See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/370934807

Support de cours Introduction à l'Actuariat Vie ACT102 CNAM

Preprint · May 2023

CITATIONS READS

0 607

1 author:

Guillaume Gorge
National Conservatory of Arts and Crafts
6 PUBLICATIONS 1 CITATION

SEE PROFILE

All content following this page was uploaded by Guillaume Gorge on 21 May 2023.

The user has requested enhancement of the downloaded file.

ACT 102

G. GORGE

21 mai 2023
Table des matières

I ACT 102 : Actuariat Vie 1

1 Introduction 2
1.1 Qu’est ce que l’actuariat vie . . . . . . . . . . . . . . . . . . . . . 2
1.2 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Construire une table de mortalité 5

2.1 On l’on essaye de créer une table de mortalité moderne . . . . . . 10
2.2 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Problèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3 Les modèles actuariels vie statiques 18

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Qu’est ce qu’un modèle ? . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Les Modèles de mortalité . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Modèle de Gompertz . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6 Problèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4 Intégrer la dimension temporelle des tables de mortalité 31

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 représenter un modèle APC : le Diagramme de Lexis . . . . . . . 32
4.3 Approche dynamique des tables de mortalité . . . . . . . . . . . 33
4.4 Modèle de Lee-Carter . . . . . . . . . . . . . . . . . . . . . . . . 35
4.5 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

5 Solvabilité 40
5.1 Cadre général de la solvabilité . . . . . . . . . . . . . . . . . . . . 40
5.2 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.3 Problèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

6 Introduction aux modèles de Projection 49

6.1 Comprendre IFRS et Solvabilité 2 . . . . . . . . . . . . . . . . . 49
6.2 Pourquoi étudier le risque d’actif dans un cours d’actuariat vie ? 55

7 Introduction aux Générateurs de Scénarios Economiques 57

7.1 Qu’est ce qu’un Modèle ? . . . . . . . . . . . . . . . . . . . . . . 57
7.2 Modèle Généralisé de projection Actif-Passif . . . . . . . . . . . . 59
7.3 Modéliser le rendement ”sans risque” . . . . . . . . . . . . . . . . 62
7.4 Optimisation des Calculs d’un modèle de projection : les modèles
proxy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
7.5 Je retiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
7.6 Problèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

Solutions 68

1
 Première partie

ACT 102 : Actuariat Vie

1
Chapitre 1

Introduction

Act102 - Mathématiques
1.1 Qu’est ce que l’actuariat vie actuarielles fondamentales de
l’assurance vie
Qu’est ce que l’assurance vie (pour un actuaire) ? Kristiano Beijko : Contrôle des
Assurances.
Définition 1 : Assurance vie / décès - définition actuarielle.
Assurance soumis à un aléa lié à la survie ou à la mort d’une ou plusieurs per-
sonnes.

Cela couvre :
— Retraites1 1 En France, la retraite est essen-

— Assurance décès : emprunteur... tiellement par répartition (en de-

hors des mécanismes type PER) et
— Assurance vie dans la plupart des pays donc il n’y pas de principes de pro-
— et l’assurance vie Française ? Ce qu’on appelle assurance vie en France est en visionnement
fait une enveloppe fiscale sans réel aléa sur la vie (mais parfois il y a quelques
options introduisant un aléa vie, comme par exemple l’assurance de donner le
capital initial en cas de mort)

Le métier de l’actuaire est parfois défini comme la prédiction de l’avenir

L’actuaire doit en effet être capable d’évaluer la valeur des engagements :
— Avant la création du produit : Tarification
— En cours de vie :
— Provisionnement : valeur ”espérée”, ”de marché”,...
— Solvabilité : quel capital nécessaire pour couvrir le risque ?
Avec IFRS, Solvabilité II, Ces trois applications utilisent une approche cohérente.

Les mathématiques à la rescousse de la prévision

Paradigme pre-moderne Dans le paradigme pré-moderne, l’aléa est souvent asso-

cié à Dieu (il en reste une trace dans l’expression Acts of God pour qualifier les ca-
lamités). Les pratiques divinatoires utilisent souvent le langage mathématique comme
écriture magique (avec une association entre lettres et chiffres comme pour la Kabbale).

Paradigme moderne Avec la modernité et la Renaissance, l’homme est au centre

de la Création et par sa connaissance, capable de maîtriser le risque : Figure 1.1 : Coupe divinatoire.
Ecritures magiques (bâtons). XIX,
— On a gardé les mathématiques... Empire Ottoman.
— Et développé un langage spécifique : m|n a xy , t p xy ,...
— ce cours est là pour vous initier à ce langage.
Propriété 1
C’est au ”pic de la modernité” (XIX), que l’actuaire apparaît avec le rôle de
traduire le risque en équation mathématique et donc en contrôlant le risque.

2
CHAPITRE 1. INTRODUCTION 3

Pourquoi ne pas s’arrêter à ce paradigme ? Parce que le risque vie n’est pas
uniquement un risque de mortalité

Propriété 2 : Les engagements de l’assureur couvrent plusieurs an-

nées.
Ce n’est pas uniquement un risque de mortalité, c’est aussi un risque financier
(au minimum parce qu’on va toucher des intérêts avant de payer le risque).

Pour simplifier les calculs, on a longtemps fait les hypothèses suivantes qui sont à la
base de l’actuariat vie :
— Tout est simple !
— le risque de mortalité peut se modéliser selon une loi qui va simplifier les calculs
— le taux sans risque (le taux que prêtent les Etats) est le même quelque soit la
durée.
— grâce à cela, des modèles simples et élégants (les nombre de commutations)

Paradigme financier Au XXIe , avec l’assurance vie qui vend essentiellement des
produits d’épargne, avec des options financières, vous devez tarifer, comptabiliser et
calculer les risques comme une ”banque”, avec le paradigme ou le langage financier.
Quel est ce paradigme :
— Marché parfait et complet avec comme conséquence Black & Scholes, Valeur
risque-neutre, calcul stochastique, ...
— moins ambitieux que le paradigme moderne classique qui vise à tout expliquer :
ici, on cherche uniquement à expliquer le marché et la valeur du risque implicite.
— mais il n’en ait pas plus ”juste”, il est juste plus adapté pour les questions
financières (cf paradigme newtonien vs relativité)
— en assurance, le mélange actuariat + finance donne des outils de modélisation
/ simulation (comme Prophet ou Moses) On notera la référence divinatoire
utilisée par ces logiciels

Les Choix pour ce cours : un choix classique Choix possible entre approche
théorique / Pratique et paradigme financier vs paradigme actuariel :
— paradigme actuariel : Choix de la continuité : reprendre les objectifs du cours
qui nous a été transmis l’année dernière : le choix d’une introduction à ACT206,
en mélangeant pratique et théorie.
— Paradigme financier : choix des formations actuarielles comme l’ENSAE : théo-
rie financière d’abord puis application actuarielle, en insistant sur la théorie.
— Approche pratique : Refondre le cours dans une approche académique anglaise :
AU UK, on commence par la pratique (ex : dès la licence d’actuariat, les étu-
diants sont exposés à Prophet et aux outils de projection). Et ce n’est qu’après la
licence et les examens qu’on développe la théorie (selon le paradigme financier).
Ce cours se veut comme une introduction :
— insister sur la démarche historique, les problématiques ayant conduit à telle
décision
— présenter les approches alternatives qu’on utiliserait aujourd’hui (comme les
modèles de régression (GLM))
— modèles classiques actuariels partagés avec l’IARD (Cramér-Lundberg)

Appliquer les statistiques

1.1.1 Plan du Cours

1.2 Bibliographie
— Alain Tosetti, Béhar, Fromenteau, Ménart : Assurance : comptabilité, réglemen-
tation, actuariat (Economica, 2002)
— Tosetti, Weiss, Poincelin (édition économica) : Les outils de l’actuariat vie
CHAPITRE 1. INTRODUCTION 4

Date Thème Qui ?

6/2 Introduction KB Table 1.1 : Caption
13/2 KB
20/2 Table de mortalité GG
27/2 Extrapoler les tables GG
6/3 Projeter les tables GG
13/3 KB
20/3 KB
27/3 KB
3/4 KB
17/4 KB
15/5 Solvabilité GG
22/5 Modèle financier GG
5/6 Plus loin que les commutations GG
Chapitre 2

Construire une table de

mortalité

2.0.1 où l’on apprend ce qu’est une table de mortalité en lisant

Jules Verne
source gallica

« Monsieur Bidulph ? » demanda-t-il en entrant. William J. Bidulph était

là, « en personne », comme un photographe qui opère lui-même toujours à
la disposition du public, – un homme de cinquante ans, correctement vêtu

5
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 6

de noir, en habit, en cravate blanche, toute sa barbe, moins les moustaches,

l’air bien américain.
« À qui ai-je l’honneur de parler ? demanda William J. Bidulph. – À mon-
sieur Kin-Fo, de Shang-Haï.
« Quoi qu’il en soit, reprit Kin-Fo, je désire me faire assurer pour deux cent
mille dollars.
Nous disons donc, dit William J. Bidulph, en continuant d’écrire sur son
carnet, risques de mer, de voyage, de suicide...
Et, dans ces conditions, quel sera le montant de la prime à payer ? demanda
Kin-Fo.

Mon cher monsieur, répondit l’agent principal, nos primes sont établies
avec une justesse mathématique, qui est tout à l’honneur de la Compagnie.
Elles ne sont plus basées, comme elles l’étaient autrefois, sur les tables de
Duvillars... Connaissez-vous Duvillars ?
Je ne connais pas Duvillars.
Un statisticien remarquable, mais déjà ancien... tellement ancien, même,
qu’il est mort. À l’époque où il établit ses fameuses tables, qui servent
encore à l’échelle de primes de la plupart des compagnies européennes, très
arriérées, la moyenne de la vie était inférieure à ce qu’elle est présentement.
grâce au progrès de toutes choses. Nous nous basons donc sur une moyenne
plus élevée, et par conséquent plus favorable à l’assuré, qui paie moins cher
et vit plus longtemps...
Quel sera le montant de ma prime ? reprit Kin-Fo, désireux d’arrêter le
verbeux agent, qui ne négligeait aucune occasion de placer ce boniment en
faveur de la Centenaire.
Monsieur, répondit William J. Bidulph, j’aurai l’indiscrétion de vous de-
mander quel est votre âge ?
Trente et un ans.
Eh bien, à trente et un ans, s’il ne s’agissait que d’assurer les risques ordi-
naires, vous paieriez, dans toute compagnie, deux quatre- vingt-trois pour
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 7

cent. Mais, à la Centenaire, ce ne sera que deux soixante-dix, ce qui fera

annuellement, pour un capital de deux cent mille dollars, cinq mille quatre
cents dollars. [11]

Où l’on complète l’exposé de William J. Bidulph par quelques considéra-

tions plus techniques

Définition 2 : table de mortalité.

Une table de mortalité (aussi appelée table de survie) met en regard, pour tous
les âges, le nombre de survivants dans un groupe fermé.

Cet outil est surtout utilisé en démographie et en actuariat afin d’étudier le nombre
de décès, les probabilités de décès ou de survie et l’espérance de vie selon l’âge et le
sexe. Il existe deux types de tables de mortalité :
— la table de mortalité du moment
— la table de mortalité par génération.
nous reviendrons sur cette distinction entre moment et génération.
Pour l’Insee :
”Une table de mortalité annuelle suit le cheminement d’une génération
fictive de 100 000 nouveau-nés à qui l’on fait subir aux divers âges les
conditions de mortalité observées sur les diverses générations réelles, durant
l’année étudiée. Pour éviter les aléas des tables annuelles et pour disposer
d’une table détaillée par âge aussi précise que possible, on calcule également
une table de mortalité couvrant une période de trois années.”
Par définition, il ne s’agit pas d’estimer l’espérance réelle d’un nourrisson aujourd’hui
(nous ne savons pas quels seront les progrès techniques ou les guerres qui affecteront
son espérance de vie réelle) mais de figer la photo des taux de mortalités à chaque âge
et d’utiliser cette information pour, de proche en proche, calculer l’espérance de vie de
ce nourrisson.
Ce sera sûrement plus facile à comprendre en regardant comment pratiquement on
créé une table de mortalité.

2.0.2 Quelques tables célèbres pour les lecteurs

L’Exemple de la Table de Carlisle L’une des premières tables de mortalité est
la table anglaise de Carlisle publiée en 1815 et basée sur les morts de 1779 à 1789 à
Carlisle en Angleterre.
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 8

Le taux de mortalité annuel qx , On peut voir dans la table la notation q x , le

taux de mortalité.
On utilise pour faciliter les calculs des tables des nombres de personnes d’âge x, lx
— t p x est la probabilité d’être en vie pour une personne d’âge x à l’âge x + t ;
— t/t q x est la probabilité de décéder entre t et t’.
— On note p x =1 p x et q x =1/0 q x la probabilité d’être en vie ou décédé dans 1
an pour une personne d’âge x.
— q x est de l’ordre de 0,1% à 0,5% aux âges actifs.
On obtient :
Propriété 3

l x +t
t px =
lx
0
t+t xp = p
t x × t0 p x +t

l x +t
t qx =1 −
lx
l x +1
qx = 1 −
lx
( l x +t − l x +t+t0 )
t/t0 q x = t p x − t+t0 p x =
lx

Dans la table de Carlisle comme dans la plupart des tables de mortalités, q x ne dépend
pas du facteur temps car t = 0 et t0 = 1 : on considère le taux de mortalité sur un an.
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 9

Où l’on peut calculer grâce à la table de Carlisle le prix de l’assurance décès

de l’honorable Fo Si on regarde spécifiquement l’âge de Kin-Fo, on obtient :

Le taux de mortalité q x annuelle à 31 ans est de 1.02%, donnant une idée de la marge
que prend la centenaire (2.70% de prime soit une marge de 1.68%).
On voit l’intérêt de présenter des q x dans une table de mortalité, qui permet des calculs
rapides.

Et la fameuse table de Duvillard Duvillard a établi sa table à la fin du XVIII à

partir de paroisses différentes.

Figure 2.1 : Table de Duvillard

Calculons avec la table de Duvillard le risque technique de décès de Kin-Fo

De 30 à 40 ans, la population passe de 50% à 43%.
En considérant un taux de mortalité annuel qx stable sur la période, on a :

43%
(1 − q x )10 =
50%
soit qx = 1.5%. Effectivement, la table de Duvillard est beaucoup plus conservatrice
mais cela traduit aussi la formidable amélioration de l’espérance de vie au XIXème
siècle.

