondant à un écart absolu de moins de 5%,
soit 5% sur notre exemple ci-dessous. Cette valeur est identique quelle que soit le taux
crédité observé , la sensibilité à ce paramètre étant faible, nous validons donc notre
choix.

Page | 139
Ecart relatif de la durée de ROI

4.40%
4.80%
1.60%
2.00%
2.40%
2.80%
3.20%
3.60%
4.00%

5.20%
5.60%
6.00%
6.40%
6.80%
7.20%
7.60%
8.00%
8.40%
8.80%
9.20%
0%

-5%

-10%

-15%

-20%

-25%

-30%
Valeur de Δ

Figure 38. Un exemple de calcul du seuil d'atteinte du taux maximal

Sensibilités aux paramètres

Les paramètres surr_incr_begin et surr_incr_end sont déterminés à partir de


raisonnements théoriques, et dépendent d’un certain nombre de paramètres. Il convient
d’étudier les différentes sensibilités afin de connaître ceux demandant une attention
particulière.

surr_incr_begin

Rappel de la formule utilisée :

Où est le seuil raisonnable d’une bonne durée de retour sur investissement.

Page | 140
Nous prenons comme valeurs de base des paramètres celles d’un produit typique :
Pierce.

Variable Valeur de base


4%
4 ans
3,38%
1%
6 ans
De 7,5% à 35%
13,5%

 Taux crédité

Sensibilité au taux crédité


5.0%

4.0%
surr_incr_begin

3.0%
0,3%
2.0%

1.0% 1%
0.0%

Taux crédité

Figure 39. Sensibilité de surr_incr_begin au taux crédité

La sensibilité est quasi-linéaire. Pour une augmentation du taux crédité de 0,1%,


surr_incr_begin augmente d’environ 0,03%. En pratique, la politique de l’assureur tente de
faite en sorte que le taux crédité soit le plus stable possible au fil des années. Ainsi, la
sensibilité au taux crédité reste en principe maîtrisée.

Le fait que la pente soit inférieure à 1, c’est-à-dire que surr_incr_begin augmente


moins vite que le taux crédité traduit le fait que les assurés sont exigeants envers l’assureur.
En effet, si l’assureur augmente ses taux crédités de 1%, un écart de taux de seulement 0,3%

Page | 141
supplémentaire suffira à déclencher le rachat. On retiendra, de façon générale, une pente
d’1/3.

 Ancienneté

Sensibilité à l'ancienneté
4.5%
Pics fiscaux à 4 et 8 ans
4.0%
3.5%
surr_incr_begin

3.0%
2.5%
2.0%
1.5%
1.0%
0.5%
0.0%
11

13

15

17

19

21

23

25
1

Ancienneté

Figure 40. Sensibilité de surr_incr_begin à l'ancienneté

Comme on pouvait s’y attendre, la forme de la courbe dépend fortement de celle des
taxes sur plus-values (qui dépendent de l’ancienneté). On voit clairement qu’il vaut mieux
attendre d’avoir passé les pics fiscaux pour transférer son épargne. Pour consolider un
portefeuille et déterminer son surr_incr_begin, on pourra calculer l’ancienneté moyenne
pondérée par les PM.

Sur chaque tronçon fiscal, la pente de la courbe décroit avec l’ancienneté. En effet, le
seul terme faisant intervenir l’ancienneté dans la formule est l’impôt sur les plus-values et
les prélèvements sociaux. Il s’applique au coefficient de capitalisation , qui croit
de manière exponentielle. Ainsi, plus le produit est ancien, plus il sera intéressant de
racheter car le coût dû aux taxes est proportionnellement plus faible du fait de la convexité
de la courbe. Il suffit donc d’un écart de taux inférieur pour décider l’assuré à racheter.
Reprenons ce raisonnement mathématiquement : supposons pour simplifier les autres frais
nuls. En notant l’épargne atteinte au temps , la décision de rachat coûte .
Ramené à la nouvelle PM, ce montant représente , qu’il faut rattraper avec le
nouvel investissement.

Si on attend l’année suivante pour racheter, le montant à rattraper


représente . Pour comparer ces 2 options, il nous faut donc comparer

Page | 142
Etudions pour cela la fonction suivante.

est donc décroissante, et étant donné que , on a :

On demandera donc un supplément de rémunération inférieur en attendant une


année de plus.

Sur chaque tronçon fiscal, la courbe est donc bien concave.

Notons également que l’élasticité des assurés pour la variable surr_incr_begin (SIB)
à l’ancienneté est à peu près constante et égale à 1/3.

Page | 143
 Frais d’acquisition

Sensibilité aux frais d'acquisition


4.50%
4.00%
surr_incr_begin 3.50%
3.00% 0,2%
2.50%
2.00%
1.50%
1.00%
0.50% 1%
0.00%
0.0%
0.6%
1.2%
1.8%
2.4%
3.0%
3.6%
4.2%
4.8%
5.4%
6.0%
6.6%
7.2%
7.8%
8.4%
Frais d'acquisition

Figure 41. Sensibilité de surr_incr_begin aux frais

La sensibilité est quasi-linéaire. Pour une augmentation des frais de 0,1%,


surr_incr_begin augmente d’environ 0,02%. En pratique, la politique de l’assureur tente de
faite en sorte que les frais soient le plus stable possible au fil des années. Ainsi, la sensibilité
aux frais reste en principe maîtrisée.

Le fait que la pente soit inférieure à 1, c’est-à-dire que surr_incr_begin augmente


moins vite que les chargements traduit à nouveau le fait que les assurés sont exigeants
envers l’assureur. En effet, si l’assureur augmente ses frais d’acquisition de 1%, un écart de
taux de seulement 0,2% supplémentaire suffira à déclencher le rachat. On retiendra, de
façon générale, une pente d’1/5.

Page | 144
 Prime de risque

Sensibilité à la prime de risque


7.00%
surr_incr_begin 6.00%
0,1%
5.00%
4.00%
0,1%
3.00%
2.00%
1.00%
0.00%

Prime de risque

Figure 42. Sensibilité de surr_incr_begin à la prime de risque

La sensibilité est parfaitement linéaire, ce qu’on peut retrouver par le calcul :

La valeur numérique donne une sensibilité de 1,06. Lorsqu’on augmente la prime de


risque de 0.1%, surr_incr_begin augmente d’environ 0.106%. La pente est cette-fois-ci
supérieure à 1. La prime de risque est un facteur qui permet de freiner la hausse de
surr_incr_begin et offre ainsi une possibilité de pilotage du coût des options des garanties.
La sensibilité étant plus forte ici, c’est un paramètre qu’il conviendra d’estimer
régulièrement.

Page | 145
 Prélèvements sociaux

Sensibilité aux prélèvements sociaux


3.00%

surr_incr_begin 2.95%
0,03%
2.90%

2.85%
1%
2.80%

Prélèvements sociaux

Figure 43. Sensibilité de surr_incr_begin aux prélèvements sociaux

Cette étude permet d’étudier le comportement du portefeuille en cas de hausse des


prélèvements sociaux par les autorités. La sensibilité est quasi-linéaire (quasi-stable en
pratique si on observe l’échelle). Pour une augmentation des prélèvements sociaux de 0,1%,
surr_incr_begin augmente d’environ 0,003%. En pratique, les prélèvements sociaux sont
stables mais peuvent faire l’objet d’une hausse assez faible certaines années. Ainsi, la
sensibilité à ce paramètre exogène reste en principe maîtrisée. On retiendra, de façon
générale, une pente d’1/40.

Synthèse

Le tableau suivant résume les principaux résultats des études de sensibilité.

Sensibilité Hausse du paramètre Hausse de surr_incr_begin associée


(taux crédité) 0,1% 0,03%
(ancienneté) --- Elasticité de 40% ---
(frais) 0,1% 0,02%
(prime de risque) 0,1% 0,106%
(prél. soc.) 0,1% 0,003%

Page | 146
surr_incr_end

Rappel du critère de décision :

Nous prenons comme valeurs de base des paramètres celles d’un produit typique :
Pierce.

Variable Valeur de base


4%
1%

 Taux crédité

La valeur de surr_incr_end reste quasiment identique quelle que soit la valeur du


taux crédité entre 0% et 10%. On retiendra que ce paramètre est insensible à ce paramètre
pour les valeurs usuelles du taux crédité.

 Prime de risque

Sensibilité à la prime de risque


9.00%
8.00%
0,1%
7.00%
surr_incr_end

6.00%
5.00% 0,1%
4.00%
3.00%
2.00%
1.00%
0.00%
0.00%
0.30%
0.60%
0.90%
1.20%
1.50%
1.80%
2.10%
2.40%
2.70%
3.00%
3.30%
3.60%
3.90%
4.20%

Prime de risque

Figure 44. Sensibilité de surr_incr_end à la prime de risque

La sensibilité est quasi-linéaire. Pour une augmentation de la prime de risque de


0,1%, surr_incr_end augmente d’environ 0,104%. Ce paramètre est à nouveau l’un des plus
sensibles. On retiendra, de façon générale, une pente de 1.

Page | 147
Synthèse

Le tableau suivant résume les principaux résultats des études de sensibilité.

Sensibilité Hausse du paramètre Hausse de surr_incr_end associée


0,1% 0%
0,1% 0,104%

3.3) Mise à jour des paramètres de rachats dynamiques : les


résultats

Nous disposons désormais d’un paramétrage mis à jour pour les lois de rachats
dynamiques permettant de prendre en compte davantage de facteurs et la spécificité de
chaque produit. Il convient maintenant de mesurer l’impact de changement de paramétrage
sur la MCEV de la compagnie à travers le coût des O&G.

C’est l’outil stochastique ALIM qui permet de calculer le coût des O&G. Comme nous
l’avons vu, ce dernier est calculé en effectuant la différence entre la PVFP déterministe (1
seul scénario correspondant au scenario moyen d’évolution de la situation économique et
financière) et la PVFP stochastique (1 000 scénarios).

ALIM permet de calculer séparément chacun de ces deux termes en lançant ce que
l’on appelle un « run », correspondant au lancement d’une projection sur 40 ans. Pour
chaque calcul d’O&G, il faut donc lancer un run déterministe et un run stochastique.

On rappelle que les hypothèses (ou inputs) sont constituées des 5 types de fichiers
suivants.

 Asset
Il s’agit de la situation du portefeuille d’actifs, par ligne d’actif (type d’actif, valeur de
marché, valeur comptable, etc.).

 Corporate
Il s’agit des données bilancielles de l’entreprise (fonds propres, marge de solvabilité,
PPE, etc.) et des stratégies d’investissement (caractéristiques des types d’actif, allocation
stratégique, etc.).

 General
Ce fichier contient les paramètres généraux à configurer pour la simulation (chemin
des fichiers d’entrée, données sur la mortalité, etc.).

Page | 148
 Liability
Il s’agit des données de passif par regroupement de produits (projections de cash-
flows, de stock, etc.).

 Scenario
Les scénarios simulent une évolution possible de l’environnement économique
(valeur des taux, etc.).

Ainsi, la situation de référence sera calculée à partir d’un jeu fichiers d’input
particulier qui ne serait pas utilisé pour un objectif de publication de chiffres officiels, mais
qui permet de calculer l’ordre de grandeur de la mesure d’impact. Il est utilisé avec l’ancien
paramétrage de rachats dynamiques. Ce calcul de référence sera comparé à la même
situation mais en appliquant la mise à jour des rachats dynamiques détaillée précédemment.

Les O&G peuvent être calculées par canton, mais nous ne donnerons ici que leur coût
au total de la compagnie.

Les résultats avec les données de référence sont les suivants.

PVFP déterministe PVFP stochastique O&G


4 214 543 k€ 3 923 195 k€ 291 348 k€

Les effets de chaque paramètre ont été calculés en « standalone » (la mesure
d’impact de chaque paramètre a été isolée). Le tableau suivant donne pour chaque étude le
coût des O&G associées.

Ecart avec
Etude PVFP déterministe PVFP stochastique O&G
référence (%)
Référence 4 214 543 k€ 3 923 195 k€ 291 348 k€ -
MAJ surr_incr_max 4 214 543 k€ 3 987 090 k€ 227 453 k€ -22%
MAJ surr_incr_begin 4 214 543 k€ 3 996 763 k€ 217 780 k€ -25%
MAJ surr_incr_end 4 214 543 k€ 3 865 599 k€ 348 944 k€ +20%
Tableau 19. Impact en standalone de la mise à jour des paramètres

La première chose importante à remarquer est l’obtention de la même PVFP


déterministe dans chaque cas. En effet, cette dernière correspond à une projection dans un
scénario central reposant sur l’hypothèse que le marché évolue dans la continuité de la
situation actuelle. Or, dans la situation actuelle, les actifs rapportent suffisamment pour
offrir des taux sur les contrats d’assurance vie supérieurs au taux benchmark. Les rachats
dynamiques ne sont donc pas activés. En revanche, en stochastique, il existe des scénarios
où l’assureur devra subir un coût supplémentaire dû à une situation économique
défavorable, par exemple un taux benchmark très élevé et donc une vague de rachat venant
diminuer la PVFP.

Page | 149
L’interprétation des chiffres obtenus est intuitive : la mise à jour de surr_incr_max a
consisté, en général, à revoir à la baisse le taux de rachat maximal attendu. Ainsi, dans les
scénarios extrêmes où le taux benchmark est très supérieur au taux crédité, les assurés
rachètent moins, ce qui augmente la PVFP stochastique et donc diminue le coût des O&G.

De même, nous avons augmenté la valeur de surr_incr_begin par rapport à la


situation de référence. Ainsi, les rachats dynamiques sont moins souvent activés car il faut
une différence de taux plus importante, ce qui diminue le coût des O&G.

En revanche, nous avons abaissé la valeur de surr_incr_end, ce qui signifie que le taux
maximal est atteint plus facilement : il faut en effet une différence de taux moins importante
pour arriver au taux de rachat maximal. Ceci augmente le coût des O&G.

On peut aussi effectuer une analyse de mouvement pour arriver à la situation finale
où tous les paramètres ont été mis à jour. Elle est synthétisée dans le tableau suivant.

Ecart avec
Etape PVFP déterministe PVFP stochastique O&G
référence (%)
Référence 4 214 543 k€ 3 923 195 k€ 291 348 k€ -
MAJ surr_incr_begin 4 214 543 k€ 3 996 763 k€ 217 780 k€ -25%
MAJ surr_incr_begin
4 214 543 k€ 3 936 393 k€ 278 150 k€ -5%
et surr_incr_end
MAJ totale 4 214 543 k€ 3 992 391 k€ 222 152 k€ -24%
Tableau 20. Analyse de mouvement de la mise à jour des paramètres

On peut voir que la mise à jour de surr_incr_begin et de surr_incr_end se


compensent au global. Au final, la revue de méthodologie pour le calcul des paramètres des
lois de rachats dynamiques autorise une baisse de 25% du coût des O&G. En pratique, cela
correspond à un gain de €70 millions bruts d’impôt sur la valeur de l’entreprise.

Cette étude a été réalisée sur un portefeuille spécifique (Vie Individuelle), la


prochaine étape sera de tester cette méthode sur les autres portefeuilles afin de pouvoir
retenir ces paramètres. Dans le cadre du pilier III de Solvabilité II relatif à la gouvernance
actuarielle, une revue indépendante de la méthode est prévue par tous les utilisateurs de
l’outil actif-passif, ainsi que par les managers des équipes Actuariat/Métier en assurance de
personne/Risques pour jugement d’expert.

Page | 150
CONCLUSION

Afin de segmenter les produits selon plusieurs profils de risque en matière de rachat,
le ratio de Sharpe a été introduit et permet de discriminer les trois comportements majeurs
identifiés empiriquement. Le paramétrage des lois de rachat dynamique utilisé jusqu’à
présent reposait principalement sur des jugements d’expert. L’utilisation du modèle de
Vasicek et la rationalisation du processus de décision de rachat ont permis d’obtenir de
nouvelles valeurs de paramètres, prenant en compte les spécificités de chaque produit et
permettant également de choisir le risque auquel on s’expose en ce qui concerne
l’estimation du taux de rachat maximal. Etant donné que le calcul repose sur un calibrage
aux données historiques, il conviendra de mettre à jour périodiquement ce paramétrage, par
exemple annuellement, pour prendre en compte l’évolution temporelle du comportement
des clients. Ainsi, la mise à jour des lois de rachats dynamiques devrait permettre, après
finalisation du processus d’approbation d’un changement d’hypothèse majeur, une baisse
du coût des O&G de l’ordre de 25%.

Page | 151
PARTIE IV : Propositions de modélisation des rachats

INTRODUCTION

Dans la partie précédente, nous avons vu comment mettre à jour le paramétrage de


la modélisation existante en matière de rachats dynamiques. Cette dernière partie propose
d’explorer de nouveaux horizons sur les rachats, en ouvrant davantage le champ de la
modélisation et en se libérant de ses contraintes classiques.

Le rachat peut être défini ou caractérisé de nombreuses façons différentes. Son


observation même suggère qu’il s’agit d’un processus aléatoire avec retour à la moyenne.
Nous commencerons donc par le modéliser à l’aide d’un modèle de Vasicek. Sa saisonnalité
nous conduira à considérer un modèle de Black & Scholes en utilisant un drift déterministe.
Le rachat est ensuite, par définition, une option pour l’assuré, et la théorie de l’évaluation
d’options financières pourrait, a priori, être applicable. Il s’agit également d’un sinistre dont
la période de déclaration survient un certain nombre d’années après la signature du contrat,
un modèle de Chain-Ladder semble ici particulièrement adapté. Enfin, le rachat est un
processus reflétant le comportement des assurés en réponse à des conditions
macroéconomiques particulières, nous tenterons donc de voir s’il évolue en fonction de
certaines variables macroéconomiques en le modélisant par régression logistique. Nous
allons ainsi, dans cette partie, présenter une série de modèles pour les rachats, en tentant
d’expliquer, lorsque c’est possible, comment les utiliser en pratique. Tous les modèles
utilisent une approche combinée fréquence-sévérité, ils peuvent s’appliquer directement au
taux de rachat effectif.

Chacun correspond à un point de vue unique, à un angle différent, à un aspect


particulier du même phénomène qu’est celui de la décision de rachat. Une démarche en
trois étapes sera adoptée : explication du modèle et établissement des limites a priori,
développement de la modélisation, puis avantages et inconvénients réels. Nous verrons que
les véritables limites sont parfois différentes de celles prévues initialement.

Page | 152
4.1) Modèle de Vasicek

Constat - remarques a priori


Dans la modélisation actuelle des rachats, il est supposé que le comportement des
assurés est rationnel et qu’ils comparent régulièrement les taux du marché avec le taux
crédité sur leurs contrats. Cette hypothèse paraît très forte dans le sens où, premièrement,
tous les clients ne se tiennent pas informés régulièrement des évolutions de taux, ne se
lancent pas dans des calculs rationnels pour leur décision de rachat, ni même ne connaissent
tous les mécanismes sous-jacents à l’assurance, et deuxièmement, quand bien même tous
adopteraient cette démarche, le côté psychologique, irrationnel et humain du processus de
décision vient fortement interférer dans l’affaire. Ainsi, nous allons nous focaliser en priorité
sur les processus stochastiques, qui, par la présence intrinsèque même de l’aléa, vont nous
permettre de prendre en compte ces éléments et d’accepter cette irrationalité.

En observant les historiques de taux de rachat depuis début 2004, on se rend compte
que, quel que soit le produit, quelle que soit la période ou l’échelle considérée, le niveau des
rachats peut s’autoriser des sauts, mais reste toujours maîtrisée et oscille autour d’une
valeur « moyenne ».

Nous allons ainsi dans cette première section utiliser le modèle de Vasicek (plus
souvent utilisé pour modéliser les taux courts) pour représenter les rachats. Les problèmes
que l’on va a priori rencontrer sont la possibilité d’obtenir des taux négatifs et la constance
des paramètres du modèle étant donné que l’on considère des horizons de temps
importants.

Modélisation
Définition

Ce modèle a été proposé par Vasicek en 1977. On se place sur un espace de


probabilité muni d’une filtration . On suppose que sous une probabilité
risque-neutre Q, le taux court instantané suit un processus d’Ornstein-Uhlenbeck à
coefficients constants :

Avec constantes positives et W un Q-mouvement brownien -adapté. Le


terme de drift s’interprète comme un retour à la moyenne long-terme avec une vitesse de
retour à la moyenne . est la volatilité du taux court.

Propriétés

Appliquons le lemme d’Itô au processus .

Page | 153
suit donc une loi normale conditionnellement à de moyenne et de
variance :

Valeurs long terme

Toutes les trajectoires de oscilleront autour d’une valeur moyenne de long terme
égale à avec une variance égale à .

Les paramètres et ont des effets compensatoires : augmenter fait


naturellement augmenter la volatilité, mais augmenter fait aussi augmenter la vitesse à
laquelle le système se stabilise statistiquement autour de la moyenne.

Ces valeurs long terme se retrouvent par les formules précédentes en prenant la
limite quand .

Prix des obligations zéro-coupons

On ne donne ici que le résultat16. La démonstration est abondamment développée


dans la littérature.

Le prix à la date d’une obligation zéro-coupon de maturité s’écrit de la manière


suivante.

Page | 154

16
Voir Eraker B. [4] et Muni Toke I. [6]
Avec

Application pratique aux rachats


Afin d’être utilisable en pratique, il reste à estimer les paramètres du modèle. Nous
proposons ci-dessous dans ce mémoire une méthodologie de calibrage qui a été créée
spécifiquement pour être applicable aux rachats.

Calibrage

Les paramètres à estimer sont et . En se plaçant sur la période de croisière de


l’historique de rachat, on peut déjà estimer par la moyenne empirique des données. Aussi,
le rapport vaut la variance empirique. Il reste donc à calibrer .

D’un point de vue opérationnel, on dispose d’un historique de taux de rachat. Si l’on
discrétisait le modèle on obtiendrait :

En espérance, un estimateur peut être, en moyennant sur les données,

On en déduit ensuite la volatilité.

Et on a toujours :

En pratique, on pourra éventuellement supprimer les valeurs aberrantes. Les valeurs


traditionnelles obtenues pour la moyenne long terme et la volatilité sont telles que la
probabilité d’obtenir des taux négatifs est très faible, et on pourra au pire minorer les taux
par 0. Cette faiblesse a priori du modèle que nous avons mentionnée précédemment peut
ainsi être écartée.

Page | 155
Le graphique ci-dessous représente un exemple de simulation par les différences
finies avec des données calibrées sur le produit Monroe. En simulant de nombreuses
trajectoires, les ordres de grandeur sont corrects, de même que l’amplitude des pics, en
comparant avec l’historique disponible.

Exemple de trajectoire du taux de rachat


0.90%
0.80%
0.70%
0.60%
0.50%
0.40%
0.30%
0.20%
0.10%
0.00%
28
1
4
7
10
13
16
19
22
25

31
34
37
40
43
46
49
52
55
Mois

Figure 45. Un exemple de simulation avec le modèle de Vasicek calibré

Effectuons un test du sur cet exemple pour conforter la pertinence du modèle.


L’estimation des paramètres par la méthode décrite précédemment sur le produit Monroe
donne les résultats suivants.

Ainsi, l’hypothèse à tester est : le taux de rachat suit une loi normale d’espérance
0,58% et d’écart-type 0,103%. Après avoir regroupé les données par classes d’effectifs
supérieurs à 5, les effectifs théoriques de chaque classe ont été calculés. En notant le
nombre de classes, l’effectif empirique de la classe , la taille de l’échantillon (égal à 55
mois dans notre cas) et la probabilité théorique d’appartenir à la classe , on obtient les
résultats suivants.

Classe
7 5,69
9 9,70
13 14,2
13 13,34
8 8,05
5 4,03

Page | 156
La statistique à considérer est17 :

Elle suit une loi du à degrés de liberté où est le nombre de paramètres


estimés par le modèle. On considèrera donc une loi du à 5 degrés de liberté dans notre
exemple. En choisissant un risque de première espèce , on compare la position de la
statistique par rapport au seuil critique : si , on rejette l’hypothèse de départ ,
dans le cas contraire, on la garde.

Dans notre cas, la statistique vaut 0,70. Or, en considérant un risque à 5%, on
a , ce qui valide le modèle.

Contexte et applications

Ce modèle permet, dans l’utilisation actuelle des rachats dynamiques, de calculer le


paramètre de taux de rachat maximal pour un produit donné. On pourra se référer à la
partie III pour l’utilisation pratique et le calibrage.

Il permet également de simuler des trajectoires de taux de rachats pour des


projections stochastiques. En effet, le calcul d’options & garanties actuel repose sur une
simulation de Monte-Carlo. Pour chacun des 1 000 scénarios, le taux de rachat utilisé en
année n est le taux de rachat déterministe rentré en paramètre et éventuellement ajusté
dynamiquement en fonction des conditions financières. En utilisant le modèle de Vasicek, la
logique peut être différente : il est possible de simuler 1 000 trajectoires de rachat et de les
utiliser directement pour la projection des rachats dans chacun des scénarios de simulation.
Ceci rend ainsi obsolète la notion de dynamisation des rachats, car le facteur financier est
déjà présent dans l’historique des taux de rachat.

Il est enfin possible de l’utiliser pour calculer de façon très simple le taux de rachat en
régime stationnaire, et ce pour n’importe quelle maille du portefeuille (ligne client, produit,
model point, canton, portefeuille total, etc.). Cette variable est essentielle dans
l’appréciation du risque de rachat et constitue un indicateur et une hypothèse majeurs dans
les projections et calculs de MCEV.

Avantages et limites
Avantages

Ce modèle présente plusieurs avantages importants pour la mesure du risque de


rachat. Il est tout d’abord très simple à manipuler et ne demande pas des temps de calcul
très importants, ce qui est appréciable dans le monde de l’entreprise.

Ensuite, le processus de taux de rachat mensuels est gaussien, et la manipulation de


lois normales simplifie grandement les calculs.

Page | 157
17
Voir Phan T. [7]
De plus, son calibrage est simple à effectuer, il repose sur l’historique des taux de
rachats passés, et il est même possible de choisir l’historique considéré afin de repérer des
changements de comportement au cours du temps.

Il permet également d’effectuer des tests de sensibilités, ce qui est essentiel dans le
secteur de l’assurance.

Enfin, étant donné qu’il se fonde sur l’analyse du comportement de l’historique du


taux de rachat, il capte tous les types de volatilité, pas uniquement celle liée au taux,
comme c’est le cas dans la modélisation actuelle. En effet, on capte notamment la volatilité
opérationnelle, qui peut se révéler importante sur les produits ayant connu des phases de
changement importantes, comme des migrations informatiques par exemple.

Limites du modèle

Le premier inconvénient du modèle de Vasicek est dû à la normalité du taux de


rachat, qui ne garantit pas des valeurs de taux positives (bien que dans notre cas, il se
pourrait théoriquement qu’on assiste à des annulations de rachat). En pratique, ce souci
peut être résolu.

De plus, il suppose que le comportement passé se reproduira dans le futur, d’autant


plus que les paramètres sont constants. C’est une hypothèse forte qui a d’ailleurs provoqué
bon nombre de crises historiques.

Extension
Le fait d’utiliser des paramètres constants empêche, dans les projections, la
simulation de périodes atypiques, telles les crises. Ces dernières sont pourtant bien
existantes, surtout en considérant la durée des périodes classiques de projection en
assurance, qui s’étalent sur une cinquantaine d’années.

Ainsi, afin de pallier à ce problème, nous proposons dans ce mémoire de rendre les
paramètres dynamiques, à travers une dépendance au temps ou à d’autres agrégats. Ainsi,
par exemple, en cas de crise, la panique des marchés peut se propager jusque dans nos
produits d’assurance et augmenter ponctuellement le taux « régime de croisière » du taux
de rachat et sa volatilité. Le modèle général suivant permet d’améliorer le modèle de
Vasicek.