Un exemple de l’utilisation des rentes au XIX Jane Austen, autrice anglaise

célèbre du début du XIX, cite régulièrement le montant de rentes viagères, avec une
grande précision. Des actuaires ([2] ) ont montré la pertinence des montants cités. Ils
notent en particulier l’importance de la rente de l’état (non viagère) à 5% d’intérêt.
Exercice 1 : Raison et Sentiments.
Cet exercice reprend une partie de l’article [2] . La première scène importante du
roman présentant une problématique actuarielle se produit quand Dashwood et sa
femme ont une conversation sur le type de soutien financier qu’ils devraient offrir à
Mme Dashwood et ses filles. Il propose d’abord un cadeau de 1 000 livres à chacune
des trois filles. Sa femme objets que c’est trop généreux, et ils explorent des moyens de
payer moins. Il suggère 500 livre chacun, mais elle est toujours insatisfait et il propose
une autre alternative :
“I do not know whether, upon the whole, it would not be more advisable
to do something for their mother while she lives rather than for them—
something of the annuity kind I mean. . Ahundred a year would make them
all perfectly comfortable.
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 10

“To be sure,” said she, “it is better than parting with fifteen hundred
pounds at once, But then if Mrs. Dashwood should live fifteen years, we
shall be completely taken in. ”
“Fifteen years ! My dear Fanny ; her life cannot be worth half that purchase.
”
“Certainly not ; but if you observe, people always live for ever when there
is any annuity to be paid them ; and she is very stout and healthy, and
hardly forty. An annuity is a very serious business, and there is no getting
rid of it” (Austen, Sense and Sensibility,chapitre 1).
Dashwood et sa femme doivent évaluer laquelle des deux options financières est la
moins généreuse :
— un paiement de 1,500 livres aujourd’hui,
— ou un accord pour payer à une femme de 40 ans 100 livres par an pour le reste
de sa vie.
1. Les Dashwood sont ils complètement ”dupés” si Mme Dashwood vit 15 ans (we
shall be completely taken in.) ?
2. En utilisant la table de Carslile, quelle est la ”meilleure option” pour les Dash-
wood ? (pour cela, il faudra calculer ä)
[Solution]

pourquoi les tables de mortalité présentent-elles des taux de mortalité an-

nuels ? Nous l’avons vu avec la table de Carlisle, le taux de mortalité est exprimé
avec qx ?
En fait, l’hypothèse est assez forte, car elle suppose qu’une personne de 50 ans aura,
à 51 ans, le même taux de mortalité, qu’une personne actuellement de 51 ans. Or il
peut y avoir des comportements de cohortes 2 qui fait que ce n’est pas le cas. Nous 2 voir p. ??

reviendrons sur ce point.

2.1 On l’on essaye de créer une table de mortalité

moderne
Propriété 4
L’idée est de bâtir une table de mortalité sur population générale (donc une
population ouverte - immigration / émigration).

2.1.1 Une première méthode : comparer simplement la popu-

lation d’un âge à l’autre pour chaque age et sexe avec la
population
calcul des différents quotients de mortalité
A partir de là, on sait qu’un individu d’âge x aura une probabilité de survie
t années plus tard donnée par t p x = P( Tx > t) = lxl+x t
Cette formule est exactement celle trouvée au chapitre précédent. Pour
rappel, au chapitre précédent, on avait considéré un ensemble homogène de
L x individus d’âge x à un instant t0 , et lx+t 3 était alors le nombre probable 3

de survivants parmi ces individus t années plus tard (on rappelle que lx+t Définition 3 : lx .
est l’espérance de L x+t i.e. On note par convention un
nombre d’individus vivants
Lx Lx d’âge x, l(x) ou lx .
lx+t = E( L x+t ) = E( ∑ Xi (t)) = ∑ E(Xi (t))
i =1 i =1

Or, dans notre table de mortalité, les individus d’âge x sont justement ceux
qui sont caractérisés par le nombre probable de survivants lx . En prenant
L x = lx , on retombe donc bien sur nos pieds et toutes nos notations sont
cohérentes.
 CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 11

Où l’on utilise le fichier INSEE de la population par age et sexe

Définition 4 : base Exposition.

La base Exposition, aussi appelé matrice E(x, t) = (ex,t) où les ex,t mesurent la
population d’age x révolu l’année calendaire t .

1 EXPOData = pd.read_excel(DataNameExpo) # lecture de la base insee

2 # creation d'un plot "violon"
3 from plotnine import ggplot , geom_point , aes , geom_violin ,theme ,theme_minimal
,geom_jitter
4 print(ggplot(EXPOData)
5 +aes('SEXE ','ANAIS ',weight = 'EXPOSITION ', group='SEXE ',fill = 'factor(
SEXE)')
6 +theme_minimal ()
7 +geom_violin(draw_quantiles = [0.25 , 0.5, 0.75])
8 +geom_jitter(height = 0, width = 0.1)
9 )

Figure 2.2 : population totale par

sexe et âge au 1er janvier 2020,
France métropolitaine 1 Masculin

On remarque comme attendu que les femmes sont plus âgées (en particulier par le
décalage du dernier quartile en bleu). Par ailleurs, on voit à partir de 2000, la baisse
de la natalité.

Qx et Px On cherche maintenant à calculer qx et Px à partir de lx et qx-1 . Il nous

faut utiliser une fonction shift qui utilise la valeur de la ligne précédente.
1 def CalculPxMethode1(df=EXPOData):
2 df['Lx'] = df['EXPOSITION ']
3 # la fonction shift permet de récupérer la valeur EXPOSITION précédente.
4 #Lorsqu 'on passe des hommes aux femmes , on reinitialise en prenant
EXPOSITION et non ['EXPOSITION '].shift (-1)
5 df['Lx1'] = np.where ((df.SEXE != df.SEXE.shift (-1)) \
6 | (df.SEXE != df.SEXE.shift (-1)), df['EXPOSITION '], df['
EXPOSITION ']. shift(periods =-1))
7 # Selon la definition de Px
8 df['Px'] = df['Lx1']/df['Lx']
9 df['Qx'] = (1-df['Lx1']/df['Lx'])
10
11
12 CalculPxMethode1(df=EXPOData)
13 display(EXPOData)

On peut ensuite les représenter graphiquement :

1 f, ax = plt.subplots(figsize =(7, 5))
2 sns.despine(f)
3
4 print('Evolution des Qx en fonction de l âge')
5 sns.scatterplot(data=EXPOData ,x="AGE", y="Qx",
 CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 12

6 hue="SEXE",
7 palette="ch:r=-.2,d=.3_r" ,
8 sizes =(1, 8), linewidth =0,
9 ax=ax)

Figure 2.3 : Taux de mortalité Q x

en fonction de l’âge issue de la po-
pulation totale par sexe et âge au
1er janvier 2020, France métropoli-
taine 1 Masculin

Remarque
le graphique présente un certain nombre d’éléments :
— On remarque tout d’abord le taux de mortalité très faible jusqu’à 75 ans. Nous
reviendrons sur cette orthogonalisation des taux de mortalité
— On voit une hausse régulière du taux jusqu’à 100 ans et un taux de mortalité
de 50%
— puis un comportement erratique voire aberrant avec des taux de mortalité né-
gatifs.
Exercice 2
Pourquoi avons-nous des taux de mortalité négatifs ?
[Solution]

2.1.2 Une deuxième méthode : intégrer la mortalité 2019 pour

chaque age et sexe avec la population
Au lieu d’inférer la mortalité, comme la différence de la population à un âge donné,
nous allons utiliser les vraies données de mortalité à partir des données de l’INSEE.
Définition 5 : Base Mortalité.
La base Mortalité est aussi appelé matrice D -comme death- avec D ( x, t) x étant
l’âge révolu lors de l’année calendaire t.

Principales statistiques sur le fichier

Exercice 3
Lire la base de données de l’INSEE (en utilisant la fonction pd.read_csv) et regarder
les mois de surmortalité. [Solution]
Comme la base contient une ligne par décès, on peut tracer la densité de décès par âge
(violinplot).
1 sns.set_theme(style="whitegrid")
2 sns.violinplot(y="ANAIS", hue="SEXE", x = "SEXE",
3 data=DEATHData ,
4 scale='count ',
5 split=True ,
 CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 13

6 palette='seismic ',
7 inner='quartile ')
8 plt.show ()

Figure 2.4 : Densité de morta-

lité en 2019 en France par année
de naissance (ANAIS) et sexe (1 :
homme, 2 : femme) Table de mor-
talit 2019 de l’INSEE

Nous pouvons alors juxtaposer les données de mortalité et les données d’exposition,
avec par exemple le code suivant :
1 DEATHSynthese = DEATHData.groupby (["SEXE","ANAIS"])['SEXE ']. count ().rename('
NombreMorts ').to_frame ()
2 EXPOMORTData = pd.merge(EXPOData [['SEXE ','ANAIS ','AGE','EXPOSITION ','CENSURE '
]], DEATHSynthese , on=['SEXE ','ANAIS '], how='left ')

On peut ensuite calculer L x

1 def CalculPxMethode2(df=EXPOMORTData):
2 df['Lx'] = df['EXPOSITION ']
3 df['Lx1'] = df['EXPOSITION '] - df['NombreMorts ']
4 # Selon la definition de Px
5 df['Px'] = df['Lx1']/df['Lx']
6 df['Qx'] = (1-df['Lx1']/df['Lx'])
7 CalculPxMethode2(df=EXPOMORTData)
8
9 # Graphique
10 f, ax = plt.subplots(figsize =(7, 5))
11 sns.despine(f)
12 sns.scatterplot(data=EXPOMORTData ,x="AGE", y="Qx",
13 hue="SEXE",
14 palette="ch:r=-.2,d=.3_r" ,
15 sizes =(1, 8), linewidth =0,
16 ax=ax)
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 14

Figure 2.5 : Illustration du phéno-

mène d’orthogonalisation des tables
de Mortalité à partir des tables ré-
glementaires 1973-77,1988-1990 et
1999-2001 - source Frédéric PLAN-
CHET

Les taux de mortalité q x négatifs ont disparu, confirmation que ces taux venaient d’une
déformation de la population à chaque âge. On voit qu’on arrive à un pic de mortalité
très faible avant 75 ans, qui augmente fortement à partir de 80 ans jusqu’à atteindre
un pic à 100 ans autour de 60% de taux de mortalité pour une génération donnée.

Propriété 5 : orthogonalisation des tables de mortalité.

Phénomène de baisse très forte de la mortalité aux âges jeunes, entraînant une
forme ”orthogonale” des taux de mortalité, de plus en plus de personnes décédant
à un âge élevé.

La baisse des taux de mortalités aux âges jeunes, sans pour autant que l’âge ultime de
vie semble évoluer sensiblement, a pour conséquence un phénomène d’« orthogonalisa-
tion » des tables de mortalité, de plus en plus de personnes décédant à un âge élevé :

Où l’on calcule le risque de l’honorable Kin-Fo aujourd’hui On sélectionne

le tableau pour l’âge 31 et homme. Le taux de mortalité q x est de 0.094%. On voit la
très faible mortalité à cet âge.
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 15

2.1.3 Tables de mortalité réglementaires

Définition 6 : tables « homologuées ».
Les tables « homologuées » sont « annexées au code des assurances » ou au rè-
glement assurance de l’autorité des normes comptables, à la différence des tables
d’expérience qui sont fabriquées par les actuaires au vu de l’observation des as-
surés.

Les tables homologuées sont aussi appelées Tables de référence car elles permettent
de présenter des résultats de différentes sociétés d’assurance de façon homogène. En
France, l’utilisation des tables de mortalité par les assureurs est encadrée par l’article
A132-18 du Code des Assurances. Ils peuvent ainsi utiliser soit une des tables réglemen-
taires homologuées, établies par l’Insee, soit utiliser une table d’expérience construite
sur les données spécifiques de l’assureur et certifiée par un actuaire indépendant.
Les tables réglementaires en vigueur en France actuellement sont :
— les tables TH 00-02 et TF 00-02 pour les assurance en cas de décès ;
— les tables TH 00-02 et TF 00-02 avec décalages d’âges pour les assurances en
cas de vie (hors rentes) ;
— les tables de générations TGH 05 et TGF 05 pour les rentes viagères.

Calcul pour Kin-fo s’il était né en 2000 Ainsi, la TGH 05 pour les personnes
nées en 2000 (100.000 en 2000) :

Ce qui donnerait pour l’honorable Fo s’il était né en 2000 un risque annuel de 199.034 =
0.02% Mais c’est une table de mortalité pour une rente viagère, donc qui intègre une
marge de prudence.
Exercice 4
Afin de vous familiariser avec ces tables, quelle serait ce risque avec la table réglemen-
taire pour l’assurance décès ?

2.1.4 Homogéneité des données

La première chose à faire est donc de vérifier que nous pouvons utiliser notre table de
mortalité, c’est-à-dire que le groupe homogène d’individus concernés est bien celui qui
s’applique à nos besoins.
Exemple 1 : Limite de la table de Duvillard.
La table de Duvillard a été construite à partir de données hétérogènes, avec un poids
important de la ville de Genève (”table de Genève”) :

— Risque d’anti-sélection : si j’utilise la table de Duvillars pour couvrir la

population normande en décès, je risque de sous-estimer le risque (car le risque
normand est plus élevé à l’époque que le rique Genevois).
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 16

— Si je propose la même couverture à Genève, je risque d’être trop cher et de ne

pas trouver de clients intéressés.
Les personnes qui s’assurent en rente ont généralement une espérance de vie supérieure
à la population générale : il me faut corriger de ce biais. ces éléments seront étudiés dans
le cadre du cours ACT 206.
Propriété 6
L’utilisation de table sur population générale (table homologuée) présente l’avan-
tage d’être bâtie sur une population nombreuse et donc plus robuste statistique-
ment. Elle n’est cependant pas forcément appropriée car la population spécifique
d’un assureur peut présenter un profil très différent en terme de mortalité que la
population générale.

2.2 Conclusion
Synthèse 1
Ce que je retiens de cette visite à la Centenaire :
— Comment on construit pratiquement une table de mortalité : à partir de
la table Exposition, à partir des individus présents à chaque âge.
— cette première méthode présente des résultats parfois aberrants car elle
suppose en particulier la stabilité de l’exposition à chaque âge. Nous avons
donc utilisé en plus le nombre de morts réels par âge, qui vient effective-
ment améliorer les tables.
— si sexe et âge sont les variables les plus explicatives du risque de mortalité,
elles ne sont pas les seules. Nous verrons dans les prochains chapitres
quelles méthodes statistiques pour détecter les variables significatives dans
le contexte des tables de mortalité.
— le taux de mortalité q x s’est amélioré à tous les âges de la vie depuis deux
siècles de façon remarquable, entraînant une orthogonalisation des tables
de mortalités : très peu de morts jusqu’à un âge avancé puis la mortalité
reprend.

2.3 Problèmes
Et si les tables de mortalité ne dépendaient pas de l’âge et du sexe : l’as-
surance des passagers de l’Olympic, sister-ship du Titanic Petit exercice de
programmation à partir d’une table de mortalité un peu spéciale mais qui sert à tous
les apprentis data-scientists, la base kaggle titanic4 . 4 La base titanic est aussi accessible
dans le package python seaborn

Figure 2.6 : Police d’assurance

protégeant le Titanic. Suisse de Re.
Police émise deux semaines avant la
disparition du Titanic
CHAPITRE 2. CONSTRUIRE UNE TABLE DE MORTALITÉ 17

Exercice 5
Après le Titanic qui a coulé, vous voulez proposer aux personnes qui traversent l’At-
lantique de s’assurer contre la mort. Un client va prendre l’Olympic, le sister-ship du
Titanic. Vous considérez qu’il y a 10% de chance que ce bateau coule. Vous voulez
utiliser les statistiques du Titanic pour calculer la prime à demander à deux clients :

Table 2.1

Jack Rose

15 ans 17 ans
part de Southampton

Créez une table de mortalité ”traversée de l’Atlantique” en tenant compte des statis-
tiques du titanic.
Cette méthode suppose que l’âge et le sexe sont les informations les plus importantes
pour discriminer la mortalité. Mais on peut supposer que la classe et le fait de voyager
seul ou non sont des informations importantes. Essayez d’estimer le risque de mortalité
en utilisant ces informations. Pour cela, vous pouvez vous inspirer des codes du kaggle
titanic.
Exercice 6
Nous allons travailler plusieurs séances sur le fichier Table ACT102 sur l’espace de
travail partagé. Le but pour la prochaine séance est :
— se familiariser avec la base de données (portefeuille à analyser),...
Chapitre 3

Les modèles actuariels vie

statiques

3.1 Introduction
Synthèse 2
Nous avons vu dans le chapitre précédent :
— Ce qu’était une table de mortalité
— le taux de mortalité q x
— le fait que l’on pouvait avoir des tables sur population générale, très larges
mais pas forcément adaptées au portefeuille d’un assureur.