Page | 158
Comme précédemment, en appliquant le lemme d’Itô au processus , on
obtient :

Nous allons développer ci-dessous deux exemples (cas particuliers) de ce modèle


général, qui ont été testés lors de la réalisation de ce mémoire.

Un premier exemple

De nombreuses formes sont envisageables pour et . Dans notre contexte, on


peut penser à une forme sinusoïdale déterministe reproduisant la cyclicité de l’économie et
donc le comportement associé des assurés.

Où est calibré à la période observée des cycles économiques. Le niveau des rachats
et leur volatilité dépendent ainsi de la situation économique dans sa globalité, ce qui est
effectivement observable dans les historiques disponibles. Avec ces hypothèses, le taux de
rachat devient un processus gaussien et on peut calculer son espérance et sa variance
conditionnelle.

Page | 159
Ces expressions sont plus lourdes à implémenter. En revanche, on peut en extraire
les valeurs en régime permanent (t grand).

Page | 160
Est donné ci-dessous un exemple de trajectoire obtenue en simulant par différences
finies cette extension du modèle de Vasicek sur une période de 100 ans. On ne s’intéressera
ici qu’aux valeurs de long terme du taux de rachat.

Valeur utilisée
Paramètre
pour l’exemple
6%
1,2%
0,86%
0,17%
20 ans
0,83
6%
1 an

Exemple de trajectoire du taux de rachat - extension du


modèle de Vasicek
13.00%
12.00%
11.00%
10.00%
9.00%
rt
8.00%
E[rt]
7.00%
6.00% bt

5.00%
4.00%
6

61
1

11
16
21
26
31
36
41
46
51
56

66
71
76
81
86
91
96

Année

Figure 46. Une première extension du modèle de Vasicek

Page | 161
On remarque bien que les rachats suivent les cycles économiques. Cette modélisation
introduit aussi un décalage de phase entre les taux de rachat et la courbe de , valeur de
référence, phénomène effectivement observé sur les historiques. En effet, le calcul des
extrema de (annulation de sa dérivée) donne :

Soit

Les extrema de sont quant à eux caractérisés par l’équation suivante.

Soit

Le déphasage est donc égal à :

Son calcul donne un déphasage d’environ 1 an sur notre exemple, ce qui est
effectivement observable sur la trajectoire. Il s’agit du temps de réaction des rachats face à
la situation économique. Les assurés réagissent en effet avec un certain décalage par rapport
à l’information que leur donne l’environnement économique, ils l’assimilent et prennent le
temps de la réflexion avant de prendre une décision. Ce temps de réaction dépend de la
force de rappel, comprise dans le paramètre , et est bien une fonction décroissante de ce
dernier : si augmente, la force de rappel augmente et le temps de réaction (le déphasage)
diminue.

Cette expression du déphasage fait penser à un domaine complètement différent :


l’électronique. Considérons en effet le circuit électronique suivant.

Figure 47. Circuit électronique reproduisant le comportement des rachats

Page | 162
En appliquant un signal sinusoïdal à l’entrée de ce circuit, on obtient, en sortie, un
signal , également sinusoïdal, qui est modulé par rapport au signal d’entrée (son amplitude
est modifiée) et qui est surtout déphasé. Déphasé de combien ? Déphasé de la valeur ci-
dessous.

Il s’agit de la même forme que pour nos rachats. On peut définir une force de rappel

Comment interpréter ce résultat ?

Le signal d’entrée est l’excitation appliquée au circuit, dans notre cas, il s’agit de la
situation de l’économie que nous avons supposée cyclique (bien sinusoïdal dans notre
modèle). L’application de ce signal fait circuler un courant dans le circuit, c’est le flux
d’information qui est transmis par l’excitation, c’est-à-dire toute l’information véhiculée par
la situation de l’économie. Face à cela, le courant va traverser un premier composant : une
résistance (mesurée en Ohm et notée ). En effet, avant de prendre toute décision,
l’assuré va spontanément « résister » à l’information qu’il reçoit. Ce n’est pas parce qu’on
annonce qu’une banque essuie des pertes que nous allons immédiatement retirer toute
l’épargne que nous domicilions dans ladite banque. En parallèle, le circuit est constitué d’un
condensateur (dont la capacité est mesurée en Farad et notée ), dont une fonction
première est d’accumuler de l’énergie. En effet, l’assuré, en recevant l’information de
l’environnement économique, va l’assimiler, la digérer, l’accumuler, avant de prendre toute
décision. Plus la « résistance » des assurés est importante, plus ils vont mettre du temps à
réagir car il faut des incitations fortes pour changer leur comportement. De même, plus la
« capacité » des assurés est importante, plus ils vont être capables d’assimiler et de
digérer une quantité importante d’information, repoussant d’autant leur décision de rachat.

Ensuite, nous trouvons l’amplificateur opérationnel, qui est souvent considérée


comme une boîte noire. Il va représenter pour nous le cerveau de l’assuré, renfermant tout
le processus de réflexion, d’utilisation et de transformation de l’information, et de prise de
décision. Ce schéma est réitéré un certain nombre de fois, avant de fournir en sortie un
signal sinusoïdal, modulé et déphasé, qui est, dans notre cas, la décision de rachat.

Un second exemple

D’autres formes sont possibles, par exemple pour prendre en compte la sensibilité
des assurés au niveau et à la volatilité des marchés, on pourra introduire dans les formules
de et une dépendance à ces indicateurs.

Page | 163
Où représente le niveau des marchés, et qu’on pourra modéliser par les formules
de Black & Scholes, et représente la volatilité du marché action, suivant un processus de
diffusion. Tout comportement de ce type des assurés face au marché peut ainsi être
modélisé avec cette approche.

Un test a été effectué avec le modèle de Heston18 pour simuler le niveau et la


volatilité du marché.

La trajectoire donnée ci-dessous est un exemple obtenu avec une simulation par
différences finies de ce modèle.

Valeur utilisée
Paramètre
pour l’exemple
6%
0,01%
0,86%
0,77%
20 ans
0,83
6%
1 an

Valeur utilisée
Valeur utilisée Paramètre
Paramètre pour l’exemple
pour l’exemple
0,5
3%
0,04
100
0,03
0,2
0,07

Page | 164
18
Voir Heston S.L. [10]
Exemple de trajectoire du taux de rachat - extension du
modèle de Vasicek
14.00%
13.00%
12.00%
11.00%
10.00%
9.00%
8.00%
rt
7.00%
6.00%
5.00%
4.00%
1
5
9

73

93
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69

77
81
85
89

97
Année

Trajectoires du niveau et de la volatilité des marchés


associées
Niveau Volatilité (échelle de droite)
300 0.35

250 0.30

0.25
200
0.20
150
0.15
100
0.10
50 0.05

0 -
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
97

Année

Figure 48. Une seconde extension du modèle de Vasicek

Ce modèle reproduit finement les comportements théoriques attendus du taux de


rachat. Les trajectoires obtenues en lançant de nombreuses simulations sont étonnamment
proches des courbes réelles présentes en portefeuille.

On ne peut pas effectuer de test du à proprement parler sur ces exemples,


l’espérance et la variance de la loi dépendant du temps.

Page | 165
L’inconvénient majeur est que l’on perd le caractère gaussien du taux de rachat, et
qu’il faut modéliser en parallèle l’évolution des marchés et celle de leur volatilité, rendant le
tout plus difficile à implémenter. Etant donné le nombre important de paramètres, le
calibrage est également complexe.

Les limites prévues initialement ont donc pu être résolues au détriment du côté
simple et pratique. En gardant les paramètres constants, on obtient un modèle simple très
bien adapté aux rachats sur de longues périodes.

4.2) Modèle de Black & Scholes saisonnier

Constat - remarques a priori


Les taux mensuels des rachats semblent respecter une certaine saisonnalité. L’idée
nouvelle consiste ici à utiliser le modèle de Black & Scholes, classiquement utilisé en finance,
mais en utilisant un drift déterministe et sinusoïdal pour reproduire ce comportement. Les
problèmes que nous allons a priori rencontrer sont l’utilisation de paramètres constants et le
calibrage du modèle (nombre de paramètres important et sensibilité aux données
notamment).

La période des rachats semble être d’environ 4 mois. On remarque en effet des pics
de rachat autour de janvier, avril, juillet, et octobre. Des éléments d’explication peuvent
résider dans des facteurs sociologiques comme le besoin d’argent suite aux fêtes de fin
d’année, pour préparer les vacances d’été ou pour le paiement des impôts.

Modélisation
Définition

On suppose donc que le taux de rachat suit l’EDS suivante.

Avec et des constantes positives. La période pourra être ajustée par rapport
aux données disponibles.

Propriétés

Appliquons le lemme d’Itô au processus .

Page | 166
On capte ainsi les 3 effets escomptés, correspondant aux différents termes de
l’exponentielle de l’équation précédente : la saisonnalité, la tendance à la hausse ou à la
baisse et l’aléa.

On peut en déduire l’espérance du taux de rachat conditionnellement à .

Application pratique aux rachats


Comme pour le modèle de Vasicek, nous utilisons pour la première fois le modèle de
Black & Scholes pour représenter les rachats, il faut donc adapter le calibrage.

Calibrage

Là encore, nous supposons qu’il faut partir d’un historique de données. Nous avons :

On a un premier estimateur de la volatilité.

Le terme peut être approximé comme la tendance de la courbe .

Page | 167
Enfin, en considérant fixe, la courbe présente des
oscillations dont l’amplitude est .

Le graphique ci-dessous donne un exemple de trajectoire obtenue avec cette


modélisation. Là encore, les ordres de grandeurs sont bons et les phénomènes attendus
reproduits.

Exemple de trajectoire du taux de rachat


1.40%
1.20%
1.00%
0.80%
0.60%
0.40%
0.20%
0.00%
49
1
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46

52
55
Mois

Figure 49. Un exemple de simulation avec le modèle de Black & Scholes saisonnier calibré

On ne peut pas effectuer de test du à proprement parler sur cet exemple,


l’espérance et la variance de la loi dépendant du temps.

Avantages et limites
Avantages

En plus de prendre en compte l’aspect saisonnier des rachats, ce modèle permet de


reproduire le drift naturel de chaque produit. En effet, même si sa valeur est très faible, on
peut observer une tendance naturelle, à la hausse ou à la baisse, du taux de rachat au fil du
temps, qui est comprise dans le terme en .

Page | 168
Limites du modèle

Ce modèle est cependant plus lourd à implémenter, et le calibrage des paramètres


reste assez sensible aux données, d’autant plus qu’il suppose que est censé être
périodique. Il peut donc ne pas convenir dans toutes les situations.

La constance des paramètres n’est finalement pas très gênante. En revanche, le


terme de drift est certes faible mais rend les rachats soit très faibles, soit explosifs au bout
d’un certain temps. L’horizon de projection devra donc rester raisonnable.

4.3) Vision évaluation d’option financière

Constat - remarques a priori


Le rachat est une option permettant à l’assuré, lorsqu’il l’exerce, de retirer tout ou
partie de son épargne à tout moment avant la date d’échéance prévue au contrat. Comme
nous l’avons vu, une partie de ces rachats est due à des facteurs structurels, une autre partie
est due à des facteurs financiers conjoncturels. Afin d’évaluer le coût de cette option dû aux
facteurs financiers, l’analogie suivante peut être considérée.

En finance, l’évaluation d’options permet de trouver un prix de vente pour


l’acquisition du droit associé à cette option. Elle repose souvent sur le calcul d’une
espérance. En effet, par exemple19, sous la probabilité risque neutre, toute option
européenne définie par une variable aléatoire (le payoff) positive, -mesurable et telle
que peut être évaluée par .

Dans notre cas, nous allons utiliser cette théorie afin d’évaluer une option
américaine, car le rachat peut être effectué à tout instant précédant la maturité. La faiblesse
a priori de ce modèle est l’absence de prise en compte de l’irrationalité des assurés, car le
raisonnement suppose que la frontière entre décision de rachat et renonciation au rachat
est nette.

Modélisation
Définition

Pour définir le payoff associé à l’option de rachat, nous allons reprendre le


raisonnement utilisé pour le calcul des paramètres relatifs aux bornes de déclenchement de
la dynamisation (surr_incr_begin et surr_incr_end). L’actif sous-jacent à l’option est
l’épargne obtenue en cas de rachat au temps T, horizon d’investissement. On va donc
chercher à évaluer le taux de rachat par :

Page | 169

19
Voir Gabet L. [5]
De façon analogue à la partie III, et en reprenant les mêmes notations, on obtient les
expressions équivalentes suivantes des PM avec et sans rachat, en utilisant la forme
exponentielle.

Cette expression s’apparente à une option de type digitale américaine. Nous


proposons dans ce mémoire de tester le cas particulier suivant.

Cas particulier : Vasicek

On peut encore simplifier cette expression lorsque suit le modèle de Vasicek.


Pour processus gaussien à trajectoires continues, l’intégrale est également
gaussienne conditionnellement à , et on peut calculer, dans le cadre de Vasicek, sa
moyenne et sa variance conditionnellement à par les expressions suivantes.

On obtient donc :

Page | 170
Où est la fonction de répartition de la loi normale centrée réduite.

Application pratique aux rachats


Cette valeur de taux de rachat conjoncturel pour l’ancienneté pourra être estimée
soit par formule fermée, soit par méthode de Monte-Carlo selon la modélisation choisie
pour le taux (Vasicek, CIR, Hull & White, etc.).

Un simulateur très simple a été implémenté pour tester ce modèle. On considère la


situation et un produit aux caractéristiques suivantes (les paramètres de Vasicek sont
simplement pris aux valeurs arbitraires usuelles, sans calibrage).

Variable Valeur
4,26%
1 an
8 ans
3,31%
35% + 8,2%
3,5%
1%
0,25
1%
3,6%

Avec ces valeurs, la formule fermée précédente donne un taux de rachat


conjoncturel d’environ 3,3%, ce qui est un bon ordre de grandeur.

Avantages et limites
Avantages

Ce modèle, simple à implémenter, permet de prendre en compte non pas seulement


la situation financière actuelle, mais également son évolution en effectuant des projections.
En effet, en partie III, nous avions supposé que le taux benchmark était maintenu chaque
année jusqu’à maturité. Ici, nous faisons varier en stochastique ce taux benchmark.