Besoin d’utiliser des modèles de mortalité quand on a peu de données

L’utilisation d’abaques purement empiriques peut se révéler insuffisante quand on a
peu de données :
— par exemple sur population générale, quand il y a peu de données (les super
centenaires par exemple)
— surtout quand on travaille sur les données spécifiques d’un assureur, qui sont
beaucoup moins nombreuses que les données de population générale.
Ce chapitre a donc comme objectif de d’étudier les modèles traditionnels en actuariat
vie.

3.1.1 Une autre utilité des modèle : la simplification des des

calculs d’espérance de vie
Durée de vie T
Définition 7 : durée de vie.
On note Tx la durée de vie, comptée à partir d’aujourd’hui, d’une personne âgée
de x années. Tx est une variable aléatoire positive (comprise entre 0 et l’âge
limite, souvent 120 ans). On va chercher à l’appréhender à partir de sa densité,
sa fonction de répartition ou tout autre paramètre jugé pertinent.

En pratique dans la modélisation actuarielle, x désignera l’âge de l’assuré à la sous-

cription (ou éventuellement du payeur de primes périodiques).
On note t p x = P( Tx > t) la probabilité que la personne d’âge x soit encore en vie dans
t années. Par défaut 1 p x est noté p x : c’est le taux annuel de vitalité des démographes.

Espérance de vie résiduelle à l’âge x

Définition 8 : Espérance de vie résiduelle.

L’espérance de la durée de vie résiduelle à l’âge x mesure le nombre de vie moyen
restant à vivre pour les personnes ayant atteint cet âge. L’espérance de Tx , E( Tx )
est l’espérance de vie à l’âge x.

Les démographes présentent en général l’espérance de vie à la naissance E( T0 )

18
 CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 19

cas discret On suppose que Tx ne peut prendre que des valeurs entières jusqu’à
(ωx ) (où ω est l’âge maximal : par exemple ω = 120 ans). On cherche à exprimer
pour tout entier k, la probabilité P( Tx = k + 1) que Tx vaille k + 1, en fonction de k p x
et k+1 p x .
La solution est la suivante :

P( Tx = k + 1) = −Probabilité de Survie à K+1 + Probabilité de Survie à K

= k p x − k +1 p x
Exemple 2 : Application à Jeanne Calment.
Un exemple : calculer la vie résiduelle de Jeanne Calment quand elle a pris sa rente
viagère à 90 ans. Pour cela, nous faisons une fonction Python qui va faire une boucle
sur les taux de décès au dessus de 90 ans :
1 def EsperancedeVieResiduelle (df=EXPOMORTData [( EXPOMORTData['SEXE ']==2)],
AgeActuel = 90):
2 Esperance = 0 #Initialisation de l'espérance
3
4 TotalPopulationVivant = 1 # au début on a 100% de la population des
personnes d'Age Actuel
5 for index , row in df.iterrows (): #on fait une boucle pour chaque année
6 age = row['AGE']-AgeActuel
7 Q = row['Qx']
8 if age > 0: #si l'age est au dessus de l'age
actuel , on ajoute cette age à l'espérance de vie en le pondérant par les
personnes mourant cette année
9 PopulationMourantDanslAnnee = TotalPopulationVivant * Q #chaque
année la population est réduite des personnes mourants
10 Esperance = Esperance + age * PopulationMourantDanslAnnee
11 TotalPopulationVivant = TotalPopulationVivant -
PopulationMourantDanslAnnee #chaque année la population est réduite des
personnes mourants
12
13 return Esperance
14
15
16 EsperancedeVieResiduelle ()

L’espérance de vie résiduelle de Jeanne Calment était de 4.84 années lorsqu’elle avait
90 ans

Jeanne Calment est-elle un un Canular ? On notera que Jeanne Calment est

un exemple atypique quand on compare avec l’âge moyens des personnes mortes avant
elle. Ce qui a pu accréditer l’idée d’un canular ou d’une fraude.

Figure 3.1 : Jeanne Calment

CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 20

Néanmoins, nous avons vu page 14 que le taux instantané de mortalité tend à ne plus
progresser après 100 ans et ne pas dépasser 50-60% par an. La probabilité d’un âge
très âgé est donc plus importante que ce qu’on pourrait penser a priori.

Nécessité de l’informatique pour l’approche discrète non paramétrique Il

serait plus facile de pouvoir avoir une approche continue et non discrète et une fonction
intégrable pour calculer formellement l’espérance de vie, en évitant de passer par la
programmation.
Synthèse 3
La popularité des modèles de mortalité s’explique donc par :
— le besoin d’extrapoler des bases à des âges élevés, où les populations, même
générales, sont faibles
— de travailler sur des bases propres des assureurs, qui permettent d’éviter
l’anti-sélection mais sont souvent petites et assez peu robustes sans modèle
— de pouvoir simplifier les calculs, comme par exemple les espérances de vie.

3.2 Qu’est ce qu’un modèle ?

3.2.1 Rappel des notations des modèles supervisés
Avant d’introduire les modèles de Gompertz / Makeham, un rapide rappel des notations
et concepts utilisés pour les modèles supervisés.

Jeu de données d’apprentissage Soit un ensemble de points {x (1) ,...,x (m) } et

{y(1) ,...,y(m) } réalisations respectives des variables aléatoires Xm et Ym . X correspon-
dant à une personne ou une cohorte avec le même âge, sexe et Y si la personne est
morte (ou le taux de mortalité).

Modèle On va essayer de trouver le modèle qui permette d’expliquer Y en fonction

de X dans un modèle de type :

Yn = f ( Xn ) + ϵn

. On va estimer f à partir des données d’apprentissage et obtenir une fonction notée

g et appelée hypothèse, fonction de prédiction ou modèle qui à une nouvelle entrée x
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 21

associe une sortie g( x ).

Régression ou classification Si Y est une variable continue (ex : taux de mortalité),

on parle d’un problème de régression. Si Y est une variable catégorielle (0 : vivant, 1 :
mort), on parle d’un problème de classification.

Fonction de perte La fonction de perte est une fonction L : (z, y) ∈ R × Y 7→

L(z, y) ∈ R qui prend comme entrée la valeur prédite z = g( x ) et que l’on va comparer
avec la vraie valeur y. Plus z et y sont proches, plus la fonction de perte est petite.
Quelques exemples de fonctions de perte :

Fonction de perte L Exemple

2 (y − z)
1 2
Moindre carré régressions linéaires Table 3.1 : Diverses fonctions de
y perte. voir aussi déviance
déviance GLM y(log( z ) − y + z) GLM Poisson
Poisson
entropie croisée −[y · log(z) + (1 − y)log(1 − z)] réseaux de Neu-
(cross-entropy) rones

Fonction de coût La fonction de coût J est utilisé classiquement pour mesurer la

performance d’un modèle et est défini à partir de la fonction de perte L :
m
J ( g) = ∑ L ( g ( x (i ) ), y (i ) )
i =1

Le but d’une régression est de minimiser la fonction de coût :

min g J ( g) + Rλ ( g)
avec
— g le modèle de régression,
— Rλ ( g) est le terme de régularisation qui vient pénaliser les modèles complexes
par rapport aux modèles simples.

Nécessité d’interpoler et d’extrapoler Ce n’est pas parce que la fonction de coût

est faible que le modèle est bon. En particulier, un modèle peut estimer correctement
les données d’apprentissage et pas très bien les données éloignées d’apprentissage :
Extrapoler ou Interpoler ?
— Inter-poler, c’est quand on reste dans l’espace où on a des observations (par Ce qu’en pense Yann le Cun, l’un
des fondateurs de l’Apprentissage
exemple, quelle est la probabilité de mourir dans l’année à 31.5 ans). Dans ce profond (deep learning) [4]
cas, le choix du modèle est moins important.
— Extra-poler, c’est quand on quitte l’espace où on a des observations (”quelle
est la probabilité de mourir dans l’année d’une personne de 115 ans ?). Dans ce
cadre, le choix du modèle est important.

3.3 Les Modèles de mortalité

3.3.1 Propriétés souhaitables des tables de mortalité
Avant de regarder les modèles utilisés, regardons les propriétés que nous avons pu
établir comme ”stables” et que nous pourrons utiliser pour projeter / extrapoler les
tables de mortalités :
Propriété 7 : Croissance de la mortalité avec l’âge.
qx croissant avec l’âge : chaque année, notre probabilité de mourir augmente.

Cette propriété parait assez classique mais en pratique, elle n’est pas toujours respectée
(nous verrons en particulier à cause des accidents).
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 22

3.3.2 Force de mortalité

Rappel de la définition de qx

Définition 9 : quotient de mortalité.

Le quotient de mortalité t q x est la probabilité qu’une personne d’âge x vivant au
moment t meurt dans l’année (t,t + 1) : t q x = P( Tx ≤ t) = P( T ≤ x + t | T >
x ) = 1t p x

Dans la pratique, le passage par des modèles paramétriques fait que l’on préfère utiliser
un modèle continu plutôt qu’un modèle discret. Pour cela, Gompertz a défini la Force
de Mortalité.

Force de mortalité On s’intéresse à ce qu’il se passe entre l’instant t et l’instant

t + dt avec dt aussi petit qu’on veut. Considérons un individu encore en vie à l’âge t,
la probabilité que le décès survienne entre t et t + dt est la suivante :

t+dt p x −t p x
P(t < Tx < t + dt | Tx > t) =
p
t x

On peut alors calculer la force de mortalité comme le passage à la limite de cette

probabilité de décès pour qu’elle soit instantanée :
Définition 10 : Force de mortalité µ.
Elle représente taux de mortalité instantané à un certain âge mesuré de façon
annualisée.
P(t < Tx < t + dt | Tx > t)
µ x,t = lim
dt→0 dt
On note µ x quand t = 0.

Propriété 8 : Propriétés de la force de mortalité. — On considère

notre individu vivant à t, ce qui explique que notre probabilité soit condi-
tionnée à ce que Tx > t.
— on l’appelle aussi en français Taux de mortalité instantané.
— Nous pouvons aussi formaliser la la force de mortalité sous forme de dérivée
partielle :

1 ∂
µ x +t = qx
t p x ∂t t

— Conceptuellement, la force de mortalité est différente du quotient de mor-

talité de par sa dimension : Alors que t q x est une probabilité (c’est-à-dire
un nombre et donc une quantité sans dimension), µ x+t est un taux donc
exprimé en inverse d’unité de temps.

Exercice 7
Montrer qu’on peut aussi écrire µ( x ) comme :

l 0 (x) d
µx = − = − ln[l ( x )]
l (x) dx

où l ( x ) est la population survivante à l’âge x.

[Solution]

Approximations pratiques de la Force de mortalité Quand on a des données

agrégées par année, comme les données INSEE, on ne peut pas calculer directement la
force de mortalité. Il faut donc passer par une approximation entre q x et µ x .

Propriété 9 : Approximation 1 de la force de mortalité.

D’un point de vue plus pratique, la probabilité qu’une personne soumise à une
force de mortalité µ( x, t) meurt dans l’intervalle (t, t + dt) est approximativement
µ( x, t) quand dt est petit : dt q x ' dt × µ x .
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 23

En effet le terme de survie t p x est proche de 1 sauf dans les âges élevés et sur un faible
intervalle dt peut être négligé.
Exercice 8
Démontrer La probabilité qu’une personne soumise à cette force µ x,t meurt dans l’in-
tervalle (t,t+dt) est approximativement µ x,t dt quand dt est petit en utilisant les déve-
loppement limités.
En considérant que µ x,t dt est constant (λ) entre x et x + 1, on peut démontrer que :

Propriété 10 : Approximation 2 de la force de mortalité.

q x,t ≈ 1 − exp(−µ x,t )

Exercice 9
Montrer que cette approximation est plus précise que l’approximation dt q x ' dt × µ x .
[Solution]
Graphiquement, si l’on représente q x,t et µ x,t à partir de cette approximation, on voit
que les deux sont proches quand q x est stable.

Exercice 10
Pourquoi q x,t et µ x,t sont proches quand q x est stable ?

3.4 Modèle de Gompertz

Nous pouvons maintenant étudier les différents modèles possibles qui respectent au
minimum la propriété 7.
Gompertz (1825) a observé que la force de mortalité µ x , lorsqu’elle était tracée sur
l’échelle logarithmique, était âge approximativement linéaire pendant la majeure partie
de la vie adulte.
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 24

Figure 3.2 : Données masculines

américaines en 1960. log(µ( x )) en
fonction de l’âge de décès. on voit
que le modèle de Gompertz semble
s’adapter très bien aux données

Définition 11 : modèle de Gompertz.

Le modèle de Gompertz se définit par une force µ x qui augmente de façon expo-
nentielle avec l’âge :
µ x = Bc x
où B et c sont des constantes.

Notations
— les actuaires utilisent plutôt la notation µ x = eθ0 +θ1 x
— µ x respecte notre première propriété 7 et augmente avec l’âge.
Sur nos données INSEE France, le modèle de Gompertz fonctionne à peu près bien
entre 20 et 100 ans sur les données masculines :
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 25

3.4.1 Modèle de Makeham

Cependant, se pose le problème de prendre en compte les causes de décès qui ne seraient
pas directement liées à l’âge .

pertinence du modèle de Makeham : quand les accidents n’augmentent pas

avec l’âge On constate un mortalité importante des jeunes sur la route, avec la
”bosse” de surmortalité autour de 18-25 ans surtout pour les hommes :

Figure 3.3 : Répartition de la mor-

talité en 2019 par tranche d’âge et
par sexe Sécurité routière. On voir
assez bien la bosse de mortalité des
jeunes hommes

Introduire un terme supplémentaire C’est ainsi que William Makeham propose

d’extrapoler µ x aux grands âges sur la base d’une loi de Gompertz modifiée et tenant
compte des causes de décès indépendantes de l’âge :

µ x = A + Bc x

où A est le risque de mourir pour l’ensemble des causes indépendantes de l’âge.

3.4.2 Comment estimer pratiquement le modèle ?

Les Modèles linéaire Généralisés - GLM Les GLM sont une régression qui
s’appliquent aux distributions exponentielles
Définition 12 : Distribution Exponentielle.
Une classe de distributions est dite appartenant à la famille exponentielle si on
peut l’écrit sous la forme canonique (ou fonction lien) η, une statistique exhaus-
tive T (y) et une fonction log-partition a(η ) :

p(y, η ) = b(y) exp [ηT (y) − a(η )]

Remarque
Dans la plupart des cas, on aura T (y) = y. Le terme exp(− a(η )) peut être vu comme
un terme de normalisation qui assure que la somme des probabilités est égale à 1.

Distribution η T (y) a(η ) b(y)

ϕ
Bernouilli ln( 1−ϕ ) y ln(1 + exp(η )) 1 Table 3.2 : Principales fonctions
GLM
η2 − y2
Gaussienne µ y 2
√1 exp (
2 )
2π

Poisson ln(λ) y eη 1
y!

Définition 13 : GLM.
un modèle Linéaire Généralisé (GLM) vise à prédire une v.a. y comme une fonc-
tion caractérisée par les hypothèses suivantes :
— y | x, θ ⇝ Famille Exponentielle(η )
— hθ = E[y | x; θ ]
— η = θT x
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 26

Intérêt de la loi de Makeham : estimation par GLM en passant au log, soit

log(µ x ) = log( B) + log(C ) X

Par un changement des paramètres,

log(µ x ) = b + cX

On peut donc estimer avec un modèle linéaire généralisé (GLM) Poisson (du fait de
l’indépendance entre les x,t) et avec lien log. C’est ce qu’on appelle le lien canonique
pour une GLM avec une distribution de Poisson.5 5 [3] Pour programmer un GLM en
python : video, et Chapitre en an-
Remarque glais sur les GLM
A noter que l’on peut travailler directement sur le nombre de décès en ajoutant un
offset sur l’évolution de la population ex,t est une mesure de la taille moyenne de la
population âgée de x à la date de l’année civile t, exposition dite centrale au risque.

3.4.3 Application sur les données Françaises

Quand on applique le GLM sur les données françaises obtenues précédemment, on
obtient des premiers résultats peu probants :

Modèle Variables Constante Deviance Pseudo R2

Poisson / log sexe + age non 49.1 0.5% Table 3.3
Poisson / log sexe * age non 3.7 19.7%
Binomiale / logit sexe * age non 5.7 22.6%

On peut déduire de ces résultats, un certain nombre de conclusions :

Propriété 11 : Adéquation empirique au modèle de Gompertz. — le
premier modèle, qui considère que µ x est le même pour les hommes et les
femmes, modulo une translation est très peu performants.
— Dans le deuxième et troisième modèle, Homme et femme n’ont pas les
mêmes paramètres et l’on obtient enfin des modèles satisfaisants.
— le modèle de Gompertz/Makeham a du mal à capturer l’orthogonalisation
des tables de mortalité (voir p. 26 pour plus de détails).

Difficulté du modèle de Gompertz à capturer l’orthogonalisation des tables

de mortalité Si l’on regarde l’influence de chaque point au modèle, on voit que les
âges au dessus du pic de mortalité (100 ans et plus) ont une influence forte. On peut
être tenté de les enlever, amis alors le modèle a du mal à estimer les taux de mortalité
aux âges élevés.
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 27

Comparaison des différents modèles aux données françaises Le modèle de

Gompertz (droite en log) tend à sous-estimer la mortalité des moins de 40 ans : la
mortalité est ”plus ou moins stable” entre 0 et 40 ans (plus forte à la naissance, en
forte baisse ensuite puis remonte surtout pour les hommes autour de 20 ans pour être
à peu près stable jusqu’à 40 ans). Le modèle de Makeham est plus adapté à ce genre
de données, la constante permettant de capturer cet effet.

Figure 3.4 : Comparaison de l’adé-

quation hommes / femmes aux don-
nées françaises. source : Gompertz,
Makeham, and Siler models explain
Taylor’s law in human mortality
data

Exercice 11
Montrer qu’il est équivalent d’utiliser
— un modèle GLM Poisson pour µ avec une fonction lien log
— un modèle GLM distribution binomiale et une fonction lien cloglog6 6 complementary loglog =
[Solution] log(−log(1 − q))

3.4.4 Améliorer les modèles : Les modèles Additifs ou avec

spline
Réhabiliter Duvillard ? Notre cher démographe Duvillard a essayé de trouver une
loi de mortalité :
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 28

Figure 3.5 : table de Duvillard

On peut donc écrire l, le nombre de morts comme une décomposition des différents de
mortalité. Ce type de modèle peut être estimé par des modèles Additifs Généralisés
(GAM) qui expriment Y en fonction d’une fonction polynomiale de X

Modèle Variables GAM Deviance Pseudo R2

Poisson / log sexe * age non 3.7 19.7% Table 3.4 : Comparaison des mo-
Poisson / log sexe * age Spline (3 degrés) 1.1 20.7% dèles Poisson avec lien Log sans
constante - modèle GLM déjà men-
tionné vers GAM. Du fait du
nombre de degrés de liberté du mo-
dèle GAM, la baisse de la déviance
3.5 Conclusion est forte mais le pseudo R2

Synthèse 4
Vous devez savoir :
— ce qu’est un modèle supervisé
— ce qu’est un modèle linéaire et un modèle linéaire généralisé
— la définition de la force de mortalité µ, c’est à dire la forme continue du
taux de mortalité, qui sera la variable réponse dans le modèle.
— le lien entre force de mortalité et quotient de mortalité
— le modèle de Gompertz permettait une adéquation assez bonne aux don-
nées historiques mais c’est moins le cas aujourd’hui avec l’orthogonalisa-
tion des tables de mortalité. En particulier, un modèle sur tous les âges
a tendance à présenter un facteur faible dépendant de l’âge voire négatif
pour tenir compte de l’amélioration aux âges très élevés et de la stabilité
pour les homme de la mortalité avant 40 ans.
— Par ailleurs, nous avons vu que les dynamiques homme / femme étaient
très différentes (il nous faut croiser les variables âge et sexe et nous les
considérer de façon indépendante).

3.6 Problèmes
Exercice 12 : Et l’on revient à Titanic.
Après avoir fait une table de mortalité, essayer de faire une régression GLM de type
logistique (fonction lien logit et distribution binomiale) sur la variable ”survived” pour
expliquer quelles variables expliquent la mortalité. Puis recalculer la prime à demander
à Jack et Rose !
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 29

Exercice 13 : La doyenne de l’humanité, est-elle une « escroquerie » ?.

[Solution]
En 2019, un mathématicien russe, Nikolay Zak, publie un article7 , visant à prouver 7 Evidence That Jeanne Calment

que Jeanne Calment, doyenne de l’humanité, n’est pas morte en 1997 mais en 1934. Died in 1934—Not 1997
Dans la première partie, il étudie le sujet d’un point de vue actuariel.
Certains chercheurs concluent que, pour une raison indéterminée, la force
de la mortalité s’écarte progressivement de la célèbre formule de Gompertz
aux âges extrêmes et est presque constante après 105 ans (et aussi presque
invariante avec le sexe, le pays et l’année de naissance), tandis que d’autres
concluent que la force de la mortalité continue d’augmenter avec l’âge. 8 8 Some researchers conclude that,
for whatever reason, the force
1. Donner la définition de la force de mortalité. of mortality progressively departs
2. Donner la définition de la formule de Gompertz. from the celebrated Gompertz for-
mula at extreme ages and is almost
3. Est-ce que la formule de Gompertz peut donner une force de mortalité qui constant after 105 years (and also
diminue avec l’âge ? nearly invariant with sex, country,
and year of birth), while others
4. Citer un cas vu en cours où la force de mortalité baisse pratiquement avec l’âge conclude that the force of mortality
– ou a minima est stable. continues to rise with age

5. Peut-on exprimer la force de mortalité constante en utilisant le modèle de Gom-

pertz ?
L’article continue :
Cependant, l’âge de Calment au décès dépasse celui de la tenante précé-
dente du titre (Sarah Knauss) de plus de 3 ans ; ainsi, à première vue, elle
ressemble à une exception. Mais à quel point une exception extrême ? 9 9 However, Calment’s age at death
exceeds that of the current runner-
La loi de Gompertz ajuste très mal les données des super-centenaires, surestimant up (Sarah Knauss) by more than
largement leur mortalité (Riggs and Millecchia (1992) sur données américaines). Dans 3 years ; thus, at a first glance she
la littérature, nous avons donc la possibilité d’utiliser soit : looks like an exception. But how ex-
— une loi de Gompertz alternative (sur les super-centenaires (âgés de plus de 110 treme an exception ?

ans) avec un ajustement des paramètres),

— ou bien avec des hypothèses de stabilité de la mortalité pour les super-centenaires.

âge Loi de Gompertz alter- Hypothèse de stabilité du Hypothèse de stabilité du

native appliquée sur les taux de mortalité à 50% taux de mortalité à 40%
super-centenaires
110 46% 50% 40%
111 55% 50% 40%
112 63% 50% 40%
113 70% 50% 40%
114 75% 50% 40%
115 80% 50% 40%
116 84% 50% 40%
117 88% 50% 40%
118 90% 50% 40%
119 92% 50% 40%
120 94% 50% 40%
121 95% 50% 40%
122 96% 50% 40%
123 97% 50% 40%
124 98% 50% 40%
125 98% 50% 40%
126 99% 50% 40%
127 99% 50% 40%

6. Donner la définition d’espérance résiduelle.

7. Calculer l’espérance de vie résiduelle pour une personne de 119 ans (l’âge de
Sarah Knauss à sa mort) en appliquant la force de mortalité stable à 50%.
8. Calculer la probabilité pour une personne de 119 ans (l’âge de Sarah Knauss
à sa mort) de vivre jusqu’à 122 ans (l’âge de Jeanne Calment à sa mort), en
utilisant les trois projections.
9. Que pouvez-vous déduire de la question 8 sur l’aspect exceptionnel de l’âge de
Jeanne Calment ?
CHAPITRE 3. LES MODÈLES ACTUARIELS VIE STATIQUES 30

10. Le pourcentage de 50% de taux de stabilité a été calculé à partir des don-
nées italiennes des super-centenaires. Or, la France est le pays européen des
centenaires (par rapport aux personnes atteignant 60 ans). Si cette tendance
se poursuit au-delà de 100 ans de façon constante, quelle serait la probabilité
d’une personne de 119 ans de survivre jusqu’à 122 ans ?

11. Le raisonnement de Nikolay Zak, part de la population des super-centenaires

italiens, et applique le modèle 2 (stabilité à 50% de la force de mortalité) à la
totalité des personnes ayant atteints l’âge de 110 ans en France en 1998 (80
super-centenaires). Il en déduit la probabilité qu’une personne atteigne l’âge de
122,45 ans :
( )80
P(t | N ) = 1 − 1 − 0.512.45 ≈ 0.014

Ce raisonnement vous parait-il juste ? Pourquoi ?

12. Vous êtes maintenant un actuaire expert des super-centenaires. On vous de-
mande de synthétiser votre vue à travers un article qui doit paraître dans le
quotidien national le Parisien : « Jeanne Calment, escroquerie ou non ? ». En
20 lignes maximum, que proposez-vous comme réponse ?
Exercice 14 : Table ACT102.
Dans l’onglet Table de Mortalité paramétrisée :
— Quel est la loi implicite utilisée par cet onglet ?
— à partir de l’onglet 2019 (à la fin), qui donne la table de mortalité française
de l’INSEE en France, trouvez les bons paramètres pour la Table de Mortalité
paramétrisée.
— trouver la prime pour Kin-Fo (31 ans - 1 Million d’Euro de Capital).
— calculer l’espérance de vie de Jeanne Calment à 90 ans.
Chapitre 4

Intégrer la dimension
temporelle des tables de
mortalité

4.1 Introduction
Jusqu’à présent, on a considéré des tables de mortalité stables, qui n’évoluent pas avec
le temps : la tables de Duvillard, Carlisle, ... Parallèlement, nous avons pu noter que ces
tables étaient rapidement obsolètes du fait de l’évolution de la mortalité (amélioration
de la médecine,...). Face à ces tables statiques, nous pouvons introduire des tables
dynamiques, qui intègrent des prédictions d’évolution de l’espérance de vie.
Définition 14 : table de mortalité statique.
La table de mortalité statique, périodique ou instantanée (ou « table de mortalité
du moment ») permet de caractériser la mortalité d’une population à un moment
précis, toutes générations confondues.

Ce tableau suppose une certaine stabilité des décès dans le futur.

Définition 15 : table de mortalité prospective.
La table dynamique ou prospective (ou « table de mortalité par génération »)
intègre non seulement l’âge mais aussi le temps dans la probabilité de décès.

Elle est établie à partir d’une génération réelle (et non fictive ou ”moyenne” comme
la précédente table), observant les niveaux de mortalité réels en fonction de l’année
de naissance. Si elle est plus représentative que l’autre, elle nécessite des méthodes
d’extrapolation, et donc des hypothèses supplémentaires pour extrapoler.

4.1.1 Construction de tables par modèle de génération

qu’est ce qu’un modèle Age-période-Cohorte ?

Définition 16 : modèle par génération - modèle APC.

Les modèles Âge-Période-Cohorte (APC) sont une classe de modèles de taux
démographiques (mortalitémorbiditéfécondité …) généralement observés sur une
large tranche d’âge sur une période raisonnablement longue, et classés par âge et
date de suivi ( période) et date de naissance (cohorte ou génération).

Remarque
On parle aussi de Modèles d’amélioration de la mortalité (Mortalité Improvement mo-
delling 10 ). 10 [5, p.85]

31
CHAPITRE 4. INTÉGRER LA DIMENSION TEMPORELLE DES TABLES DE MORTALITÉ32

4.2 représenter un modèle APC : le Diagramme de

Lexis
Comment suivre et projeter graphiquement l’évolution par génération ?
Ce type de suivi peut être représenté dans un diagramme de Lexis ; un système de
coordonnées avec des données de suivi en abscisse et d’âge en ordonnée.
Définition 17 : Diagramme de Lexis.
Le diagramme de Lexis est un outil qui permet de localiser, sur une figure à
deux axes, des événements (naissances, décès...) et des effectifs de population en
fonction du temps.

La trajectoire de vie d’un célibataire est donc une droite de pente 1 (car le temps
calendaire et l’âge avancent au même rythme). Les données tabulées énumèrent le
nombre d’événements et le temps de risque (somme des durées des trajectoires de vie)
dans certains sous-ensembles du diagramme de Lexis, généralement des sous-ensembles
classés par âge et par période à des intervalles également longs.
Les lignes de vie individuelles peuvent être affichées avec une coloration en fonction de Figure 4.1 : Observed and Projec-
ted age-period domains with typi-
différents états (maladie ou autre), ou le diagramme peut simplement être affiché pour cal cohort [9]
indiquer quels âges et périodes sont couverts, et quels sous-ensembles sont utilisés pour
la classification des événements et le temps de risque.
Sur l’axe des abscisses, on note les années et sur l’axe des ordonnées, l’âge de la
personne.