L’autre avantage est de disposer, dans le cadre du modèle de Vasicek notamment,


d’une formule fermée du taux de rachat, il n’est donc pas nécessaire de procéder à des
simulations de type Monte-Carlo.

Limites du modèle

Ce modèle ne permet de prendre en compte que l’aspect financier des rachats


conjoncturels. Il est également sensible aux mêmes limites que les modèles de taux sous-
jacents.

Page | 171
Il suppose également que l’option sera exercée dès que la PM après rachat franchit
un seuil (digitale). En pratique, la décision de l’assuré n’est pas aussi nette : lorsqu’il se situe
proche de cette frontière, la décision de rachat dépend fortement de la psychologie de
l’assuré.

4.4) Triangles de Chain-Ladder

Constat - remarques a priori


Le facteur ancienneté est indéniablement l’un des « drivers » majeurs du taux de
rachat en raison notamment de la fiscalité. Le calcul Allianz best estimate du taux de rachat
est effectué par ancienneté. En pratique, les assureurs disposent, pour plusieurs années, de
la répartition des taux de rachat par année d’ancienneté. Leur problématique consiste
ensuite à estimer l’évolution de cette courbe, c’est-à-dire quels seront les taux de rachat par
ancienneté dans le futur.

Posé ainsi, ce problème fait penser à l’assurance Dommages, en particulier au


provisionnement par la méthode de Chain-Ladder. En effet, de façon similaire, les assureurs
non-vie disposent, par année de survenance des sinistres, de leur répartition par année de
règlement (dans certaines branches, par exemple l’automobile, les sinistres sont déclarés
plusieurs mois, voire plusieurs années après leur survenance). L’enjeu est ensuite de trouver,
pour les sinistres survenus récemment, le montant que l’assureur aura à débourser dans les
années suivantes. Ce mémoire propose ainsi de considérer la souscription d’un nouveau
contrat d’assurance vie comme un sinistre dont la date de déclaration correspond à la date
de rachat.

La faiblesse a priori de cette modélisation est l’hypothèse que le comportement


passé se reproduira dans le futur.

Modélisation
Définition

Considérons une branche de durée maximale N ans, et notons le montant des


sinistres survenus l’année s, mais déclaré avant l’année d. On raisonne ainsi sur des données
cumulées. Les données disponibles peuvent être regroupées dans un tableau.

Page | 172
0 1 2 …

… … … … … … …

… …
… …
… … …
… … …
… …
… …
… …
… …

Toutes les cases bleutées sont des données historiques et disponibles. Pour connaître
le montant des provisions à constituer pour couvrir les frais des sinistres survenus, mais non
déclarés (IBNR, Incurred But Not Reported), il faut estimer le montant des cases blanches du
tableau (triangle inférieur). Pour cela, la méthode de Chain-Ladder est traditionnellement
utilisée, et est présentée ci-dessous.

La méthode consiste à calculer à partir des données passées, un coefficient de


passage, appelé facteur de développement , d’une année de déclaration à la suivante. On
a:

Ce coefficient est ensuite appliqué aux données manquantes pour compléter le


triangle inférieur.

Prenons l’exemple suivant d’une branche de durée 5 ans.

0 1 2 3 4

2006 500 600 650 660 665


2007 450 580 630 640
2008 480 600 635
2009 510 630
2010 490

x 1,24 x 1,08 x 1,02 x 1,01

Page | 173
En particulier,

Application pratique aux rachats


L’idée consiste à appliquer la méthode de Chain-Ladder en travaillant directement
sur les taux de rachat en remplaçant l’année de survenance par l’année de souscription du
contrat et l’année de déclaration par l’ancienneté au moment du rachat.

Supposons que l’on dispose, pour chaque année comptable passée, du taux de rachat
observé par ancienneté. Il est possible d’en extrapoler une prévision des taux de rachat
futurs en développant le triangle des données. Prenons un exemple simplifié d’un contrat de
maturité 8 ans, dont l’historique des taux de rachat par ancienneté est le suivant.

0 1 2 3 4 5 6 7

2003 1,79% 1,79% 3,14% 4,00% 2,95% 2,91% 2,32% 8,28%


2004 1,76% 1,77% 3,33% 3,72% 3,11% 3,68% 2,39%
2005 1,80% 1,80% 3,30% 3,70% 3,10% 3,70%
2006 1,35% 1,38% 3,00% 3,68% 2,99%
2007 1,68% 1,71% 3,10% 3,85%
2008 1,71% 1,72% 3,25%
2009 2,06% 2,10%
2010 1,90%

Les facteurs de développement sont les suivants.

1 2 3 4 5 6 7

1,01 1,88 1,19 0,80 1,12 0,71 3,57

Page | 174
On en déduit ensuite les taux de rachat estimés futurs.

0 1 2 3 4 5 6 7

2003 1,79% 1,79% 3,14% 4,00% 2,95% 2,91% 2,32% 8,28%


2004 1,76% 1,77% 3,33% 3,72% 3,11% 3,68% 2,39% 8,53%
2005 1,80% 1,80% 3,30% 3,70% 3,10% 3,70% 2,64% 9,44%
2006 1,35% 1,38% 3,00% 3,68% 2,99% 3,36% 2,40% 8,57%
2007 1,68% 1,71% 3,10% 3,85% 3,10% 3,48% 2,49% 8,88%
2008 1,71% 1,72% 3,25% 3,88% 3,12% 3,51% 2,51% 8,95%
2009 2,06% 2,10% 3,95% 4,71% 3,79% 4,26% 3,05% 10,87%
2010 1,90% 1,92% 3,61% 4,31% 3,47% 3,89% 2,78% 9,93%
Tableau 21. Exemple d'application de la méthode Chain-Ladder aux rachats

Le taux de rachat total peut se lire sur une diagonale en pondérant par les PM les
taux de rachat par ancienneté présents dans le tableau.

Avantages et limites
Avantages

On met davantage ici en lumière l’ancienneté du contrat en tant que facteur


explicatif du taux de rachat. La méthode est très simple à utiliser et est typique du monde
assurantiel.

L’avantage de ces triangles de liquidation est d’extrapoler les taux de rachat futurs à
partir des données observées, ce qui permet de prendre en compte en réalité tous les
facteurs explicatifs, y compris financiers, faisant varier le taux de rachat.

Limites du modèle

Cette méthode nécessite que l’on dispose de suffisamment de données pour


remonter loin dans l’historique de rachat, ce qui n’est pas toujours le cas en pratique. Il n’est
pas non plus adapté pour prendre réellement en compte les crises ni les scénarios extrêmes.

De plus, ce modèle part du principe que l’expérience passée se reproduira en


moyenne dans le futur, ce qui est à nouveau une hypothèse forte.

Page | 175
4.5) Analyse macroéconomique

Constat - remarques a priori


Le rachat est intrinsèquement lié au comportement des assurés, à la situation
économique globale et surtout à la vision qu’ont les premiers de la seconde. De nombreuses
variables peuvent ainsi potentiellement être considérées comme explicatives de la décision
de rachat sur les contrats d’assurance. Le rachat n’est finalement qu’une décision
binaire prise par seulement une partie des assurés : la décision de rachat est prise ou non.
On peut donc poser le problème de la façon suivante : quelle partie de la population des
assurés va exercer son option de rachat ?

Une méthode classique et simple consiste à trouver les facteurs qui influent sur la
décision de rachat des assurés et effectuer une régression logistique. Nous allons détailler ce
modèle et considérer de nombreuses variables du domaine macroéconomique comme
candidates explicatives du taux de rachat.

Les problèmes que nous allons a priori rencontrer sont le choix des variables
explicatives (quel critère choisir pour considérer une variable comme explicative ou non
explicative ?) et la reproduction fidèle du caractère aléatoire des rachats.

Modélisation
Définition

On considère le problème général de la classification binaire en d dimensions20.


Soit et leurs labels (0 pour sain et 1 pour malade par
exemple). En médecine, on peut ainsi chercher à segmenter la population entre sujets sains
et sujets malades à partir de la valeur des facteurs qui influent sur leur santé (par exemple,
pour l’étude de bactéries : conditions de température et de pression, taux de salinité,
quantité de carbone, d’azote, etc.).

Assuré avec rachat


Assuré sans rachat (label = 1)
(label = 0)

Si un nouvel assuré (ou un patient) arrive dans des conditions macroéconomiques (ou
avec ses données) , que vaut son label ? La description discriminative consiste à
considérer une probabilité a posteriori :

Page | 176

20
Voir Vayatis N. [8], Dr Mancini J. [11], Theodoridis S., Koutroumbas K. [12]
On appelle classifieur toute fonction mesurable g de dans . L’erreur de
classification associée au classifieur g est :

Où est le label et est la prédiction de ce label compte tenu des données .

Règle de Bayes :

La régression logistique consiste à modéliser par un modèle


linéaire .

Pour estimer les paramètres, on pourra utiliser le maximum de vraisemblance en


supposant les observations i.i.d. On obtient les résultats suivants, dont
la démonstration est donnée en annexe 8.

Où .

La solution est implicite et on pourra utiliser l’algorithme de Newton-Raphson


pour obtenir une approximation de . L’annexe 8 en détaille le principe.

Application pratique aux rachats


Notre label sera ici la décision de rachat. Notre individu sera la situation
macroéconomique modélisée par variables choisies dans les données disponibles. Notre
probabilité de rachat recherchée est donc et sera caractérisée par
, où sont les paramètres à estimer.

1ère étape : sélection des variables explicatives.

La première étape a consisté à choisir les variables économiques explicatives pour la


régression logistique. Pour être le plus exhaustif possible, une liste d’indicateurs
macroéconomiques a été sélectionnée, sans préjugé ni a priori sur leur caractère explicatif
ou non du taux de rachat, et des historiques mensuels ont ensuite été récupérés pour
chacun d’entre eux21. La liste des variables considérées est donnée en annexe 9.

Page | 177

21
Sources : Bases de données de l’INSEE [18], European Central Bank [19].
Ensuite, pour chaque produit et chaque variable macroéconomique, la corrélation
entre l’historique du taux de rachat et celui de l’indicateur a été calculée, depuis 2004 et
depuis 2007 pour étudier l’évolution de leurs dépendances.

Les variables conservées pour la régression logistique d’un produit sont celles
présentant les meilleures corrélations. On supprime ensuite les variables fortement
corrélées entre elles. A titre d’exemple, les variables retenues pour le produit Kennedy sont
le nombre de défauts d’entreprises du secteur immobilier, l’opinion sur le niveau de vie
futur, et le nombre de défauts d’entreprises dans l’industrie.

Analyse qualitative des résultats

Des remarques qualitatives assez intéressantes peuvent être formulées au regard des
ces premières analyses. Il ne s’agit que d’observations statistiques sur un périmètre
particulier. Elles ne sont pas toujours intuitives.

Tout d’abord, en comparant les corrélations depuis 2004 et les corrélations depuis
2007, on s’aperçoit d’un certain nombre de changements. Les taux de rachat sont davantage
corrélés aux différents taux financiers depuis début 2007, laissant supposer une certaine
rationalisation par rapport à ce type d’indicateur. Il en va de même pour toutes les variables
relatives au CAC40. Précisons ici qu’il y a eu une généralisation des campagnes à taux promo
à partir de 2007 chez Allianz.

Ensuite, on peut observer une modification du comportement des rachats face à la


consommation des ménages, notamment une baisse de la corrélation. Ainsi, certains
produits qui y étaient positivement corrélés se retrouvent négativement corrélés.

En ce qui concerne l’opinion des Français sur leur situation économique et leur
niveau de vie, des changements sont observables, mais dépendent des produits.

La corrélation au nombre de défauts augmente également entre 2004 et 2007,


laissant penser à une rationalisation, à l’exception faite des défauts d’entreprises du secteur
financier, pour lesquelles la corrélation a baissé, confirmant que ce secteur joue un rôle
particulier dans l’opinion des assurés.

On remarque une baisse notoire de la corrélation par rapport à la population


française sur les produits étudiés.

Les corrélations entre rachats et cours des matières premières sont en baisse de
façon générale, certaines deviennent mêmes négatives alors qu’elles étaient positives.

Les mêmes corrélations ont été calculées non pas entre les rachats et les variables
mais entre leurs moyennes mobiles à 6 mois, pour davantage cerner les tendances globales.
Les phénomènes précédents sont amplifiés : l’augmentation de la corrélation aux taux et la
baisse de celle aux cours des matières premières sont notamment très nettes.

Page | 178
Beaucoup de produits sont positivement corrélés aux taux. En revanche, certains y
sont anti-corrélés, c’est le cas notamment du produit Pierce ou des nouveaux produits
Wilson, Washington et Roosevelt, ce qui peut paraître contre-intuitif.

Enfin, certains exotismes peuvent être répertoriés, notamment la très forte


corrélation entre les rachats sur le produit Pierce et l’indice des salaires de base (> 70%), la
population française (> 70%), le nombre de créations d’entreprises (85%), ou encore l’indice
des prix des denrées tropicales (78%) ! Les rachats sur le produit Adams sont quant à eux
anti-corrélés au cours de l’huile d’olive à hauteur de -60%, et corrélés aux cours du cacao, du
riz et du soja à plus de 60%. Il ne s’agit ici que d’analyses statistiques, et il ne faut pas en
conclure que les rachats sont expliqués par ces variables (lorsque X et Y sont fortement
corrélées, ce n’est pas forcément X qui est la cause de Y, c’est peut-être Y qui cause X ou
même une autre variable Z qui explique à la fois X et Y). En revanche, ces résultats sont
intéressants et pourraient faire l’objet d’analyses plus approfondies pour expliquer ces
corrélations.

Les rachats du produit Adams semblent plus particulièrement sensibles aux différents
indicateurs de niveau de vie et de situation économique des assurés. Ceci peut s’expliquer
par le caractère grand public de ce produit.

Dans le même genre d’idées, le produit Monroe est le plus sensible au nombre de
défauts d’entreprises, tous secteurs confondus.

2ème étape : régression.