Figure 4.2 : Exemple aux Etats

Unis en fonction de l’année et
de l’âge (Human Mortality Data
Base). En dehors de l’effet âge
structurel (Augmentation de la
mortalité avec l’âge), on voit que la
déformation de la mortalité se fait
par cohorte. Source : Diagramme de
Lexis

4.2.1 Les différents modèles selon leur hypothèses APC

Un modèle Âge-Période-Cohorte permet donc de prendre en compte, de façon indé-
pendante ou comme une fonction non linéaire des trois effets suivants :
— les effet âge (au suivi), a (comme les modèles précédents de Gompertz ou de
lissage)
— les effets pures de période p (guerre,...) qu’on voudra probablement lisser
— les effets de génération (amélioration de l’espérance de vie) c. On note que
a = p − c 11 . Les trois variables utilisées pour décrire les taux sont linéairement 11 c’est ce qui permet de le repré-

liées, et le modèle peut donc être paramétré de différentes manières, et toujours senter ces trois variables en deux di-
mensions !
produire les mêmes taux estimés.
CHAPITRE 4. INTÉGRER LA DIMENSION TEMPORELLE DES TABLES DE MORTALITÉ33

Figure 4.3 : Quelques exemples :

un effet ”covid” sera un effet de pé-
riode, touchant l’année 2020 et 2021
une guerre aura normalement un ef-
fet cohorte important, touchant les
jeunes en âge de combattre amé-
liorer le risque en mobylette aura
un effet âge (réduisant fortement la
mortalité des 14- 25 ans)

4.3 Approche dynamique des tables de mortalité

4.3.1 Analyse empirique
Pour construire un modèle dynamique, il nous faut regarder l’évolution des taux de
mortalité au cours du temps. Pour cela, nous allons utiliser les tables de mortalité
régulièrement éditées par l’INSEE qui donnent aussi l’espérance de vie résiduelle à
chaque âge.
La base de l’insee se présent ainsi, avec pour chaque année d’observation, une ligne par
génération 4.4 :

Diagramme de Lexis pour les femmes en France A partir des données INSEE,
calculons le diagramme de Lexis à partir des q x des femmes par génération : Figure 4.4 : Format de la base IN-
SEE

Figure 4.5 : Diagramme de Lexis

présentant les quotients de morta-
lité des femmes d’après les données
INSEE - T68 – Table de mortalité
en données triennales

Exercice 15
A la différence du diagramme de Lexis précédent, l’effet génération est moins notable.
Avez-vous une explication [Solution]
On peut ensuite représenter l’évolution du taux de mortalité ou de l’espérance de vie,
par exemple pour une femme à 90 ans.

l’espérance de Vie d’une femme de 90 ans selon l’année t Regardons l’espé-

rance de vie de 1978 à 2020 d’une femme de 90 ans
 CHAPITRE 4. INTÉGRER LA DIMENSION TEMPORELLE DES TABLES DE MORTALITÉ34

1 TableEvolutionT.loc[( TableEvolutionT ['Age']==90) &(( TableEvolutionT['Sexe '

]==2))]

Figure 4.6 : Evolution de l’espé-

rance de Vie (EVx ) d’une femme de
90 ans selon l’année t.

L’espérance de vie de Jeanne Calment à 90 ans augmente de 3.6 ans à 5.2 ans sur la
période. Du fait de populations plus faibles, la hausse est un peu heurtée.
Propriété 12
On voit sur cet exemple qu’il faudra tenir compte dans le choix du modèle que
nos échantillons seront moins nombreux, avec un risque de non-robustesse du
modèle s’il y a trop de paramètres : il apprend ”bien” sur les données mais prédit
”mal” le futur.

l’espérance de Vie d’un homme de 51 ans Afin de voir comment l’espérance de

vie a augmenté selon les âges, regardons maintenant l’espérance de vie pour un homme
de 51 ans
1 TableEvolutionT.loc[( TableEvolutionT ['Age']==51) &(( TableEvolutionT['Sexe '
]==1))]

Figure 4.7 : Evolution de l’espé-

rance de Vie (EVx ) d’un homme se-
lon l’année t.

On constate que l’espérance de vie a été beaucoup plus importante pour un homme
de 51 ans en absolu (+7 ans). En relatif, l’espérance de vie a augmenté de 29% alors
qu’elle a augmenté de 44% pour les femmes de 90 ans.
CHAPITRE 4. INTÉGRER LA DIMENSION TEMPORELLE DES TABLES DE MORTALITÉ35

Propriété 13
L’évolution de l’espérance de vie n’est donc pas la même selon les âges (ce que
nous avions vu avec le diagramme de Lexis) et il convient donc de le modéliser
en tenant compte non seulement de l’année calendaire t mais aussi de l’âge.

4.3.2 Construire un modèle APC

Les éléments suivants doivent être pris en compte lors de la conception d’un modèle
APC :

Besoin de contraindre le modèle pour extrapoler A la différence du modèle de

Gompertz ou de Makeham, nous allons analyser génération par génération les données
et donc diviser par 100 environ (en considérant qu’on vit jusqu’à 100 ans) toutes nos
données. Cela veut dire que les taux de mortalité pour chaque âge, génération et sexe
seront très volatiles. Pour compenser cela, il nous faut introduire un modèle ”fort” qui
compensera ce manque de données.

Modèle déterministe ou Stochastiques les modèles déterministes ne prennent

pas en compte l’aspect aléatoire de l’évolution de la mortalité. Ils sont donc plus
simples à calculer mais sont aujourd’hui délaissés au profit des modèles stochastiques
qui intègrent l’incertitude autour de la prédiction. Pour plus de détail sur les modèles
déterministes, on pourra se référer à [5, p. 90 et ss].

La dimension taux sur quel effet Normalement, on choisit l’effet d’âge.

points de référence pour les effets de période et de cohorte ? Normalement,

on choisit comme point de référence soit la période soit la cohorte, et on contraint
l’autre à être 0 en moyenne. Mais choisir un point de référence pour les deux fonctionne
aussi ; le choix n’influencera que le niveau des taux par âge.

dérive (tendance linéaire) Normalement, on met cette tendance avec l’effet de

cohorte, soit avec l’effet de période, laissant l’autre avoir une pente de 0 en moyenne.
Ce choix influencera la pente des taux par âge.

Approche pratique On traduira par trois courbes les hypothèses prises plus hauts,
qui pourraient être par exemple :
— Les taux estimés par âge dans la cohorte de de référence (ex : 1940).
— L’estimation de l’effet cohorte par rapport à la cohorte de référence.
— L’estimation de l’effet période pris comme résidu (car il est contraint à 0 en
moyenne avec une pente de 0).
Ce type de choix pour la paramétrisation n’est pas lié au choix particulier de modéliser
les trois effets, soit un modèle factoriel, des splines, des polynômes fractionnaires, ...

4.4 Modèle de Lee-Carter

Dans leur article [8], Lee et Carter introduisent un modèle permettant de tenir compte
à la fois de l’âge et de l’année calendaire.
Définition 18 : Modèle de Lee-Carter.
(ex : TGH 05 et TGF 05) Il s’agit d’une méthode d’extrapolation des tendances
passées. La modélisation retenue pour le taux instantané de mortalité est la
suivante :
ln(µ x,t ) = α x + β x κt

Dans un tel modèle, on identifie :

— d’abord la tendance dépendant de l’âge x. C’est α
— puis un effet croissant une tendance κt calendaire que l’on multiple à β x
 CHAPITRE 4. INTÉGRER LA DIMENSION TEMPORELLE DES TABLES DE MORTALITÉ36

S’il y a une amélioration de l’espérance de vie une année donnée pour les jeunes, alors
il y aura aussi une amélioration de l’espérance de vie pour les vieux. Hypothèse qui
parait réaliste a priori mais qui est finalement assez forte, par exemple, en 2003 ou en
2020, les chocs de mortalité ont touchés essentiellement les populations âgées.
Pour le programmer, on utilise une décomposition en valeur singulière (comme par
exemple pour l’Analyse en Composantes Principales -ACP) 12 : 12 implementation en Python par
Andy Chen
1 def lee_carter(rate , T, N):
2
3 logm_xt = np.log(rate).T
4 a_x = logm_xt.sum(axis =1) / T # Alpha est la moyenne des alpha x
sur les années t
5 z_xt = logm_xt - a_x.reshape(N, 1) # z_xt est une regression à erreur
emboîtée (on travaille sur le résidu) qu'on va ensuite décomposer en
valeur singuliere.
6 # Singular Value Decomposition.
7 U, S, V = np.linalg.svd(z_xt , full_matrices=True)
8 bxkt = S[0] * np.dot(U[:, 0]. reshape(N, 1), V[0, :]. reshape(T, 1).T)
9 eps = z_xt - bxkt
10 logm_xt_lcfitted = bxkt + a_x.reshape(N, 1)
11
12 b_x = U[:, 0]/U[:, 0]. sum()
13 k_t = V[0, :]*S[0]*U[:, 0]. sum()
14 a_x = a_x + k_t.sum()*b_x
15 k_t = k_t - k_t.sum()
16
17 kwargs = {"U": U, "S": S, "V": V, "logm_xt": logm_xt ,
18 "z_xt": z_xt , "eps": eps , "logm_xt_lcfitted": logm_xt_lcfitted }
# variables pouvant être sorties sur demande
19
20 return (a_x , b_x , k_t , kwargs)
21
22 # mise en forme des données françaises de l'INSEE : 1 ligne par année , 1
colonne par âge
23 rate = pd.pivot_table(df , values='MUx', index =['Annee '],
24 columns =['Age'], aggfunc=np.mean).to_numpy ()
25 T=np.shape(rate)[0] #Nombre d'année t
26 N=np.shape(rate)[1] # Age maximum
27
28 a_x , b_x , k_t =lee_carter(rate , T, N)

4.4.1 Résultat sur les données françaises

On peut ensuite grapher les trois paramètres de Lee-Carter.
Propriété 14 : Résultat de Lee-Carter sur la France.
Les graphiques ci-dessus permettent d’observer :
— Le paramètre α x s’interprète comme la valeur moyenne des ln(µ xt ) au
cours du temps. En cas de modèle de Gompertz, on s’attend donc à avoir
une droite, ce qui n’est pas le cas, on voit la forte hausse à 20 ans (mortalité
routière) ainsi que le changement de tendance à 80 ans (lié à l’orthogona-
lisation des tables (cf p. 26).
— le coefficient β x traduit la sensibilité de la mortalité instantanée à l’âge x
par rapport à l’évolution générale k t qui serait constante. On voit β x très
élevé à 80 ans : C’est à cet âge que l’amélioration du taux de mortalité
sera la plus nette. On voit qu’à 51 ans, l’amélioration du taux de mortalité
sera plus faible, car déjà très faible.
— quand à k t , il est assez stable (mais il n’y a pas 2020 et le Covid !). On
voit néanmoins une légère décélération de l’amélioration en 2003 suivi par
un rapide rattrapage (année 26 (2003) haute et année 27-28 revenant à la
tendance précédente).

Limites de Lee-Carter Bien que le modèle de Lee-Carter ait donné lieu à de nom-
breuses applications, il présente quelques difficultés opérationnelles, en particulier une
faible adéquation aux données réelles. Cela vient en partie que le modèle assume (im-
plicitement) une corrélation parfaite entre les âges de l’amélioration de la mortalité,
alors que la réalité ne montre pas une telle corrélation.
CHAPITRE 4. INTÉGRER LA DIMENSION TEMPORELLE DES TABLES DE MORTALITÉ37

Figure 4.8 : Modèle de Lee-Carter

sur les données Françaises à par-
tir des tables de mortalité INSEE.
Pour α x et β x , l’âge x varie de 0 à
99 ans. Pour k t , 0 représente 1977
et 43, 2019.

— Par ailleurs, le modèle de Lee-Carter est un modèle simple : toute l’amélioration

de l’espérance de vie est traduite dans un paramètre kt . Ce qui entraîne une
faible adhérence aux données et donc une erreur importante.
— prendre un modèle plus complexe permet de réduire l’erreur et donc de projeter
moins de volatilité dans la simulation. A l’inverse, un modèle complexe peut
très bien adhérer aux données empiriques mais, du fait d’un sur-apprentissage,
présenter un faible effet prédictif. Si on veut projeter sur plusieurs années, on
utilisera plutôt un modèle ARIMA.
— Utilisation de modèles : passage d’un modèle purement statistique à un modèle
plus explicatif : modèle SIR, SEIR, catastrophe...

D’autres modèles en ACT206, en particulier le modèle CBD Le modèle de

Lee-Carter n’est plus la référence opérationnelle aujourd’hui en terme de modèle APC,
même s’il reste comme le modèle de Gompertz, une référence actuarielle. Il sera étudié
dans le cours ACT206 d’autres modèles et en particulier les modèles CBD.

Une amélioration inéluctable de l’espérance de vie ? Le Covid a montré qu’il

n’y avait pas de fatalité à l’augmentation de l’espérance de vie. [10] liste une série
de raisons qui pourraient limiter cette amélioration. Lors de la simulation de l’aléa
mortalité, il convient de ne pas oublier que les modèles purement économétriques ont
leur pertinence mais ne disent pas tout de l’évolution du risque.

4.5 Synthèse
Synthèse 5
Ce que je retiens de cette exploration à travers la dynamique dans le temps des
tables de mortalité :
— Lors du cours précédent, nous avons élaboré une table statique à un mo-
ment donné mais qui ne tient pas compte des dynamiques en jeu sous-
jacentes aux tables de mortalité : baisse des accidents, meilleurs traite-
ments, ... On risque de sous-estimer l’espérance de vie en ne tenant pas
compte de ces tendances. Par exemple, nous avons vu que l’espérance de
vie résiduelle avait augmenté de 7 ans en 40 ans pour un homme de 51
ans.
CHAPITRE 4. INTÉGRER LA DIMENSION TEMPORELLE DES TABLES DE MORTALITÉ38

— pour comprendre ces dynamiques, le diagramme de Lexis est un outil

adapté présentant sur le même graphique temps, âge et cohorte. Nous
avons pu voir l’importance des cohortes dans l’amélioration de l’espé-
rance de vie et même comprendre les raisons : baisse des maladies cardio-
vasculaires, respiratoires et infection.
— Pour modéliser ces dynamiques, le modèle de Lee-Carter sépare l’effet âge
(mesuré par α) de l’effet calendaire (mesuré par k t et s’appliquant sur β x ).

4.6 Exercices
Exercice 16 : Le diagramme de Lexis pour représenter les causes de mor-
talité.
Le diagramme de Lexis permet d’étudier non seulement l’évolution des taux de décès,
mais aussi les causes de la mortalité. Ainsi, on peut représenter la cause principale de
mortalité en France selon la période et l’âge, ainsi que la proportion de cette cause
principale par rapport à tous les décès.

Figure 4.9 : une couleur pourpre

foncée dans le graphe indiquera
qu’à cette période et cet âge, la
cause principale sont les causes ex-
ternes (accidents) pour 60 à 80%
de la totalité des décès : Source

On peut aussi représenter ce diagramme par plusieurs diagramme de Lexis (un par
type de cause, l’intensité indiquant une proportion croissante de cette cause dans la
mortalité totale de la période et de l’âge) :
1. Commentez les principales conclusions de ces diagrammes.
2. Un assureur souhaite proposer une assurance « décès en cas de cancer » (appelé
aussi néoplasme) pour les personnes de 50-60 ans. Que pensez-vous de cette
garantie ? à partir de ces graphiques ? En utilisant aussi les discussions en cours
sur l’évolution de la mortalité ?
[Solution]
Exercice 17
Sur les fichiers ACT102 (fichier des tables de mortalité de l’INSEE, 1977... 2019), faire
tourner un modèle de Lee-Carter. En déduire la mortalité 2020 attendue.
— Des onglets des années 1977 à 2019 (t) 2. Et pour chaque onglet des ages de 0
à 99 ou 104 suivant les onglets (x)
[Solution]
CHAPITRE 4. INTÉGRER LA DIMENSION TEMPORELLE DES TABLES DE MORTALITÉ39

Figure 4.10 : une couleur fon-

cée indique que l’importance de
cette cause à cette époque donnée.
Par exemple, les accidents (”Exter-
nal Causes”) représentent réguliè-
rement 80% des causes de morta-
lité des personnes de 20 ans, alors
que les causes de mortalité liées à la
grossesse (”Perinatal conditions”)
ne sont une cause significative qu’à
la naissance.
 Chapitre 5

Solvabilité

5.1 Cadre général de la solvabilité

5.1.1 Assurance : cycle inversé de production

Définition 19 : Cycle Inversé de Production.
Normalement, on produit et on vend ensuite. Le client a donc un risque de perte
limité (le temps que le bien arrive) En assurance, on vend d’abord l’assurance et
ensuite on produit (sous forme de prestation de sinistre). Entre temps, l’assureur
a pu faire faillite.

Une conséquence directe du cycle inversé de production est le besoin de régulation

pour s’assurer que l’assuré sera bien couvert quand il en aura besoin et éviter la ruine.

Qu’est ce que la ruine ? Imaginons une société avec un risque S(t) qui soit normal
avec une variance de 1, une espérance E(S) couverte par des provisions et par un
capital de 1. Alors, la société est en ruine dans les cas en bleu.
1 mu = 0 # hypothèse de résultat moyen nul
2 variance = 1 # volatilité du risque mesuré par la variance
3 Capital = 1 # capital
4 sigma = math.sqrt(variance)
5 x = np.linspace(mu - 3*sigma , mu + 3*sigma , 100)
6 plt.plot(x, stats.norm.pdf(x, mu , sigma))
7 plt.fill_between(x, stats.norm.pdf(x, mu , sigma), 0, x<-Capital)

40
CHAPITRE 5. SOLVABILITÉ 41

5.1.2 Cadre traditionnel : la probabilité de ruine et le modèle

Collectif
Le modèle de Cramer Lundberg (modèle collectif)
Le modèle classique en Assurance est le modèle de Cramer Lundberg. Il ne s’agit pas
ici de le développer mais de comprendre les intuitions du modèle.

Modèle de Cramér-Lundberg :
— Le processus de valeur de sinistres : ( Xk ) est iid13 positif avec la valeur moyenne 13 iid : Variables indépendantes et

d’un sinistre E( X ) = µ et la variance du coût de sinistres var ( X ) = σ2 et suivant identiquement distribuées

une function de distribution F qui peut être assez général (mais qui si elle est
spécifiée permet souvent de calculer la probabilité de ruine directement)
— la survenance d’un sinistre est aléatoire. Le nombre de sinistre pendant l’inter-
valle de temps [0, t] est noté :

N (t) = sup {n ≥ 1 : Tn ≤ t}

— Le temps entre deux sinistres est noté Y et suit une loi exponentielle (sans
mémoire) de moyenne EY = λ1
— X et Y sont indépendants.
— Le processus de risque U (t) correspond à la richesse de la société (wealth), c’est
à dire ses fonds propres à n’importe quel moment t et qui s’exprime dans ce
modèle comme :
U (t) = u + ct − S(t)
avec :
— u le capital initial, c les primes (considérées comme un flux constant),
— S(t) le processus de la charge totale des sinistres (∑ Xi ). En moyenne, cette
charge E (St ) = λµ

Définition 20 : chargement de sécurité.

ρ = λµc
− 1 est appelé le chargement de sécurité. Si on impose ρ > 0, alors la
société a une espérance de profit positif.

Définition 21 : Probabilité de ruine à l’infini.

Le modèle de Cramér-Lundberg s’intéresse à la probabilité de ruine à l’infini ψ.
En appelant τ le moment de la ruine, on peut donc exprimer : ψ(u) = P {τ < ∞},
 CHAPITRE 5. SOLVABILITÉ 42

Thèoreme 15 : Théorème de Cramér-Lundberg.

On considère le modèle précédent en imposant juste que ρ > 0. On appelle R la
solution strictement positive à l’équation suivante :

1 + (1 + ρ)µr = m X (r )

avec
m X (r ) = E[erX ]
La solution est appelée probabilité de ruine ψ(u) = P u {τ < ∞}, est liée à la
richesse initiale u. La plus grande solution − R est appelée coefficient d’ajustement
et fournit l’approximation asymptotique de Cramér-Lundberg :

ψ(u) ≈ e− Ru

Dans le cas particulier où la taille des sinistres suit une loi exponentielle, alors la
probabilité de ruine peut s’exprimer comme :
( )
λµ − λ
µ− c
1 u
ψ(u) = e .
c
Remarque
Quelques remarques :
— il faut d’abord couvrir le risque en moyenne (c = λµ). c’est le rôle des provisions
économiques.
— Mais si on n’a que les provisions économiques (et donc pas de marge de sécurité
c = µλ), on voit que la probabilité de ruine est égale à 1 . ψ(u) = e0 .
— C’est élégant mathématiquement mais difficilement opérationalisable : effets de
la dépendance, saisonnalité, sinistres non elliptiques... Par ailleurs, les assureurs
ont cherché un modèle qui permet d’optimiser le capital et pas seulement de
savoir que la ruine est possible (ce sera le modèle de Finetti).
— pour les mathématiciens, le processus de Cramér-Lundberg est un cas particulier
d’un processus de Lévy, très utilisé en finance. 2018.

Les différentes Provisions

Nous l’avons vu, la première des méthodes pour réduire la ruine, c’est d’avoir des
provisions qui permettent de couvrir le risque moyen attendu . Dans le cas d’un d’un
contrat Temporaire décès, qu’assure la Centenaire, il s’agit principalement (en comptes
sociaux Français) :

Provisions techniques Pour les assurés ou l’assureur ?

PM - Provisions Mathématiques C’est la dette envers les assurés liée au risque Table 5.1 : Provisions de l’assureur
couvert en cas d’assurance décès
PGG - Provision globale de gestion frais de gestion futurs

5.1.3 Calcul de ces provisions sur un cas pratique : Temporaire

décès de l’honorable King Fo
Et maintenant quel capital à mettre en place pour que la centenaire vive
100 ans ?
Un rappel des résultats du premier cours sur la probabilité de décès de King Fo :

Nous cherchons à calculer la probabilité de ruine à 1 an, qui est le cadre de Solvabilité
II. rn (K ) = P (S − E(S) + K < 0) la probabilité de ruine avec le capital K avec n
clients.
1 def SimulationCapital( NbreAnneeSimulees = 10000 , NbreClients = 10000 ,Qx =
0.00094 , CapitalAssure= 200000):
 CHAPITRE 5. SOLVABILITÉ 43

2 # Paramètres
3 # indiquer le nombre de simulations que l'on veut NbreAnneeSimulees
4 # nombre de clients NbreClients
5 # Probabilité de mourir de King Fo Qx
6 # Capital Assuré CapitalAssure
7 Provision = CapitalAssure * Qx * NbreClients
8
9 df = np.random.rand(NbreAnneeSimulees , NbreClients)
10 df = np.where(df <= Qx , - CapitalAssure , 0)
11
12 S = np.sum(df , axis =1)
13 SituationFinAnnee = S + Provision
14
15 sns.displot( SituationFinAnnee)
16 print ('Provision :',Provision)
17 print ('n :', NbreClients)
18 print ('Quantile 1% : ',np.quantile(SituationFinAnnee , 0.01))
19 print ('r(K)',np.sum(np.where(SituationFinAnnee <0,1/ NbreAnneeSimulees ,0))
)
20 SimulationCapital (NbreClients = 1)
21 SimulationCapital (NbreClients = 1000)

Provision Quantile 1% Proba Ruine

1 client 188 188 0.1% Table 5.2 : Principaux résultats
1000 clients 188 000 -612 000 61.4% avec 1 et 1000 clients

Avec un seul client, le risque est très concentré dans la zone autour de 0, avec quelques
années où King Fo meurt et la perte de la compagnie très importante (en proportion
des provisions). A noter que le capital pour couvrir le risque centenaire est faible (et
même négatif ! ), puisque le risque que King Fo ne meurt est inférieur à 1%.

Figure 5.1 : Distribution des résul-

tats de la Centenaire avec à gauche,
Un seul client et à droite, 1000
clients

On note qu’avec 1000 clients, la provision de 188 000 permet de payer à peu près 1
mort par an. Le quantile 1% est constitué de 4 morts dans la même année.

et si on augmente le nombre de personnes assurées (le secret de la mutuali-

sation !) Augmentons à 10 000 le nombre de clients, puis en gardant le même nombre
de clients, augmentons la probabilité de décès (probabilité de la table de Duvillard au
lieu du taux de mortalité actuel).
1 SimulationCapital (NbreClients = 10000)
2 SimulationCapital (NbreClients = 10000 ,Qx = 0.014)

Tout d’abord avec la mortalité actuelle, alors qu’on a multiplié le nombre de clients
par 10, on n’a besoin de multiplier le capital que par 2,5.

qx Provision Quantile 1% Proba Ruine

10000 clients 0.094% 1 880 000 -1 520 000 46.4% Table 5.3 : Principaux résultats
10000 clients 1.4% 28 000 000 -5 600 000 47.4% avec 10 000 clients, à gauche, q x =
0.094% et à droite q x = 1.4%

Quand on augmente la probabilité de mortalité, en passant à la mortalité du XIXè

siècle, on voit aussi une plus grande stabilité : le quantile 1% a certes augmenté mais
beaucoup moins que la provision (et la prime).
CHAPITRE 5. SOLVABILITÉ 44

Figure 5.2 : Distribution des résul-

tats de la Centenaire avec 10 000
clients, à gauche, q x = 0.094% et à
droite q x = 1.4%

Propriété 16 : Stabilité du résultat.

La stabilité du résultat augmente avec le nombre d’individus. Un risque rare en
revanche rend le résultat plus aléatoire.

Méthode 2 : par calcul formel la méthode par simulation est simple mais peut
rapidement devenir très consommatrice en ressource machine (surtout si c’est mal
programmé). Il est toujours utile de passer par un calcul formel (je protège ma planète).
Soit :
— n personnes ayant la probabilité de décès au cours de l’année q x .
— on verse le capital assuré C si la personne décède au cours d’année.
— le capital de la société est K. il faut donc k = K C morts la même année pour faire
faillite.
Alors la variable aléatoire CS suit une loi binomiale de paramètres n, q x simplifié q pour
ne pas alourdir les notations, c’est à dire :

∑ Xi
= k) = Cn qk (1 − q)n−k
p
P(
C

Théorème de Moivre - Laplace Ce théorème, démontré avant le théorème cen-

tral limite montre l’approximation de la loi binomiale par la loi normale quand n est
grand.
Thèoreme 17 : Théorème de Moivre - Laplace.
On note :
— SCn une loi binomiale de paramètres n et p
— Φ la fonction de répartition de N (0, 1)
Alors le théorème de Moivre-Laplace (qui anticipe chronologiquement le Théo-
rème Central limite) établit, quand le nombre n de tirages augmente :
( )
Sn
− np
lim P √ C
≤ t = Φ(t)
n→∞ np(1 − p)

ζ −np
En posant t = √ (pour centrer réduire la distribution), on obtient :
np(1− p)
( )
Sn ζ − np
P( ≤ ζ) ≈ Φ √
C np(1 − p)
Remarque : sur cette approximation.
On a donc :
— La loi normale suivie par SCn est une loi de moyenne m = n.p et d’écart type
σ2 = np(1 − p).
— Cette approximation est bonne en général pour n p (1 − p) ≥ 10.

Application au besoin en capital On cherche à savoir quand la charge sinistre Sn

dépasse la provision (E (Sn ) = npC) et consomme le capital K = kC,
 CHAPITRE 5. SOLVABILITÉ 45

Synthèse 6
En utilisant la propriété que suit une binomiale n,q et en posant t = √ −k
Sn
C np(1− p)
√
(pour réduire la distribution), et en multipliant par C np(1 − p) on obtient :
( )
k
rn (K ) = P(Sn − npC ≤ −K ) ≈ Φ √ (5.1)
np(1 − p)

Le problème dual : à capital donné, combien de clients possible ? On veut

calculer le capital nécessaire en fonction du nombre de clients (exprimé en logarithme).
Pour cela, on utilise directement la fonction binomiale.
1 n_values = list(range (8))
2 CapitalLaCentenaire = 20000000
3 NbreMortsMax = CapitalLaCentenaire / CapitalAssure
4 print('Capital de la société exprimé en nombre de morts : ', NbreMortsMax)
5 df2 = pd.DataFrame(n_values ,columns =['Nombre de clients (log)'])
6 df2['n'] = 10** df2['Nombre de clients (log)']
7 df2['p(k>capital)'] = 1-binom.cdf(NbreMortsMax ,
8 df2['n'],
9 p)
10 df2['p(k>capital+provision)'] = 1-binom.cdf(NbreMortsMax+ (df2['n'] * p) ,
11 df2['n'],
12 p)
13

Figure 5.3 : Probabilité de ruine

de la Centenaire selon le nombre
de clients. A gauche, sans prime, à
droite avec une prime sans marge
de sécurité

On voit que la probabilité augmente pour devenir 1 à partir de 105 clients. Le fait
d’introduire la provision fait peut évoluer la probabilité de défaut, par la probabilité
de mortalité est très faible. En revanche, dès que l’on arrive à n6 , la probabilité de
ruine augmente certes mais moins vite que sans provision. si on augmente le prix de
l’assurance, peut on faire descendre la probabilité de ruine ?
Exercice 18
Le calculer avec l’approximation normale 5.1.

Réduire le risque en augmentant la prime : le Chargement technique de

Sécurité Si on ajoute à la prime Π00 un chargement de sécurité tel que :

Π00 = E ( X )(1 + λ) = np(1 + λ)C

On rappelle qu’on a ( )
Sn
− np
P √C ≤t ≈ Φ(t)
np(1 − p)

En posant t = √ k + √ λnp (pour réduire la distribution), et en multipliant

np(1− p) np(1− p)
√
par C np(1 − p) on obtient :
 CHAPITRE 5. SOLVABILITÉ 46

Propriété 18
La ruine arrive quand le résultat R = Sn − n p C − λ n p C dépasse le capital
K = C k.

( )
k λnp
rn (K ) = P(Sn − npC − λnpC ≤ K ) ≈ Φ √ +√
np(1 − p) np(1 − p)

1 from scipy.stats import norm

2
3 p = 0.00094
4 q = p
5 Coeflambda = 0.01 # On prend 1% de marge pour les bénéfices
6 CapitalLaCentenaire = 1000000
7
8 # moyenne et Variance de la loi normale
9 k = CapitalLaCentenaire / CapitalAssure
10
11 df2['Terme Capital '] = k /(df2['n'] * q * (1-q))**0.5
12 df2['Terme Lambda '] = Coeflambda * (df2['n']* q)**.5 /(1-q)**0.5
13 df2['k>Capital+Provision (Normal)'] = 1-norm.cdf(df2['Terme Capital ']+df2['
Terme Lambda '])
14 pd.options.display.float_format = '{:,.4f}'.format
15 display(df2)
16

Le résultat est le suivant :

Propriété 19 : Rappel des valeurs importantes de la loi normale.

si X est une v.a. suivant une loi normale d’écart type σ, alors la probabilité de
ruine rnX pour le quantile α = 0.5% (celui de solvabilité 2), n clients et une loi de
sinistralité X
rnX (α) < 0, 5% ⇔ α > 2, 576.σ (5.2)

On note aussi l’écart de -2.366 pour le quantile centenaire α = 1% et -2.054 pour

α = 2% (cinquantenaire).
Exercice 19
Quel est le capital K pour avoir une probabilité inférieure à 0.5% si n = 5000 clients
[Solution]

5.1.4 l’hypothèse forte d’une va i.i.d. (Titanic, Covid)

L’hypothèse de tous ces modèles, c’est l’indépendance des risques et le fait qu’elle
soit identiquement distribuée (on dit aussi homogène) : on appelle cela une variable
aléatoire iid 14 . Dans la réalité, c’est faux : 14 Indépendante et identiquement

— homogeneité : on peut avoir dans le portefeuille un grand risque, comme l’ho- distribuée - iid est aussi utilisé en
anglais
norable king fo, qui déséquilibre le portefeuille
— indépendance : on peut avoir plusieurs clients dans le titanic. Ou le Covid.