Le principe est le même que pour les modèles AR(p). On va chercher ici de façon
simplifiée les coefficients de la régression à l’aide des fonctions Excel, qui utilisent non pas le
maximum de vraisemblance mais la méthode des moindres carrés.

On en déduit une estimation du taux de rachat en inversant cette formule.

Sur le produit Kennedy par exemple, on obtient, en gardant seulement comme


variables explicatives le nombre de défauts d’entreprises dans l’immobilier, l’opinion sur le
niveau de vie futur et le nombre de défauts d’entreprises dans l’industrie, les résultats
suivants pour un R² de 75%.

Page | 179
Régression logistique sur le produit Kennedy
0.50%
0.45%
0.40%
0.35%
0.30%
0.25%
0.20% Rachats
0.15%
0.10% Rachats estimés
0.05%
0.00%
Jan-07
Jun-07

Oct-10
Apr-08
Sep-08
Feb-09
Jul-09

May-10
Nov-07

Dec-09
Figure 50. Un exemple d'application de régression logistique

Une régression sur le produit Kennedy a également été effectuée mais en


considérant non pas le taux de rachat et les variables macroéconomiques, mais leurs
moyennes mobiles respectives. Les variables explicatives retenues sont le niveau moyen du
CAC 40 sur le mois, l’opinion sur le niveau de vie futur, le nombre de défauts d’entreprises
immobilières, et les cours du nickel et du zinc. On obtient un R² supérieur à 97%.

Régression logistique sur le produit Kennedy


par moyennes mobiles
0.45%
0.40%
0.35%
0.30%
0.25%
0.20%
0.15% MM rachats
0.10%
0.05% MM rachats
0.00% estimée
Jun-07
Oct-07

Jun-08
Oct-08

Jun-09
Oct-09

Jun-10
Oct-10
Feb-08

Feb-09

Feb-10

Figure 51. Un exemple de régression logistique sur les moyennes mobiles

Dans un souci de prévision des taux de rachat futurs, il est également possible
d’effectuer une régression logistique sur des données décalées. En effet, on peut postuler
que le taux de rachat du mois courant dépend des valeurs des variables économiques du
mois précédent. Ainsi, il serait possible, en fonction de la situation économique courante, de
prévoir le taux de rachat futur en appliquant la formule de régression obtenue. Pour des
Page | 180
projections lointaines, il faudrait prévoir et modéliser les variables explicatives elles-mêmes,
mais l’utilisation de cette méthode en décalé permettrait de prévoir la tendance sur les
quelques mois à venir par exemple. Toujours pour le produit Kennedy, les variables retenues
dans ce cas sont l’indice de confiance des ménages, l’opinion sur le niveau de vie futur, le
nombre de défauts dans les transports et dans l’immobilier, et le cours du zinc. On obtient
les résultats suivants, pour un R² de 70%.

Régression logistique sur le produit Kennedy


en décalé
0.50%

0.40%

0.30%

0.20% Rachats en
décalé
0.10%
Rachats en
0.00% décalé estimés
May-07

May-08

May-09

May-10
Sep-07

Sep-08

Sep-09

Sep-10
Jan-07

Jan-08

Jan-09

Jan-10

Figure 52. Un exemple de régression logistique sur les données décalées

Enfin, on peut mélanger l’idée des modèles autorégressifs de la partie III avec la
régression logistique, il suffit d’ajouter comme variables explicatives les taux de rachat des
mois précédents. On obtient les résultats suivants avec un R² de 81%.

Autorégression logistique sur le produit Kennedy

0.50%
0.45%
0.40%
0.35%
0.30%
0.25%
0.20% Rachats
0.15%
0.10%
0.05% Rachats + AR
0.00% estimés
Nov-09
Jul-07
Nov-07

Jul-08
Nov-08

Jul-09

Jul-10
Nov-10
Mar-08

Mar-09

Mar-10

Figure 53. Un exemple "d'autorégression logistique"

Page | 181
Cette idée de faire dépendre une variable de ses valeurs précédentes par régression
logistique est utilisée dans la prévision de la hauteur de vagues. En effet, en utilisant comme
variables explicatives les valeurs aux temps précédents, on autorise la prise en compte d’un
phénomène de propagation, de contagion d’un événement. C’est très exactement le cas
pour une vague, qui est la propagation d’une onde à la surface de l’océan provoquée par le
vent ou une autre source, comme une rupture de la croûte terrestre soulevant, par son
énergie une grande masse d’eau, et pouvant provoquer des tsunamis dévastateurs.

En introduisant ce phénomène dans notre modèle pour les rachats, que remarque-t-
on ? On remarque que l’on améliore le calibrage aux données en plein pendant la crise de
2008 (comparer la régression classique avec « l’autorégression »). Ceci vient nous conforter
dans notre idée que la crise est une crise de confiance, une crise de propagation, une crise
de contagion.

3ème étape : analyses complémentaires.

Nous allons déterminer quelles variables macroéconomiques sont les plus influentes
sur le comportement des assurés en matière de rachat et étudier l’évolution de ces
corrélations entre 2004 et 2007. Ainsi, parmi les 150 variables disponibles a été sélectionnée
la quinzaine d’entre elles expliquant le mieux les rachats au global. Elles ont également été
choisies de façon à couvrir le spectre des agrégats macroéconomiques (il n’y a pas 15 taux
différents, mais un ou deux taux, une variable sur le PIB, une ou deux sur les matières
premières, etc.).

Le critère utilisé pour le choix des variables est la maximisation de la somme, sur tous
les produits du périmètre étudié, des carrés des corrélations. Cette étude a été menée sur
l’historique depuis 2004 et celui depuis 2007.

Les meilleures variables explicatives des taux de rachat depuis 2004 sont :

 Le taux des bons du Trésor à 1 mois


 L’EONIA
 La volatilité du CAC 40 sur 1 an
 L’Indice des Prix à la Consommation
 La consommation des ménages en équipement du logement
 L’opinion sur la situation financière future
 L’indice de référence des loyers
 Le nombre de défauts d’entreprises dans l’immobilier
 L’indice des taux de salaire des ouvriers des secteurs non agricoles
 La population française
 Le nombre d’immatriculations de voitures particulières neuves
 Le nombre de créations d’entreprises
 L’indice de prix des denrées tropicales
 Le cours de l’huile d’olive
 Le cours de l’or
 L’indice de la production industrielle en biens d’investissement

Page | 182
Une régression sur le produit Pierce par exemple avec ces variables donne les
résultats suivants.

Régression logistique sur le produit Pierce


1.20%
1.00%
0.80%
0.60%
Rachats
0.40%
Rachats estimés
0.20%
0.00%
Jan-04

Jan-06

Jan-08

Jan-10
May-05

May-07

May-09
Sep-04

Sep-06

Sep-08

Sep-10
Figure 54. Qualité de la régression logistique

La même étude a donc été menée sur l’historique depuis 2007. Les meilleures
variables explicatives des taux de rachat depuis 2007 sont les suivantes (celles suivies d’un
(*) sont nouvelles par rapport à l’étude avec l’historique depuis 2004).

 L’EURIBOR à 1 mois (*)


 Le taux du Livret A (*)
 La moyenne mobile à 1 an du CAC 40 (*)
 Le SMIC horaire brut (*)
 L’Indice des Prix à la Consommation
 Le taux de change EUR/YEN (*)
 La consommation des ménages en équipement du logement
 L’opinion sur le niveau de vie futur (*)
 L’indice de référence des loyers
 Le nombre de défauts d’entreprises dans l’industrie manufacturière (*)
 Le taux de chômage (*)
 L’indice des taux de salaire horaire des ouvriers des secteurs non agricoles
 La population française
 L’indice des prix des denrées tropicales
 Le cours de l’or
 L’indice de la production industrielle en biens d’investissement

De façon globale, on peut ainsi remarquer que les variables explicatives principales
sont davantage tournées aujourd’hui sur la situation personnelle des assurés, leur quotidien,
et moins sur les grands indicateurs nationaux de croissance de l’économie. Ainsi, l’opinion de
la situation financière future disparaît au profit de l’opinion sur le niveau de vie futur
(définanciarisation, recentrage sur le confort du foyer). Le nombre de créations

Page | 183
d’entreprises, moteur de croissance, et le nombre de défauts dans le secteur immobilier
sont remplacés par le SMIC, le taux de chômage, le nombre de faillites dans l’industrie
manufacturière, indicateurs beaucoup plus révélateurs du quotidien des foyers.

Avantages et limites
Avantages

Cette modélisation permet de prendre en compte la situation économique dans son


ensemble comme variable explicative du taux de rachat. Elle permet de généraliser
l’approche par auto-régression étudiée en partie III. On peut enfin découvrir les
dépendances entre le comportement des clients et les variables macroéconomiques et leurs
évolutions.

Notons également que le caractère aléatoire et saisonnier des rachats est bien rendu
par cette modélisation, contrairement à l’a priori initial. De plus, le choix des variables
explicatives a pu être effectué par des critères rationnels, transformant ainsi une limite
initiale en force. Ce modèle permet donc d’aboutir à des conclusions plus intéressantes et
surprenantes que prévu.

Limites du modèle

La modélisation dépend fondamentalement des corrélations historiques entre taux


de rachat et variables macroéconomiques. Il ne s’agit que de statistiques, et il peut paraître
peu intuitif de modéliser nos taux de rachat par des variables telles le cours des matières
premières ou le nombre de créations d’entreprises en France.

Page | 184
CONCLUSION

Les quelques modèles présentés dans cette dernière partie sont autant de
propositions différentes pour expliquer un même phénomène qui est celui du rachat.

Le modèle de Vasicek est le mieux adapté pour effectuer des projections de rachat
sur de nombreuses années, il est simple et facile à calibrer. Son extension lui sera préférée
afin de capter davantage d’effets, mais son implémentation nécessite une modélisation plus
lourde. Le modèle saisonnier de Black & Scholes est mieux adapté pour une plus grande
finesse de modélisation, mais sur un horizon de temps assez court. Une approche de type
Monte Carlo y serait adaptée. La vision option financière présente l’avantage d’obtenir une
formule fermée du taux de rachat conjoncturel et prend en compte le risque de taux. Elle
pourra être utilisée comme benchmark de l’ordre de grandeur du taux de rachat.
L’utilisation des triangles de développement de Chain-Ladder sera préférée si l’entreprise
dispose de données de rachat nombreuses et solides, et si elle souhaite mettre l’accent sur
l’ancienneté comme variable explicative. Enfin, l’approche par régression logistique permet
de « mesurer » la psychologie des assurés et de connaître quels sont les grands agrégats
macroéconomiques qui gouvernent leur comportement. Elle constitue un outil d’analyse et
de suivi du risque qui pourra être très apprécié des décideurs, et permet de mesurer, à partir
des données sur la situation macroéconomique actuelle, quel impact aura cette dernière sur
les rachats de notre portefeuille.
Modèle Limites a priori Limites a posteriori Avantages Conseils d’utilisation
Simple,
Taux < 0, Projections longues,
Vasicek Paramètres constants choix de l’historique,
Paramètres constants études de sensibilité
adaptable
Modélisation des Etudes fines pour modéliser
Extension Lourd à implémenter assurés face au des caractéristiques précises
marché des rachats
Lourd,
B&S Paramètres constants, Drift, Projections Monte Carlo fines
cas d’utilisation,
saisonnier calibrage saisonnalité sur de courtes périodes
court terme
Option Formule fermée, Calcul rapide,
Pas d’irrationalité Pas d’irrationalité
financière risque de taux ordre de grandeur
Données (hors crises),
Chain- Le passé se reproduit Mise en lumière de En cas d’une bonne base de
le passé se reproduit
Ladder dans le futur l’ancienneté données
dans le futur
Choix variables Macroéconomie,
Régression Repose sur des Prise de décision en fonction
explicatives, saisonnalité,
logistique statistiques passées de la situation économique
absence d’aléa aléa

Il sera en tout état de cause impossible de prévoir rationnellement le niveau des


rachats futurs en raison de la nature même de cette option. En revanche, il est profitable
d’en étudier le plus grand nombre d’aspects possible, pour apprendre à mieux le maîtriser et
surtout dans l’optique de gérer les risques qui lui sont associés.

Page | 185
Conclusion

En introduisant l’option de rachat sur leurs contrats d’assurance vie, les compagnies
d’assurance apportaient une innovation commerciale qui leur a permis d’attirer de
nombreux clients, séduits par une liquidité accrue de leur placement. La simplicité apparente
de la définition du rachat cache cependant une complexité étonnante. Il fait en effet, entre
autres, intervenir et interagir trois parties, l’assuré, l’assureur et le marché, soulève des
problématiques de gestion actif-passif et dépend du comportement plus ou moins
irrationnel des assurés. Le rachat s’est ainsi petit à petit transformé en un risque,
probablement sous-estimé lors de sa création, au point de devenir la cause de faillites
d’entreprises et l’un des risques les plus redoutés du marché français de l’assurance vie. Il
est de plus aujourd’hui mis en lumière par les réformes réglementaires et la singularité de la
situation économique actuelle.

Dans ce mémoire, nous n’avons pas considéré cette complexité comme une
difficulté, un problème, un obstacle, mais nous l’avons au contraire abordé comme une
force, une opportunité, un tremplin. Nous l’avons exploitée, en utilisant ses multiples
facettes pour éclairer l’option de rachat sous des angles différents. Tout comme dans le
domaine de la photographie, nous avons observé le même sujet avec des filtres, des
objectifs et des éclairages différents. C’est cette même complexité qui nous a permis
d’établir des analogies avec d’autres secteurs et d’en tirer le meilleur parti pour mettre à
jour les paramètres de lois de rachats dynamiques et proposer de nouvelles modélisations.
Nous disposons désormais d’une méthodologie prenant en compte les spécificités du
portefeuille dans le paramétrage des rachats dynamiques ainsi que de nouveaux modèles
adaptés aux différents besoins d’une compagnie d’assurance en matière de rachats.

En raison de la richesse du risque de rachat et notamment des interactions entre les


facteurs dont il dépend, de nombreuses études peuvent être menées afin de mieux
comprendre son fonctionnement, sa sensibilité, son évolution. Ainsi, par exemple, le niveau
du taux minimum garanti a un fort impact sur le taux réellement crédité et donc sur le
niveau de rachat. La mesure de la sensibilité à ce paramètre pourrait ainsi faire l’objet d’une
étude spécifique. Aussi, nous avons comparé dans ce mémoire le rachat à l’option de
remboursement anticipé de crédit. D’autres options, telles le versement libre, miroir du
rachat, ou l’option d’arbitrage, ou des compositions de ces options pourront également être
considérées.

Page | 186
Annexes

ANNEXE 1 : Lexique........................................................................................................188

ANNEXE 2 : Rappel des abréviations utilisées .................................................................189

ANNEXE 3 : Modélisation de la gestion d’un contrat en UC .............................................191

ANNEXE 4 : Evaluation de la valeur d’une obligation ......................................................194

ANNEXE 5 : Article L.132-23, Assurances dépourvues de réduction ou de rachat .............196

ANNEXE 6 : Market Consistent Embedded Value (MCEV) Principles ................................198

ANNEXE 7 : Modèles autorégressifs AR(p) ......................................................................203

ANNEXE 8 : Régression logistique ...................................................................................206

ANNEXE 9 : Liste des variables macroéconomiques considérées .....................................209

Page | 187
ANNEXE 1 : Lexique.

Canton : C’est le résultat du regroupement de passifs et des actifs correspondants


affectés à une section distincte du bilan. Ceci permet une gestion particulière d’un groupe
homogène de contrats. On met en place pour chacun d’entre eux des provisions techniques,
des résultats, etc. On peut les considérer comme des portefeuilles à part entière.

Cap : Option d’achat sur les taux d’intérêt. L’acheteur d’un cap détermine au
préalable le taux maximum auquel il est prêt à payer son emprunt (dont le montant est
appelé nominal). Le vendeur s’engage à verser à l’acheteur la différence de taux s’il dépasse
le niveau convenu. L’acheteur a ainsi la certitude de pouvoir emprunter à un taux d’intérêt
maximal pendant une période déterminée. L’option est dite strikeless si ce taux maximal
n’est pas constant au cours du temps.

Solvabilité : Capacité d’une entreprise d’assurance à honorer les engagements pris


envers ses assurés et bénéficiaires de contrats.

Spread de signature : Supplément de rendement sur le taux d’intérêt demandé par le


marché aux émetteurs privés en contrepartie du risque de défaillance de paiement. Il s’agit
d’une prime de risque qui dépend de l’émetteur. Ceux-ci sont classés par rating selon leur
capacité à ne pas faire défaut (notations AAA, AA, A, BBB, etc.). Egalement appelé spread de
défaut.

Taux forward : Ce sont les taux d’emprunt ou de placement, pour des périodes
futures, implicites dans les taux zéro-coupons d’aujourd’hui. Par exemple, le taux forward
pour l’année 2 est le taux d’intérêt déduit de la courbe des taux ZC pour la période d’un an
entre la fin de la première année et la fin de la deuxième année. Il est calculé à partir du taux
ZC 1 an et du taux ZC 2 ans. C’est le taux à appliquer en année 2 pour que, combiné au taux
ZC 1 an en année 1, il donne le taux ZC 2 ans.

Zéro – coupon : Placement de type obligataire pour lequel les intérêts sont reversés
intégralement à l’échéance, et non périodiquement.

Page | 188
ANNEXE 2 : Rappel des abréviations utilisées.

BV = Book value, ou valeur comptable d’un actif.

CA = chiffre d’affaires.

EMS = Exigence de marge de solvabilité.

EV = Embedded Value.

IF = In Force (affaires existantes).

MCR = Minimum Capital Requirement.

MV = Market value, ou valeur de marché d’un actif.

NB = New Business (affaires nouvelles).

O&G = Options et garanties.

PAF = Provision pour aléas financiers.

PB = Participation aux bénéfices.

PGG = Provision globale de gestion.

PM = Provisions mathématiques.

PRE = Provision pour risque d’exigibilité.

PPE = Provision pour participation aux excédents (pour le lissage de la PB dans le temps).

PVFP = Present value of future profits.

RDC = Réserve de capitalisation.

SCR = Solvency Capital Requirement.

TME = Taux moyen d’emprunt d’Etat (taux auquel emprunte l’Etat).

TMG = Taux minimum garanti (rémunération minimum sur un contrat d’assurance).

UAR = PPE.

UC = Unités de compte (contrats reposant sur des titres).

Page | 189
UCGL = Unrealized capital gains/losses, ou plus/moins values latentes.

VAP = Valeur actuelle probable (flux * probabilité du flux * taux d’actualisation).

VaR = Value at Risk (quantile).

Page | 190
ANNEXE 3 : Modélisation de la gestion d’un contrat en UC.

Rappel : Le terme unités de compte (UC) désigne les formes d’assurance pour
lesquelles la totalité de la prestation est exprimée dans une unité de compte différente de la
monnaie ayant cours sur le marché d’émission du contrat. Les UC correspondent en général
à des parts de fonds d’investissement. La valeur monétaire de la prestation est fixée
seulement au moment de son paiement, en fonction de la valeur de marché courante de
chaque unité individuelle. Les risques reliés à l’évolution de leurs valeurs pèsent sur le
souscripteur et non sur l’assureur. Ce dernier peut néanmoins en assumer une part, en
distribuant une garantie de prestation minimale. On peut comprendre que la confrontation
des primes et des prestations requiert une approche différente de celle des contrats en
euro. Nous allons voir à travers un exemple de contrat moderne ce mécanisme.

On considère un contrat d’assurance en unités de compte de type mixte, sans


garantie de prestation minimale sur la somme assurée en cas de vie. On adopte les notations
suivantes pour un contrat en portefeuille à l’année .

Notation Signification
Valeur de l’unité de compte à la date t
Prime (totale) payée à la date t-1
Nombre d’unités de compte acquises à la date t-1 avec la prime
Nombre d’unités de compte accumulées par le souscripteur à la date t, s’il est en vie
Prestation à la date t en cas de décès
Chargement imputé au contrat à la date t-1, au titre de frais de gestion

On notera également pour alléger les notations.

La provision mathématique à la date t s’exprime comme22 :

correspond au fond accumulé par le contrat, étant donné qu’une telle quantité
représente la valeur courante de l’investissement du souscripteur.
En supposant que la prime, nette de toutes commissions, soit totalement investie en
UC, on a alors :

La nécessité de gérer le contrat de manière équilibrée s’écrit

Page | 191
22
Voir Olivieri A., Pitacco E. [16]
Ces deux équations correspondent à l’équation de récurrence des provisions pour les
formes d’assurance traditionnelles. Une différence essentielle tient à ce que l’évaluation
financière est fondée pour les contrats en euro sur le taux minimum garanti i, tandis qu’on
utilise pour les contrats en UC le rendement de l’unité de compte pendant l’année (égal à
). On voit donc que la base technique utilisée pour les contrats en UC se compose de
la seule table de survie, avec laquelle les probabilités annuelles de décès sont
calculées. L’équation (A3.4) permet de calculer le nombre de parts accumulées par le
contrat à la fin de l’année. Ceci requiert donc de définir , la prestation en cas de décès. Des
exemples de spécification sont :

Où α est habituellement préfixé à la signature du contrat, tandis que le montant


peut être fixé soit à la signature, soit au début de chaque année, en fonction des valeurs
passées des provisions (par exemple ). Dans le cas de la prestation
définie en (A3.5), le calcul du nombre de parts est exact et ne requiert pas de prévisions
des valeurs futures de la part, puisque l’équation se simplifie alors en :

Dans le cas donné par la formule (A3.6), au contraire, le nombre peut s’obtenir
seulement de manière approchée et requiert aussi la prévision de la valeur de la part en fin
d’année. En effet, la prestation en cas de décès prend sa source dans la confrontation entre
un montant donné en début d’année ( ) et un montant aléatoire ( ). Dans chaque cas, le
financement de la prestation en cas de décès entraîne une consommation d’unités de
compte. On a donc habituellement , sauf si la prestation en cas de décès
coïncide avec certitude avec (on a alors égalité).
La formule (A3.6) fournit un exemple de garantie de prestation minimale où
nécessairement , étant un montant connu. S’il s’agit d’une garantie octroyée en
cas de décès, elle possède un double but. Habituellement, l’ordre de grandeur de est tel
que pendant les premières années du contrat, où a approximativement l’ordre de
grandeur des versements déjà effectués par le souscripteur. Le premier but de la garantie
minimale est de fournir une prestation d’importance non négligeable par rapport aux primes
payées pour un contrat en cas de décès, et lorsque celui-ci survient tôt. Quand atteint
l’ordre de grandeur de , la garantie a un rôle purement financier : elle sert à couvrir les
réductions possibles de rendement de la part.
L’introduction d’une éventuelle garantie minimale pour la prestation en cas de survie
a une raison essentiellement financière. Dans sa formule la plus simple, la prestation
garantie est donnée par :

Avec G le montant préfixé à l’ouverture du contrat.

Page | 192
Cette formule peut aussi s’écrire

La quantité est la valeur à l’échéance d’une option de vente


européenne de prix d’exercice G, et représente la garantie accordée. Evaluer ce type de
garantie pose des problèmes techniques, car l’importance des provisions à l’échéance ne
dépend pas seulement du rendement de la part, mais aussi de l’importance des versements
effectués durant toute la période contractuelle. Une part de la prime périodique doit de
toute façon être employée pour financer la garantie.

Page | 193
ANNEXE 4 : Evaluation de la valeur d’une obligation.

Plusieurs méthodes d’évaluation sont possibles.

 La première et la plus simple est fondée sur la duration moyenne du


portefeuille.
La duration d’une série de flux fixes (définition qui convient très bien aux actifs
obligataires) est définie par :

Où VA est la valeur actuelle de l’obligation.

Les sont les flux de l’obligation.


On peut définir, connaissant la valeur de marché MV de l’obligation, le taux de
rendement actuariel, ou taux implicite défini par la valeur de r telle que

Après un changement de taux, la valeur d’un portefeuille d’obligations est :

Où est le taux de rendement implicite du portefeuille obtenu à partir de la


valeur de marché à la date présente, et le taux de rendement simulé du
portefeuille dans le scénario envisagé. est égal à auquel on retranche la
différence entre le taux d’emprunt d’état à 10 ans à la date présente et le taux simulé.

 Une deuxième approche plus fine calcule actif par actif le taux
implicite.
La formule est la même que la précédente à ceci près qu’on remplace les valeurs du
portefeuille par celles d’une seule obligation.

 La troisième approche consiste à utiliser les flux.

Page | 194
Où les Fi sont les flux financiers de l’obligation et est égal à
auquel on retranche la différence entre le taux d’emprunt d’état à 10 ans à la date présente
et le taux simulé.

 Une quatrième méthode consiste à utiliser les zéro-coupons.


La formule est analogue à la troisième méthode, mais on remplace par le
taux zéro-coupon (ou taux spot) à i années.

Taux actuariel d’une obligation

Le taux actuariel d’une obligation est le taux d’actualisation qui, appliqué


identiquement à tous les flux, donne le prix de marché de l’obligation. Si par exemple, une
obligation à 4 ans de coupon 3% est cotée 98,39€, le taux actuariel y vérifie l’équation

Ce genre d’équation est obtenu par une méthode itérative du type Newton-Raphson.
Elle permet de résoudre des équations non-linéaires du type f(y)=0. Elle débute en
estimant une première possibilité y0, et en construisant une suite itérative (yn) définie par

Page | 195
ANNEXE 5 : Article L. 132-23, Assurances dépourvues de réduction ou de
rachat.

Les assurances temporaires en cas de décès ainsi que les rentes viagères immédiates
ou en cours de service ne peuvent comporter ni réduction ni rachat. Les assurances de
capitaux de survie et de rente de survie, les assurances en cas de vie sans contre-assurance
et les rentes viagères différées sans contre-assurance ne peuvent comporter de rachat.

Les contrats d'assurance de groupe en cas de vie dont les prestations sont liées à la
cessation d'activité professionnelle, y compris les contrats qui relèvent du régime de retraite
complémentaire institué par la Caisse nationale de prévoyance de la fonction publique, ne
comportent pas de possibilité de rachat. Les contrats qui relèvent du régime de retraite
complémentaire institué par la Caisse nationale de prévoyance de la fonction publique
peuvent prévoir, à la date de cessation d'activité professionnelle, une possibilité de rachat
dans la limite de 20 % de la valeur des droits individuels résultant de ces contrats. Toutefois,
ces contrats doivent prévoir une faculté de rachat intervenant lorsque se produisent l'un ou
plusieurs des événements suivants :

- expiration des droits de l'assuré aux allocations chômage prévues par le code du
travail en cas de licenciement, ou le fait pour un assuré qui a exercé des fonctions
d'administrateur, de membre du directoire ou de membre de conseil de surveillance,
et n'a pas liquidé sa pension dans un régime obligatoire d'assurance vieillesse, de ne
pas être titulaire d'un contrat de travail ou d'un mandat social depuis deux ans au
moins à compter du non-renouvellement de son mandat social ou de sa révocation ;

- cessation d'activité non salariée de l'assuré à la suite d'un jugement de liquidation


judiciaire en application des dispositions du livre VI du code de commerce ou toute
situation justifiant ce rachat selon le président du tribunal de commerce auprès
duquel est instituée une procédure de conciliation telle que visée à l'article L. 611-4
du code de commerce, qui en effectue la demande avec l'accord de l'assuré ;

- invalidité de l'assuré correspondant au classement dans les deuxième ou troisième


catégories prévues à l'article L. 341-4 du code de la sécurité sociale ;

- décès du conjoint ou du partenaire lié par un pacte civil de solidarité ;

- situation de surendettement de l'assuré définie à l'article L. 330-1 du code de la


consommation, sur demande adressée à l'assureur, soit par le président de la
commission de surendettement des particuliers, soit par le juge lorsque le déblocage

Page | 196
des droits individuels résultant de ces contrats paraît nécessaire à l'apurement du
passif de l'intéressé.