Pour les risques non homogènes, c’est assez simple

On modélise indépendamment les risques identiques X et Y et on les agrège par tirage
aléatoire ou par passage aux fonctions caractéristiques (ϕX +Y = ϕX ϕY )
 CHAPITRE 5. SOLVABILITÉ 47

Pour les risques non indépendants : simuler les corrélations entre les risques
Ex : repartons du modèle de Lee Carter calculé dans la partie p. 37. Au lieu du calcul
direct de Lee Carter (qui donne les estimateurs mais pas leur variance), on peut utiliser
une régression linéaire généralisée (GLM) qui nous permet d’obtenir la volatilité du
résultat de façon aisée.
1 # On calcule MuX avec un intervalle de confiance de 0.5%
2 df['ResultsMuMean ']= dfLeeCarterSimu.summary_frame ()['mean ']
3 df['ResultsMuMax ']= dfLeeCarterSimu.summary_frame(alpha =0.005)['mean_ci_upper '
]
4 display(df[(df['Age']==31) &(df['Annee ']==2019) ])
5

Resimulons le risque en prenant ce scenario On a prévu comme capital :

1 CapitalLaCentenaire = 20000000
2 p = 0.00094 # risque attendu ; sert pour le calcul de la prime et des
provisions
3 p_reel = 0.007599 # probabilité réelle observée
4
5
6 df2['Provision '] = p * CapitalAssure * df2['n']
7 df2['Marge '] = p * CapitalAssure * df2['n'] * Coeflambda
8
9 df2['ResultatPctCapital '] = (-( p_reel * CapitalAssure * df2['n']) + df2['
Provision '] +df2['Marge ']) / CapitalLaCentenaire
10 #Calcul de la perte comme un pourcentage du capital
11 pd.options.display.float_format = '{:,.2f}'.format
12 display(df2)
13

— On voit que pour les petits portefeuilles (jusqu’à 1000), le risque d’un ”choc”
de mortalité est encore limité mais explose pour devenir un multiple du Capital
(ex : 85 fois le capital si on a 1000 000 d’individus). Alors que la probabilité
prise est certes élevée (0.76% soit x 8 par rapport à la probabilité actuelle) mais
bien inférieure à celle de la table de Duvillars (1.4%).
— Alors que le risque lié au risque lié à la survenance indépendante de plusieurs
morts a tendance à diminuer avec la taille du portefeuille, surtout avec une
marge de sécurité.

Une difficulté à tout modèle de risque : l’impossibilité de réfutation La

plupart des modèles de risque prévoit la possibilité de tout évènement stochastique
mais appliquent à chaque évènement une probabilité différente. Comment réfuter de
tels modèles en fonction de l’expérience ? Après le Covid, un modèle qui a prévu une
mortalité du covid mais uniquement tous les 2000 ans est-il ou non valable ?

Pour limiter les risques, l’utilisation de la réassurance

Un assureur dispose d’une alternative au capital, la réassurance, c’est à dire la cession
des risques à un réassureur. Il existe plusieurs formes de réassurance :
— Quote-Part, une cession proportionnelle de toutes les primes et de tous les si-
nistres, en contrepartie d’une commission. Cette structure est adaptée pour
céder tous les types de risques (en particulier déviation de mortalité)
— Excédent de plein (Anglais : surplus) : en cas de portefeuille non homogène,
cession des capitaux assurés les plus importants
CHAPITRE 5. SOLVABILITÉ 48

— Pour les risques de pandémie et catastrophe, il existe des couvertures non pro-
portionnelles qui couvrent uniquement ces risques mais qui peuvent poser des
difficultés en assurance vie de définition.
Synthèse 7
On peut retenir :
— Une société qui propose de l’assurance décès est exposée à deux types de
risque :
— celui d’un événement individuel important, risque qui augmente moins
rapidement que le nombre de clients (loi des grands nombres)
— un risque de sous-estimation de la mortalité, qui peut venir soit d’un
”choc de mortalité” comme le Covid, ou bien une erreur de pricing
(souvent liée à une sous-population souscrite ayant des caractéristiques
différentes de la population). Ce risque augmente proportionnellement
à taille du portefeuille et tend à être le risque principal pour les por-
tefeuille
Pour réduire ce risque, un assureur peut :
— augmenter la marge de sécurité qu’il prend au niveau de la prime. Cette
technique est particulièrement efficace en cas de portefeuille important
— se réassurer
— augmenter le capital

Exercice 20 : réassurance proportionnelle.

Un assureur cède en Quote-part π et conserve 1 − π de toutes les primes et sinistres.
Comment évolue la probabilité de ruine, exprimée en fonction de la loi normale ? Si la
cession est de 50%, trouver le montant de fonds propre requis.

Exercice 21 : Un portefeuille atypique.

Un assureur appelé de la Terre à la Lune, propose d’assurer en assurance décès l’As-
sociation des Astronautes, les Cosmonautes, les Spationautes et les Taigonautes réunis
(AACSTR). Pour cela, il estime le risque de décès à 0.00094 car il a calculé que l’âge
moyen des ACST est de 31 ans. Le risque principal étant la chute de la station orbitale
internationale, l’assureur achète une réassurance en cas de chute de cette station.
— A quel risque l’assureur est-il encore exposé ?
Figure 5.4 : Le sigle de l’assureur
— comment estimer le bon niveau de prime ? de la Terre à la Lune
[Solution]

5.2 Synthèse

5.3 Problèmes
Exercice 22
Montrer que la probabilité de ruine, notée rn (K )), d’une société ayant un capital K,
une prime couvrant la prime pure, et assurant n contrats décès de probabilité q et de
capital par tête C peut être exprimée comme :
( )
−k
rn (K ) ≈ Φ √
nq (1 − q)

On rappelle la formule de Moivre pour une fonction X qui suit une loi binomiale de
paramètre n, p. ( )
X − np
lim P √ ≤ t = Φ (t)
n→∞ np (1 − p)
[Solution]
Chapitre 6

Introduction aux modèles de

Projection

6.1 Comprendre IFRS et Solvabilité 2

6.1.1 Solvabilité 2 et IFRS : une vision cohérente du risque
Le paradigme financier Pour estimer la valeur, on regarde le prix si on couvre tout
le risque par des actifs financiers : Le paradigme financier s’appuie sur deux hypothèses
fondamentales :
— l’absence d’opportunité d’arbitrage : il est impossible pour un agent économique
de trouver une stratégie lui permettant de gagner de l’argent de manière certaine
en partant d’une richesse initiale nulle,
— la complétude : tout flux monétaire futur peut être reproduit en constituant un
portefeuille d’actifs sous-jacents (actions, obligations...) bien choisi.

paradigme ”actuariel” Ce cadre marche bien pour les actifs financiers. En re-
vanche, pour les risques d’assurance (”assurer ma voiture”), il n’existe pas de marché
secondaire permettant de céder ce risque15 et il nous faut appliquer une méthode al- 15 le marché de la réassurance

ternative : le paradigme ”actuariel”. est une alternative mais il ne peut

le faire qu’en faisant référence au
Le paradigme actuariel ne suppose pas l’existence d’un marché secondaire mais s’appuie risque initial (”tel portefeuille est
sur l’objectivation du risque (”Best Estimate”) et d’ajouter une marge de prudence. couvert”)
Cependant, dans les deux cadres, IFRS Et Solvabilité 2, priorité sera donné au modèle
financier quand il est pertinent.

6.1.2 Le cadre prudentiel : Solvabilité II

La commission européenne a entrepris de réformer la réglementation prudentielle du
secteur de l’assurance et de la réassurance. Ces travaux ont abouti au printemps
2009 à l’adoption d’une directive cadre nommée Directive Solvabilité 2 (Directive
2009/138/CE). La Directive Solvabilité 2 a été transposée en droit français le 2 avril
2015 (Ordonnance n° 2015-378) et finalement entrée en vigueur le 1er janvier 2016.16 16 Source

6.1.3 Les trois piliers de Solvabilité 2

Il ne s’agit pas de présenter intégralement la directive Solvabilité 2 mais de donner
quelques éléments. Tout d’abord, le régime de solvabilité n’a pas pour objectif unique
un calcul de marge de sécurité mais bien de définir un cadre plus large, basé sur trois
piliers :
— Premier pilier : les exigences quantitatives, notamment en matière de fonds
propres et de calculs des provisions techniques ;
— Deuxième pilier : les exigences en matière d’organisation et de gouvernance
des organismes ; Pour limiter les risques, il faut que la culture du risque soit
développée chez l’assureur, avec un principe : ”Dire ce que l’on faire, faire
ce que l’on dit”

49
CHAPITRE 6. INTRODUCTION AUX MODÈLES DE PROJECTION 50

— Troisième pilier : les exigences en matière d’informations prudentielles et de

publication. Le principe est que le marché peut avoir une action de contrôle s’il
dispose des bonnes informations.

6.1.4 Principe d’un bilan économique basé sur le paradigme

financier
D’abord un bilan ”économique”
Les provisions Solvency II sont sur base dite économique. Mais autant une vision
économique est ”unique” en cas de marché liquide, autant les risques d’assurance sont
peu liquides, et la définition économique = Marché, pas toujours évidente à calibrer.

PMSolvencyI I = PMBestEstimate + Marge

PM Best Estimate Le Best Estimate, appelé également Current Estimate, repré-

sente la meilleure estimation possible de l’engagement de l’assureur. Il est calculé en
faisant appel à la technique d’évaluation par projection des flux probables actualisés :

PMBE = VAP(flux futurs) − VAP(primes futures)

avec :
— Actualisation : utiliser la courbe de taux (non prescrite en IFR17) mais qui doit
être cohérent avec le marché.
— Probabilités : tenir compte des lois de rachats (conjoncturels/structurels) et
ajustement des lois de survie (table vie et table décès)

Définition 22 : frontière des contrats.

Les flux ne doivent être projetés que jusqu’à la date où s’arrête l’engagement de
l’assureur, pratiquement date à laquelle l’assureur a la possibilité soit de résilier
le contrat, soit d’en modifier la tarification.

Marge de risque :

Définition 23 : Marge de risque.

La marge (Risk Margin RM) est ”calibrée” pour correspondre à ce que le ”mar-
ché” (par exemple les réassureurs) exigerait pour prendre le risque.
alors
T −1
SCR(t)
RM = rCoC x ∑ t +1
t=0 (1 + r ( t + 1))

avec le taux du Coût du Capital rCoC fixé à 6%

6.1.5 Calcul du capital : le SCR

Le capital est (principalement) mesuré par le SCR, Solvency capital requirement,
qui se calcule ainsi :
Propriété 20 : Définition du SCR.
La formule standard de calcul du SCR se résume ainsi :

SCR = BSCR + Op + Adj

Où :
— BSCR est le SCR de base
— Op est l’exigence de capital pour couvrir le risque opérationnel
— Adj est et l’ajustement visant à tenir compte de la capacité d’absorption
des pertes par les mécanismes de participation aux bénéfices et par les
impôts différés
 CHAPITRE 6. INTRODUCTION AUX MODÈLES DE PROJECTION 51

Les modules du BSCR le BSCR est composé de 6 modules de risques :

— le module risque de marché (Market) ;
— le module risque de souscription en Santé (Health) ;
— le module risque de contrepartie (Default) ;
— le module risque de souscription en Vie (Life) ;
— le module risque de souscription en Non-Vie (Non-life) ;
— le module risque sur actifs incorporels (Intangible).
D’après la propriété 5.2 p. 46, on veut calculer le Capital Economique K correspondant
à ce risque de ruine 0.5%, en tenant compte de la marge de sécurité λ. On pose
m = E(X)
1 p = 0.00094
2 q = p
3 Coeflambda = 0.01
4 n = 1000000
5 CapitalAssuree = 200000
6
7 m = CapitalAssuree * n * p
8 ET = CapitalAssuree * (n * p * (1-p))**0.5
9
10 CapitalEconomique200 = 2.576 * ET - Coeflambda * m
11
12 print("Capital Economique 200 ans / 0.5%","{:.0f}".format(
CapitalEconomique200 ) )
13 RatioSolvabilite = CapitalLaCentenaire / CapitalEconomique200
14 print("Couverture de solvabilité :","{:.0%}".format(RatioSolvabilite ) )
15

On obtient :

Capital Economique 200 ans / 0.5% 13,908,307

Couverture de solvabilité : 144%

Calcul du SCR de base : la VaR à 99.5% du risque

En théorie, si on a une distribution normale, on peut appliquer SCR = 2.576σ du
risque. Avec plusieurs risques, - on calcule le SCR de chaque risque i - on calcule la
matrice de corrélation corri,j comme si tous les risques étaient normaux - puis, on
agrège : √
SCRbase = ∑ corri,j xSCRi xSCR j
 CHAPITRE 6. INTRODUCTION AUX MODÈLES DE PROJECTION 52

Figure 6.1 : Source

Pratiquement pour le risque de mortalité et comparaison avec l’approche

précédente Nous avons calculé p. 47 le capital nécessaire en cas de choc sur le modèle
Lee-Carter. Nous avions obtenu 0.76% soit x 8 par rapport à la probabilité actuelle.
Comparons avec la formule standard : lLe calcul standard du risque de mortalité est
le suivant 17 : 17 source EIOPA

The mortality risk stress referred to in Article 77b(1)(f) of Directive 2009/138/EC

shall be the more adverse of the following two scenarios in terms of its im-
pact on basic own funds :
1. an instantaneous permanent increase of 15 % in the mortality rates used
for the calculation of the best estimate ;
2. an instantaneous increase of 0.15 percentage points in the mortality
rates (expressed as percentages) which are used in the calculation of
technical provisions to reflect the mortality experience in the following
12 months.
Ce qui donne le code suivant en Python :
1 n = 1000000
2 p = 0.00094
3 SCRStandarda = (CapitalAssuree * n * p) * .15
4 SCRStandardb = (CapitalAssuree * n * (p+0.0015))
5 SCRStandard = max(SCRStandarda ,SCRStandardb)
6 print("Capital Economique Standard ","{:.0f}".format(SCRStandard) )

Au lieu d’une probabilité de 0.094%, la probabilité utilisée dans le SCR Standard b

est donc équivalente à 0.094+0.15% = 0.244% à comparer avec la probabilité de 0.75%
trouvé p. 47. Elle est certes plus faible que celle découlant d’une approche de Lee-Carter
mais du même ordre de grandeur.

6.1.6 Le cadre comptable associé : IFRS

IFRS reprend les notions vues pour l’établissement d’un bilan économique : Best Es-
timate et de marge de risque (Risk Adjustment) et ajoute la notion de Contractual
Service Margin :

La Contractual Service Margin (CSM)

Définition 24 : Contractual Service Margin (CSM.)

Pour un Groupe de contrats d’assurance, représente le montant de profit espéré
non encore matérialisé dans le compte de résultat. Ce résultat se matérialisera
au fur et à mesure que la prestation d’assurance sera effectivement assurée.
CHAPITRE 6. INTRODUCTION AUX MODÈLES DE PROJECTION 53

6.1.7 Modèles d’évaluation IFRS

IFRS 17 propose trois modèles d’évaluation différents en fonction de la nature des
contrats.