Les droits individuels résultant des contrats d'assurance de groupe en cas de vie dont
les prestations sont liées à la cessation d'activité professionnelle, y compris les contrats qui
relèvent du régime de retraite complémentaire institué par la Caisse nationale de
prévoyance de la fonction publique, sont transférables, dans des conditions fixées par
décret.

Pour les autres assurances sur la vie et pour les opérations de capitalisation,
l'assureur ne peut refuser la réduction ou le rachat.

L'assureur peut d'office substituer le rachat à la réduction si la valeur de rachat est


inférieure à un montant fixé par décret.

Page | 197
ANNEXE 6 : Market Consistent Embedded Value (MCEV) Principles.

Dans le cadre de la MCEV, les évaluations doivent être menées en respectant une
cohérence avec des observations réalisées sur les marchés financiers. Les flux engendrés par
l’activité d’assurance sont valorisés de la même façon qu’ils le seraient dans le cadre d’un
instrument financier portant les mêmes risques et coté sur un marché financier 23.

Principe 1 : La MCEV est une mesure de la valeur des revenus consolidés de


l’assureur générés par le portefeuille de contrats existants.

Principe 2 : Le portefeuille de contrats considéré doit être clairement identifié et


défini.
Il doit comporter au minimum tous les contrats considérés comme des contrats
d’assurance-vie à long-terme.

Principe 3 : La MCEV représente la valeur actuelle des profits de l’assureur


provenant des revenus distribuables des actifs alloués au portefeuille existant, en prenant
en compte tous les risques associés. La considération de ces risques doit être calibrée sur
la valeur de marché observée de ces risques, lorsqu’elle est suffisamment fiable. La MCEV
est constituée des éléments suivants :
- Le free surplus alloué au portefeuille existant
- Le required capital
- La VIF
La valeur des affaires nouvelles (New Business) est exclue du calcul. Le concept de
cohérence avec les marchés consiste à évaluer les passifs d’assurance, et donc des profits de
l’assureur, comme s’ils étaient des actifs échangés sur les marchés avec des cash-flows
identiques.

Principe 4 : Le free surplus est la valeur de marché de tous les actifs alloués au
portefeuille existant qui ne sont pas requis pour son adossement.
Elle est déterminée en prenant la valeur de marché des actifs non adossés au passif
et en excès du required capital en support du portefeuille existant.

Principe 5 : Le required capital est la valeur de marché des actifs non adossés au
passif sur le portefeuille existant, et dont la distribution aux actionnaires est restreinte.
Il doit être au moins égal au montant de capital requis par les normes Solvency.

Principe 6 : La valeur de l’In-Force (VIF) est constituée des éléments suivants.


- Present value of future profits (où les profits sont les cash-flows
après impôts de l’assureur provenant du portefeuille existant) ou PVFP
- La valeur temps des options et garanties
- Le coût de friction du required capital
- Le coût des risques non couvrables

Page | 198
23
Source : CFO Forum [20].
Les cash-flows et le passif projetés sont nets de réassurance. La PVFP comprend la
valeur intrinsèque des options et garanties.

Principe 7 : La MCEV doit prendre en compte l’impact de toutes les options et


garanties financières sur les cash-flows futurs de l’assureur issus du portefeuille actuel. Ce
calcul doit être fondé sur des techniques stochastiques et des méthodes et hypothèses
cohérentes avec l’embedded value sous-jacente. Tous les cash-flows projetés doivent être
évalués à l’aide d’hypothèses économiques en cohérence avec les prix de cash-flows
similaires qui sont échangés sur les marchés financiers.
L’évaluation des options et garanties doit prendre comme condition initiale la
répartition d’actif observée à la date d’évaluation.
Certains aspects du comportement de l’assureur et de l’assuré doivent être pris en
compte, comme le paiement des sinistres quelle que soit la situation de l’actif, le respect des
lois et des garanties contractuelles, des changements dans les décisions de taux crédités et
des bonus aux assurés, variant selon l’environnement économique, le comportement
dynamique des assurés, etc.
Les techniques utilisées pour le calcul des options et garanties doivent prendre en
compte une variation stochastique dans les conditions économiques futures en cohérence
avec le principe 15. Les projections économiques doivent respecter les principes 12, 13 et
14.

Principe 8 : Les coûts de friction du required capital doivent être pris en compte.
Ces coûts de friction reflètent les impôts et les coûts d’investissement appliqués sur
les actifs adossés au required capital.

Principe 9 : Les coûts des risques financiers et non-financiers non couvrables (hors
ceux des options et garanties et de la PVFP) doivent être pris en compte.
C’est le cas par exemple lorsque les modèles utilisés ne calibrent pas avec les
données de marché (absence de marché ou illiquidité).

Principe 10 : Le New Business est défini par les ventes de nouveaux contrats
d’assurance ou par l’augmentation des contrats du portefeuille existant sur la période
considérée. La MCEV ne prend pas en compte le New Business.
Les exemples suivants sont considérés comme du New Business :
- Signature d’un nouveau contrat
- Nouvelle police d’assurance
- Nouveaux tarifs
La valeur du New Business est calculée après impôts et après coût des options et
garanties, après CReC, et après CNHR.

Principe 11 : L’estimation des hypothèses utilisées pour les projections futures doit
être fondée sur l’expérience passée, présente, et attendue dans le futur, et sur toute autre
donnée d’expérience.
Il y a primauté du particulier sur le général. Ces hypothèses doivent faire l’objet d’une
réévaluation fréquente, au moins annuelle.
Les données de mortalité et de coût reposeront de préférence sur les données
internes.

Page | 199
Principe 12 : Les hypothèses économiques doivent être cohérentes avec les
données internes à l’entreprise et doivent être déterminées de façon cohérente avec les
prix de marché de cash-flows similaires.
Les hypothèses économiques doivent être réévaluées à chaque nouveau calcul de
MCEV.
Les hypothèses d’inflation doivent provenir des données de marché.
La valeur des actifs considérés ne doit pas être modifiée par rapport à leur valeur
observée sur les marchés.
Les retours d’investissement doivent être ceux réellement observés.

Principe 13 : La VIF doit être actualisée en utilisant des taux identiques à ceux qui
seraient utilisés pour évaluer les mêmes cash-flows sur les marchés de capitaux.
Pour les cash-flows qui ne dépendent pas, ou varient linéairement avec les marchés,
on peut supposer que les actifs rapportent un taux de référence défini au principe 14.
Pour les cash-flows comportant des options et garanties financières qui ne varient
pas linéairement avec les marchés, les cash-flows des actifs peuvent être projetés et tous les
autres cash-flows peuvent être actualisés en utilisant des modèles stochastiques risque-
neutre. Les taux de référence sont utilisés en tant que taux sans risque.

Principe 14 : Le taux de référence est utilisé à la place du taux sans risque, et est
approprié à la monnaie, à l’échéance et à la liquidité des cash-flows du passif considérées.
- Pour les passifs liquides, le taux de référence sera pris, dans la
mesure du possible, à partir de la courbe des taux swap de la monnaie
considérée.
- Pour les passifs non liquides, le taux de référence sera pris à partir de
la courbe des taux swap avec inclusion d’une prime de liquidité.

Si les données de marché sur les courbes de taux n’ont pas une échéance suffisante,
on pourra supposer que les taux restent constants à longue échéance, ou utiliser une courbe
des taux d’obligations d’Etat si elle existe.
Si l’échéance n’est pas disponible dans les données de marché, on pourra procéder
par interpolation.
Si l’entreprise investit dans des actifs à taux fixes mais différents des taux de
référence, elle doit procéder à des ajustements pour coller avec les valeurs de marché des
actifs.

Principe 15 : Les modèles stochastiques et les paramètres associés doivent être


appropriés par rapport au portefeuille existant, aux données internes à l’entreprise, et
fondés sur les données de marché les plus récentes. Les hypothèses de volatilité doivent
reposer sur les volatilités implicites des produits dérivés plutôt que sur les données
historiques des instruments sous-jacents.
Le calibrage du modèle doit reposer sur les volatilités implicites des options sur
actions, des taux swap, etc., avec la plus grande précision possible.
Si des données récentes ne sont pas disponibles, des avis d’experts pourront être
utilisés.

Page | 200
Les corrélations entre taux de rendement des actifs doivent reposer sur des données
couvrant un nombre d’années suffisant. La méthode pour déterminer ces corrélations ne
devrait pas évoluer d’une année à l’autre.

Principe 16 : Des hypothèses doivent être déterminées quant aux taux de bonus
futurs et quant à la répartition des profits entre assureur et assurés. Elles doivent reposer
sur les pratiques de l’entreprise et les prix observés sur les marchés.
Les réglementations en matière de participation aux bénéfices doivent être
respectées.
Les montants des bonus projetés doivent dépendre des rendements futurs projetés.
Les pratiques de l’entreprise en la matière doivent être prises en compte.
Lorsqu’il existe une pratique spécifique sur l’allocation des bonus, y compris la
réalisation d’UCGL, les hypothèses de projection doivent prendre en compte la pratique
observée dans le passé et l’influence du marché.

Principe 17 : Les résultats MCEV doivent être publiés au niveau du groupe


consolidé, en précisant clairement quel est le périmètre considéré dans les calculs. Sauf en
cas de non matérialité, la conformité aux principes MCEV est obligatoire et doit être
explicitement démontrée.
La MCEV doit être calculée au moins une fois par an.
Il est nécessaire de préciser comment les hypothèses économiques et internes sont
déterminées, quels taux de marché de référence sont utilisés, quelles méthodes sont
employées pour le calcul des volatilités et des corrélations, quels taux de change sont
utilisés.
Une description brève et claire du portefeuille existant est demandée, les
retraitements de consolidation, y compris réassurance sont à expliciter. Le détail du calcul de
la MCEV et de ses composantes est à donner, ainsi que les méthodes utilisées.
Le montant, la nature et l’impact d’un éventuel développement ou coût exceptionnel
sont à expliquer.
Un résumé des caractéristiques des modèles utilisés pour les options et garanties doit
être fourni, ainsi que le résultat du calibrage et de la réconciliation.
Une analyse de mouvement est à mener pour expliquer le passage de la valeur de
l’année passée à la valeur actuelle.
Une Group MCEV (MCEV + New Business) doit également être présentée.
Des tests de sensibilité doivent être effectués au moins chaque année. Pour les
entreprises publiant leur MCEV plus fréquemment, il n’est pas nécessaire de mettre à jour
les valeurs de sensibilités pour les périodes intermédiaires. Les sensibilités à calculer sont au
minimum les suivantes.
- +/- 100 points de base sur les taux
L’objectif est d’étudier l’impact d’un changement brutal de la courbe des taux. Toute
la courbe est translatée parallèlement, mais les taux doivent rester positifs. Un tel
changement de taux provoque également un changement d’autres hypothèses, phénomène
qui doit être pris en compte.

- - 10% sur la valeur des actions


L’objectif est d’étudier l’impact d’un changement brutal des valeurs de marchés de
certains actifs.

Page | 201
- +25% sur la volatilité implicite des actions
Cette sensibilité permet de quantifier l’impact d’un tel changement de volatilité sur le
coût des options et garanties.

- +25% sur la volatilité des swaptions


Cette sensibilité permet de quantifier l’impact d’un tel changement de volatilité sur le
coût des options et garanties.

- -10% sur les coûts de gestion


Cette sensibilité est appliquée aux coûts projetés.

- -10% sur les taux de rachat (un taux de 5% devient 4,5%)


Cette sensibilité doit refléter une baisse des taux de rachat. Une analyse séparée des
contrats influencés positivement ou négativement à ce choc n’est pas nécessaire.

- -5% appliqué proportionnellement aux taux de mortalité et de


longévité
Il est intéressant pour une compagnie d’assurance de connaître séparément l’effet
d’un changement des tables de mortalité sur les contrats d’assurance vie et sur les contrats
en rente, étant donné que le comportement futur de ces deux classes de population
assurées peut varier significativement. Cette sensibilité doit aussi inclure une description de
la manière dont sont modélisées ou non les futures décisions managériales en réaction à ce
changement de tables de mortalité (modifications des tarifs par exemple).

- Required capital égal au capital minimum défini par Solvency


Le calcul du required capital peut reposer sur d’autres mesures économiques que
celles données par Solvency. Dans cette sensibilité, le montant du required capital doit être
égal au montant de capital défini par Solvency, celui-ci devant être précisé.

Page | 202
ANNEXE 7 : Modèles autorégressifs AR(p).

Définition

Un processus autorégressif d’ordre p, noté AR(p) est donné par 24 :

Les coefficients sont les paramètres du modèle, et les sont des bruits blancs
i.i.d. d’espérance nulle et de variance et indépendant des .

Cas d’un AR(1)

Preuve par récurrence


 Pour t≥2, on suppose la propriété vraie au rang t-1
Par définition,

Condition de stationnarité

Théorème

Si , le processus est stationnaire.

Dans ce cas, ,

Si , le processus est une marche aléatoire.

Si , le processus est explosif.


Page | 203
24
Voir Hamilton J. D. [9]
Cas d’un AR(p)

Sans perte de généralité, on peut supposer la constante nulle.

Le problème peut s’écrire sous forme


matricielle :

On est ramené au cas d’un modèle AR(1).

Pour étudier la stationnarité, on considère le problème .

Etudions alors les valeurs propres de M, en résolvant :

Notons les racines complexes de ce polynôme caractéristique. On

Il vient

Théorème

Le processus AR(p) est stationnaire si les modules des racines du polynôme


caractéristique sont tous strictement inférieurs à 1.

Page | 204
Propriétés

Dans le cas d’un processus stationnaire, la moyenne se calcule par :

La variance, les auto-covariances et les auto-corrélations sont obtenues à partir des


formules suivantes (en supposant la constante nulle sans perte de généralité).

Pour j=0, on trouve la variance car

En notant , on obtient :

Si j>0, . En divisant par , on a :

Choix du retard p

Dans la plupart des situations, on ignore quelle valeur doit prendre p. Le choix
s’effectue au cas par cas, mais il convient de remarquer de façon générale que :

 Si p est trop petit, le modèle souffrira d’un biais de spécification, et les résidus
peuvent ne pas suivre une loi normale,
 Si p est trop grand, le modèle sera lourd et complexe à manipuler,
 On conserve en général tous les degrés du polynôme caractéristique. Dans un
AR(4) par exemple, on n’omet pas les retards 2 et 3.

Page | 205
ANNEXE 8 : Régression logistique.

Rappel du modèle25

Vraisemblance conditionnelle

On cherche

On suppose les observations i.i.d.

Comme ,

Car .

En posant et ,

Page | 206
25
Voir Vayatis N. [8], Dr Mancini J. [11], Theodoridis S., Koutroumbas K. [12]
Estimateurs des paramètres

L’optimisation de donne les équations suivantes.

Ici, la solution n’est pas explicite. On peut en revanche obtenir des résultats en
continuant à dériver.

En résumé, nous avons donc :

Où .

Où .

Algorithme de Newton-Raphson

Il s’écrit dans notre cas sous la forme suivante.

Ce qui donne, en simplifiant les expressions précédentes,

Page | 207
Il s’agit de l’estimateur des moindres carrés pondérés par .

Page | 208
ANNEXE 9 : Liste des variables macroéconomiques considérées.

Les variables étudiées pour la régression logistique sont les suivantes.

TEC 1 an (Taux Echéance Constante)

TEC 2 ans

TEC 3 ans

TEC 5 ans

TEC 7 ans

TEC 10 ans

TEC 15 ans

TEC 20 ans

TEC 25 ans

TEC 30 ans

***

Taux de référence des Bons du Trésor à 1 mois – moyenne mensuelle

Taux de référence des Bons du Trésor à 3 mois – moyenne mensuelle

Taux de référence des Bons du Trésor à 6 mois – moyenne mensuelle

Taux de référence des Bons du Trésor à 9 mois – moyenne mensuelle

Taux de référence des Bons du Trésor à 12 mois – moyenne mensuelle

Taux de référence des Bons du Trésor à 2 ans – moyenne mensuelle

Taux de référence des Bons du Trésor à 5 ans – moyenne mensuelle

Taux de l’emprunt phare français à 10 ans

Taux de l’emprunt phare français à 30 ans

***

Taux interbancaire de l’argent au jour le jour (EONIA) – moyenne mensuelle

Taux de l’EURIBOR à 1 mois – moyenne mensuelle

Page | 209
Taux de l’EURIBOR à 3 mois – moyenne mensuelle

Taux de l’EURIBOR à 6 mois – moyenne mensuelle

Taux de l’EURIBOR à 9 mois – moyenne mensuelle

Taux de l’EURIBOR à 12 mois – moyenne mensuelle

***

TME (Taux moyen des emprunts d’Etat)

Taux livret A

***

CAC 40 – ouverture 1er jour du mois

CAC 40 – moyenne mensuelle

CAC 40 – moyenne mobile à 6 mois

CAC 40 – moyenne mobile à 1 an

CAC 40 – volatilité sur le mois

CAC 40 – volatilité sur 6 mois

CAC 40 – volatilité sur 1 an

***

SMIC horaire brut

***

IPC (Indice des Prix à la Consommation)

Inflation mensuelle – m/m-1

Inflation glissante – m/m-12

IPC – Carburants et lubrifiants

IPC – Achats de véhicules

IPC – Utilisation de véhicules personnels

IPC – Services de transport

***

Taux de change EUR/USD

Taux de change EUR/YEN

Page | 210
***

Consommation mensuelle des ménages en biens – Biens durables

Consommation mensuelle des ménages en biens – Textile, cuir

Consommation mensuelle des ménages en biens – Autres biens fabriqués

Consommation mensuelle des ménages en biens – Produits fabriqués (total des 3)

Consommation mensuelle des ménages en biens – Equipement du logement

Consommation mensuelle des ménages en biens – Automobiles

Consommation mensuelle des ménages en biens – Produits manufacturés

Consommation mensuelle des ménages en biens – Biens durables d’équipement


personnel

Consommation mensuelle des ménages en biens – Energie, eau, traitement des


déchets

Consommation mensuelle des ménages en biens – Produits pétroliers

Consommation mensuelle des ménages en biens – Energie, eau, traitement des


déchets, hors produits pétroliers

Consommation mensuelle des ménages en biens – Alimentaire

Consommation mensuelle des ménages en biens – Biens

***

PIB trimestriel

Croissance

Balance des paiements – Solde – Comptes de transactions courantes

***

Indicateur de climat des affaires – Tous secteurs – France métropolitaine

Indicateur de retournement – Tous secteurs – France métropolitaine

***

Opinion sur le niveau de vie passé en France – Solde des réponses « amélioration » -
« détérioration » (%)

Opinion sur le niveau de vie futur en France – Solde des réponses « amélioration » -
« détérioration »

Opinion sur l’opportunité d’épargner – Solde des réponses « favorable » -


« défavorable »

Page | 211
Opinion sur leur capacité d’épargne actuelle – Solde des réponses « favorable » -
« défavorable »

Opinion sur leur situation financière passée – Solde des réponses « amélioration » -
« détérioration »

Opinion sur leur situation financière future – Solde des réponses « amélioration » -
« détérioration »

Opinion sur leur capacité d’épargne future – Solde des réponses « amélioration » -
« détérioration »

Indicateur résumé de confiance des ménages – Moyenne arithmétique d’indicateurs

Intentions d’achats de voitures – Solde des réponses « Intentions d’achats » - « Pas


d’achat envisagé »

Intentions d’achats de logement (dans un délai de 2 ans) – Solde des réponses


« Intentions d’achats » - « Pas d’achat envisagé »

***

Indice de référence des loyers (IRL – Base 100 4ème trimestre 1998)

***

Nombre de défaillances d’entreprises par date de jugement – France entière –


Industrie

Nombre de défaillances d’entreprises par date de jugement – France entière –


Industrie manufacturière

Nombre de défaillances d’entreprises par date de jugement – France entière –


Construction

Nombre de défaillances d’entreprises par date de jugement – France entière –


Commerce, transports, hébergement et restauration

Nombre de défaillances d’entreprises par date de jugement – France entière –


Commerce

Nombre de défaillances d’entreprises par date de jugement – France entière –


Transport

Nombre de défaillances d’entreprises par date de jugement – France entière –


Hébergement et restauration

Nombre de défaillances d’entreprises par date de jugement – France entière –


Information et télécommunication

Nombre de défaillances d’entreprises par date de jugement – France entière –


Activités financières

Page | 212
Nombre de défaillances d’entreprises par date de jugement – France entière –
Activités immobilières

Nombre de défaillances d’entreprises par date de jugement – France entière –


Activités de service

Nombre de défaillances d’entreprises par date de jugement – France entière –


Enseignements, santé, action sociale

Nombre de défaillances d’entreprises par date de jugement – France entière – Autres


activités de service

Nombre de défaillances d’entreprises par date de jugement – France entière –


Ensemble

***

Taux de chômage au sens du BIT – Ensemble France métropolitaine

***

Indice des taux de salaire horaire des ouvriers par activité – Ensemble des secteurs
non agricoles

Indice des salaires mensuels de base par activité – Ensemble des secteurs non
agricoles

Indice du coût du travail, salaires et charges – Ensemble des secteurs

***

Population en France métropolitaine

Taux de nuptialité en France métropolitaine (mariages pour 1 000 habitants)

Taux de natalité en France métropolitaine (naissances pour 1 000 habitants)

Taux de mortalité en France métropolitaine (décédés pour 1 000 habitants)

***

Construction logement – Situation de la construction – Logements autorisés

***

Transports – Fret aérien (millions de tonnes) – Aéroports de Paris

Transports – Secteur automobile – Immatriculations de voitures particulières neuves

Transports – Secteur automobile – Production de voitures particulières (en milliers)

Transports – Voyageurs SNCF (milliards de voyageurs-km) – Ile-de-France

Transports – Voyageurs – Paris vols internationaux (milliers de passagers)

Page | 213
***

Démographie des entreprises – Créations d’entreprises

Indice des prix internationaux des matières premières importées – Ensemble

Indice des prix internationaux des matières premières importées – Matières


alimentaires – Ensemble

Indice des prix internationaux des matières premières importées – Denrées tropicales

Indice des prix internationaux des matières premières importées – Oléagineux

Indice des prix internationaux des matières premières importées – Céréales

Indice des prix internationaux des matières premières importées – Sucre

Indice des prix internationaux des matières premières importées – Viande de bœuf
empaquetée

***

Cours internationaux des matières premières importées – Aluminium (Londres - $/t)

Cours internationaux des matières premières importées – Argent (US - cents/once)

Cours internationaux des matières premières importées – Blé (Chicago - cents/bois –


60lb)

Cours internationaux des matières premières importées – Bois tropicaux sciés


(Royaume-Uni - $/m3)

Cours internationaux des matières premières importées – Caoutchouc naturel SMR


20 (Malaisie - ringgits/kg)

Cours internationaux des matières premières importées – Cacao (New York - $/t)

Cours internationaux des matières premières importées – Café Arabica (New York -
cents/lb)

Cours internationaux des matières premières importées – Café Robusta (New York -
cents/lb)

Cours internationaux des matières premières importées – Conifère scié (Colombie


Britannique - $/1 000 board feet)

Cours internationaux des matières premières importées – Coton (Liverpool - cents/lb)

Cours internationaux des matières premières importées – Cuir de bovin (US -


cents/livre)

Cours internationaux des matières premières importées – Cuivre (Londres - $/t)

Cours internationaux des matières premières importées – Huile d’olive (£/t)

Page | 214
Cours internationaux des matières premières importées – Huile de palme ($/t)

Cours internationaux des matières premières importées – Huile de tournesol (£/t)

Cours internationaux des matières premières importées – Maïs (cents/boisseau)

Cours internationaux des matières premières importées – Minerai de fer brésilien ($


FE UNIT)

Cours internationaux des matières premières importées – Nickel (Londres - $/t)

Cours internationaux des matières premières importées – Or (Londres - $/troy oz)

Cours internationaux des matières premières importées – Palladium (Londres - $/troy


oz)

Cours internationaux des matières premières importées – Pâte à papier ($/t)

Cours internationaux des matières premières importées – Platine (Londres - $/troy


oz)

Cours internationaux des matières premières importées – Plomb (Londres - $/t)

Cours internationaux des matières premières importées – Riz long Thaï blanc
(Bangkok - $/t)

Cours internationaux des matières premières importées – Soja (graines)

Cours internationaux des matières premières importées – Sucre (New York - cents/lb)

Cours internationaux des matières premières importées – Thé (best BP1 Keynia -
$/kg)

Cours internationaux des matières premières importées – Titane 70% Ferrotitannium


(US - $/livre)

Cours internationaux des matières premières importées – Tourteaux de soja (Chicago


- $/once)

Cours internationaux des matières premières importées – Viande de bœuf


empaquetée (Omaha - $/livre)

Cours internationaux des matières premières importées – Zinc (Londres - $/t)

Indice de prix et cours internationaux des matières premières importées – Indice


Moody’s

Indice de prix et cours internationaux des matières premières importées – Indice


Reuter

***

Indice de la production industrielle – Indices bruts – Biens d’investissement

Page | 215
Indice de la production industrielle – Indices bruts – Biens intermédiaires

Indice de la production industrielle – Indices bruts – Biens de consommation durables

Indice de la production industrielle – Indices bruts – Biens de consommation non


durables

Page | 216
Bibliographie

[1] Code des Assurances. 2011.

[2] Aubry D., Mécanique. Paris, Ecole Centrale Paris, 2008.

[3] De Cremiers L., Statistique approfondie. Paris, Université Paris Dauphine,


2010.

[4] Eraker B., The Vasicek Model. Wisconsin School of Business, 2010.

[5] Gabet L., Mathématiques financières. Paris, Ecole Centrale Paris, 2010.

[6] Muni Toke I., Modèles stochastiques de taux d’intérêt. Paris, Ecole Centrale
Paris, 2010.

[7] Phan T., Statistique. Paris, Ecole Centrale Paris, 2007.

[8] Vayatis N., Statistiques et data-mining. Paris, Ecole Centrale Paris, 2010.

[9] Hamilton J. D., Time Series Analysis, Princeton N.J., Princeton University Press,
1994.

[10] Heston S. L., A closed-form solution for options with stochastic volatility with
applications to bond and currency options, Yale CT, The review of financial studies, Oxford
University Press, 1993.

[11] Dr Mancini J., Régression logistique. Marseille, Faculté de Médecine de


Marseille, Université de la Méditerranée, 2010.

[12] Theodoridis S., Koutroumbas K., Pattern recognition. Elsevier, USA, Academic
Press, 2006.

[13] Le Vallois F., Tosetti A., Palsky P., Paris B., Gestion actif passif en assurance
vie, Economica, 2003.

[14] Befec Price Waterhouse, Assurance vie: normes et réglementation


comptables, L’Argus, 1999.

[15] Levitt Steven D., Dubner Stephen J., Freakonomics, William Morrow, 2005.

[16] Olivieri A., Pitacco E., Assurance-vie : évaluer les contrats et les portefeuilles,
Village Mondial, 2008.

[17] Fiscalité de l’assurance vie. (2011) http://assurance-


vie.lesdossiers.com/fiches-pratiques/fiscalite-assurance-vie

[18] Bases de données de l’Insee. (2011) http://www.insee.fr/fr/bases-de-


donnees/default.asp?page=indices.htm

[19] European Central Bank. (2011) http://www.ecb.int/ecb/html/index.fr.html

Page | 217
[20] CFO Forum. (2011) http://www.cfoforum.nl/

[21] EIOPA. (2011) https://eiopa.europa.eu/home/index.html

[22] Lunven S., Le rachat : un droit pour l’assuré, un risque pour l’assureur.
Mémoire d’actuariat EURIA, 2008.

[23] ACAM. QIS4, orientations nationales complémentaires aux spécifications


techniques, mai 2008.

[24] Commission Européenne. QIS5 technical specifications, 2010.

[25] Allianz. Allianz Group Facts & Figures Fiscal Year 2010, mai 2011.

[26] Allianz. Embedded Value Guidelines 2010, 2010.

Page | 218

Vous aimerez peut-être aussi