Modèle Général : BBA ou Building Blocks Approach Appelé aussi GMM 18 , 18 ‘General Measurement Model

c’est le modèle par défaut de la norme IFRS 17. Dans ce modèle, le passif d’assurance
se décompose avec un BE, un RA et une CSM. Sa caractéristique est que les variations
de provisions liées aux effets d’actualisation impactent directement le résultat (et non
la CSM). Ces variations, appelées « charge financière d’assurance » seront analysées
au regard des actifs investis en face de ces provisions. Le principe est de considérer la
stratégie d’actifs de l’assureur comme indépendante du risque d’assurance : c’est le cas
des garanties emprunteurs.

Variable Fee Approach (VFA) Adaptation du modèle BBA visant les contrats
d’investissement avec participation directe, c’est-à-dire un contrat sur lequel l’assuré
bénéficie d’une participation aux bénéfices engendrés par des actifs identifiés, ce qui
est le cas des contrats d’assurance vie épargne et retraite. Le modèle VFA prend en
considération le lien qui existe entre l’actif et le passif sur ce type de contrat : les varia-
tions de provisions liées aux effets d’actualisation ainsi que les revenus et variations en
juste valeur des actifs sous-jacents ajustent tous deux la CSM plutôt que de s’impacter
sur le résultat. La CSM joue alors un rôle « d’amortisseur » permettant d’empêcher
que ces variations, très volatiles par nature avec les conditions de marché, n’impactent
directement les fonds propres.

Premium Allocation Approach Pour les contrats courts renouvelables annuelle-

ment (assurance IARD) la mise en place du mécanisme de CSM ne présente pas réel-
lement d’intérêt puisque la faible durée de couverture (1 an) empêche une trop grande
distorsion temporelle entre le paiement des primes et la survenance des sinistres. La
comptabilisation du passif d’assurance et du résultat s’effectue quasiment comme en
comptabilité sociale française : reconnaissance des primes émises directement en revenu
et constatation en charge des sinistres. La différence tient dans la comptabilisation des
provisions pour sinistre calculées comme la somme d’un BE et d’un RA, similaire à la
vision Solvabilité 2.

6.1.8 Un nouveau compte de résultat

Compte de Résultat et OCI La variation de valeur en IFRS peut être reconnue
par le compte de résultat ou non : on parle alors de variation d’OCI :
Définition 25 : OCI - Other Comprehensive Income.
Les éléments enregistrés directement dans les capitaux propres sont présentés
et regroupés dans un état appelé ”autres éléments du résultat global” souvent
désigné par son acronyme anglais OCI

Modèle CSM Modification des hypothèses

d’évaluation financières techniques
Table 6.1 : Effet sur le compte de
PAA OCI P&L résultat (P&L ou OCI) des change-
BAA Oui OCI CSM ments d’hypothèses
VFA Oui CSM CSM

Changement d’hypothèses d’une année sur l’autre

Proximité et différence entre IFRS 17 Solvabilité 2

Le principal point commun entre S2 et IFRS 9 / IFRS 17 est l’adoption de l’évaluation
en juste valeur, à l’actif comme au passif. Le calcul S2 est plus prescriptif que IFRS
CHAPITRE 6. INTRODUCTION AUX MODÈLES DE PROJECTION 54

(courbe des taux et méthode pour le Risk Adjustment imposés) mais la théorie sous-
jacente est la même. Ce seront donc certainement les mêmes modèles d’évaluation qui
seront utilisés pour les deux normes
Cependant, IFRS 17 est une norme comptable dont l’objectif est de traduire la perfor-
mance financière de l’entreprise, d’où le mécanisme de CSM.

6.1.9 Gestion des provisions en IFRS

La réglementation française prévoit de nombreuses provisions techniques d’assurance
vie (R. 343-3))/

Provisions techniques Pour les assurés ou l’assureur ?

PM - Provisions Mathématiques C’est la dette envers les assurés liée au risque Table 6.2 : Provisions de l’assureur
couvert en cas d’assurance décès
PGG - Provision globale de gestion Il s’agit là encore de prévoir assez pour être en
mesure de payer la dette envers les assurés : ici
payer les frais de gestion si on a pas assez chargé
les primes.
PAF - Provision pour aléas finan- Idem, toujours pour être en mesure de payer
ciers ses dettes d’assurance : ici, si on a été trop «
optimiste » sur le taux technique…
PRE - Provision pour risque d’exi- … si par exemple l’assureur fait face à des gros
gibilité besoins de liquidités pour payer des rachats
massifs se retrouve obligé de vendre de l’actif
en moins-values
Participation aux bénéfices Si bons résultats, e.g. si primes trop prudentes :
on rétablit l’équilibre en « rendant » aux assu-
rés… On met en PPB ce qui n’est pas intégré
dans les PM.
Réserve de capitalisation Elle est dotée/reprise lorsque des plus ou moins
values sont constatées lors des cessions d’obli-
gations.

Propriété 21
Avec IFRS,
— Ces provisions sont retraitées dans les catégories IFRS. Le fait de les comp-
tabiliser en French GAAP avec ces provisions n’a pas d’impact en IFRS.
— Une de ces provisions a néanmoins un impact comptable en IFRS, la par-
ticipation aux bénéfices, du fait de ses caractéristiques réglementaires.

Principales hypothèses IFRS IFRS étant un système comptable basé sur des
principes, il n’y a pas forcément unicité d’application de ces principes. Il convient donc
d’expliciter ces choix, comme par exemple le tableau ?? :

AXA’s choice Alternative

Discount rates Bottom-up approach Riskfree rates Top-down approach Portfo- Table 6.3 : Choix comptables -
+ illiquidity premium lio yield less allowance for Exemples de ceux choisis par AXA
unexpected losses (2022)
Changes in discount Through OCI Changes in rates to Through P&L Changes in
rates (excl. VFA) be recorded in OCI then amortized rates to be recorded ‘1 for 1’
in P&L over time in P&L
Risk Adjustment Percentile Approach Risk Adjust-
ment based on 62.5 percentile
Measurement of lis- Fair Value through OCI Mark-to- Fair Value through P&L
ted Equity invest- market to flow through OCI, with Mark-to-market and reali-
ments no recycling in P&L zed gains/losses to flow
through P&L
CHAPITRE 6. INTRODUCTION AUX MODÈLES DE PROJECTION 55

Participation aux bénéfices

Définition 26 : Participation aux bénéfices.

Système réglementaire français permettant de reverser aux assurés l’excédent de
prudence des provisions réglementaires.

Il existe deux types de participation aux bénéfices, permettant de calculer le minimum

réglementaire à distribuer aux assurés :
— PB contractuelle : les clauses contractuelles (conditions générales ou particu-
lières) peuvent préciser le mécanisme de calcul et d’affectation de la participa-
tion aux bénéfices. Ce n’est pas une obligation, même si dans la pratique la
plupart des contrats en ont.
— PB réglementaire : la réglementation définit un niveau minimum de participa-
tion aux bénéfices au niveau de chaque compagnie d’assurance

Comment fonctionne le mécanisme de PB Le montant minimum de participa-

tion aux bénéfices est ainsi défini :
— Compte technique : 90% du bénéfice technique (mais 100% de la perte)
— Compte financier : 85 % du bénéfice financier (0 % de la perte)

6.2 Pourquoi étudier le risque d’actif dans un cours

d’actuariat vie ?
L’assurance vie diffère fortement des branches non-vie puisqu’ici le risque de marché est
de loin le risque le plus élevé, notamment du fait de la prédominance de contrats pour
lesquels les garanties accordées sont financières et non liées à un risque biométrique19 . Il 19 le risque biométrique (mortalité

convient cependant d’analyser le risque de marché au regard de la capacité d’absorption et longévité, près de 10% chacun).
résultat de la simulation de SII
des pertes due à l’effet de la participation aux bénéfices, particulièrement élevée. Le
risque de marché est principalement lié :
— à la détention d’actions (40%),
— au risque de spread sur obligations privées (20%) et au risque de taux d’intérêt
(17%).
L’analyse détaillée du risque de souscription vie net d’effet de la participation aux
bénéfices indique que les principaux risques résiduels sont : Pour aller plus loin : Risque de
— le risque de duration : Taux, 2021

Définition 27 : Duration.
la duration D est la durée moyenne des flux de passif D p ou de l’actif Da .
On parle d’adossement quand D p = Da .

Exemple 3
le risque de duration est généralement un risque bancaire, comme le montre la
faillite de SVB, qui avait à l’actif un flux de durée moyenne potentiellement de
0 (compte à vue) et des passifs investis sur longue période. Il faut noter que
le fait qu’en moyenne, les clients de SVB laissaient leur argent longtemps sur
leur compte à vue ne voulaient pas dire que cette durée n’allait pas fortement
réduire en cas de crainte sur la banque.
— Pour les assureurs, ce risque de duration se manifeste à travers le risque de
risque de rachat (40%), c’est à dire l’option donnée au client de racheter à
une valeur donnée qui est souvent élevée (en France) par rapport aux PM.
Propriété 22 : risque de rachat.
Au premier ordre, le risque de rachat diminue la duration du passif de
l’assureur. Si l’assureur était adossé, un choc des taux entraîne une situa-
tion d’inadéquation actif-passif, du fait de cette option de rachat fournie
à l’assuré (on parle de convexité).

— et le risque de frais (22%),

CHAPITRE 6. INTRODUCTION AUX MODÈLES DE PROJECTION 56

Propriété 23
Le risque actif-passif est le principal risque d’un assureur vie avec des engagements
financiers au passif (du fait des taux d’intérêt à verser en assurance vie). Même
en cas d’adossement (duration actif = passif), ce risque est important comme on
le verra p. 64 avec le modèle de Heath-Jarrow-Morton.

Synthèse 8
Le risque d’actif est donc essentiel en assurance vie. Mais pour appréhender ces
risques, on ne peut rester sur un base d’un scénario moyen : il faut étudier l’éven-
tail des probabilités. Pour cela, on utilise un modèle de projection.
Chapitre 7

Introduction aux Générateurs

de Scénarios Economiques

7.1 Qu’est ce qu’un Modèle ?

7.1.1 Pourquoi les modèles sont utilisés
Définition 28 : modèle.
Un modèle est une imitation d’un système ou d’un processus du monde réel.

Dans certains cas, il pourrait être trop risqué, trop cher ou trop lent d’essayer un
changement proposé dans le monde réel.
Pour construire un modèle d’un système ou d’un processus, il est nécessaire de déve-
lopper un ensemble d’hypothèses mathématiques ou logiques sur son fonctionnement.

Complexité d’un modèle La complexité d’un modèle est déterminée par la com-
plexité des relations entre les différents paramètres du modèle. Par exemple, lors de
la modélisation d’une société d’assurance-vie, il faut tenir compte de questions telles
que les réglementations, la fiscalité et les conditions d’annulation. Les événements fu-
turs affectant les rendements de l’investissement, l’inflation, les nouveaux contrats, les
résiliations, la mortalité et les dépenses affectent également ces relations.
Pour produire le modèle et déterminer les paramètres appropriés, il est nécessaire de
prendre en compte les données et de juger de la pertinence des données observées pour
l’environnement futur. Ces données peuvent résulter d’observations passées, d’obser-
vations actuelles (comme le taux d’inflation) ou d’attentes de changements futurs.
Lorsque des données observées sont considérées comme appropriées pour produire les
paramètres pour un modèle choisi, des méthodes statistiques peuvent être utilisées
pour ajuster les données.
Avant de finaliser le choix du modèle et des paramètres, il est important de considérer
les objectifs de création et d’utilisation du modèle. Par exemple, dans de nombreux
cas, il peut ne pas être souhaitable de créer le modèle le plus précis, mais plutôt de
créer un modèle qui ne sous-estime pas les coûts ou les autres risques qui peuvent être
impliqués.

7.1.2 Comment utiliser les modèles

Les étapes clés Bien que dans la réalité, un processus de modélisation ne suive pas
un ensemble rigide d’étapes prescrites, il est utile, lorsqu’on aborde le sujet, d’imaginer
un ensemble d’étapes clés. En pratique, les actuaire qui construisent et utilisent des
modèles passent continuellement d’une étape clé à l’autre pour améliorer le modèle.
Selon [1], on peut décrire les étapes clés d’un processus de modélisation comme suit :
1. Développer un ensemble d’objectifs bien définis qui doivent être atteints par le
processus de modélisation.
2. Planifier le processus de modélisation et la manière dont le modèle sera validé.
3. Collecter et analyser les données nécessaires pour le modèle.

57
CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES58

4. Définir les paramètres pour le modèle et considérer des valeurs de paramètres

appropriées
5. Définir le modèle par itération : capturer d’abord les éléments essentiels à conser-
ver du monde réel. Affiner le niveau de détail dans le modèle peut venir plus
tard.
6. Impliquer des experts du système réel que vous essayez d’imiter pour obtenir
des commentaires sur la validité du modèle conceptuel.
7. Décider si une solution de simulation ou un langage généraliste est approprié
pour la mise en œuvre du modèle. Choisir un générateur de nombres aléatoires
statistiquement fiable qui fonctionnera de manière adéquate dans le contexte de
la complexité du modèle.
8. Écrire le programme informatique pour le modèle.
9. Déboguer le programme pour s’assurer qu’il exécute les opérations prévues dans
la définition du modèle.
10. Tester la plausibilité des résultats du modèle.
11. Examiner et considérer attentivement l’adéquation du modèle à la lumière de
petites modifications des paramètres d’entrée.
12. Analyser les résultats du modèle.
13. S’assurer que toute orientation professionnelle pertinente a été respectée.
14. Communiquer et documenter les résultats et le modèle.

7.1.3 Modélisation - avantages et limites

Pour l’actuaire, l’un des avantages les plus importants de la modélisation est l’étude
des systèmes à long terme - tels que le fonctionnement d’un fonds de pension. On peut
ajouter :
— Les systèmes complexes avec des éléments stochastiques, tels que le fonctionne-
ment d’une compagnie d’assurance-vie, ne peuvent pas être correctement décrits
par un modèle mathématique ou logique capable de produire des résultats fa-
ciles à interpréter ; la modélisation par simulation est une façon d’étudier le
fonctionnement d’une compagnie d’assurance-vie.
— Différentes politiques futures ou actions possibles peuvent être comparées pour
voir celle qui convient le mieux aux exigences ou contraintes d’un utilisateur.
— Dans un modèle d’un système complexe, nous pouvons généralement contrôler
les conditions expérimentales afin de réduire la variance des résultats de sortie
du modèle sans perturber leurs valeurs moyennes.

des inconvénients liés à l’interprétation Cependant, les modèles ne sont pas la

solution simple à tous les problèmes actuariels - ils ont des inconvénients qui doivent
être compris lors de l’interprétation des résultats d’un modèle et de la communication
des résultats aux clients.

7.1.4 Différents types de modèles

Quelques Définition des différents types de modèles Dans les modèles d’assu-
rance, on essaye
— Modèle déterministe ou stochastique (qui intégre la valeur aléatoire des
variables). Un modèle déterministe peut être vu comme une simulation d’un
modèle stochastique.
— Modèle discret ou continue. En français, on préférera utiliser le terme de
stochastique pour les modèles en temps continu, par opposition à ce qu’on ap-
pellera modèle aléatoire discret.
— Il existe, entre les modèles déterministes et les modèles stochastiques, les mo-
dèles basés sur des scénarios. Ces scenarios (ex : marché financier haut,
bas...) ne sont pas forcément probabilisés mais permettent de voir la sensibilité
du modèle à ces scénarios. Les modèles par scenarios sont souvent aussi plus
aisément compréhensibles pour les experts métier.
— les approximations de modèles (ou modèle proxy) : on peut faire un certain
nombre d’approximations pour accélerer les temps de calcul.
CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES59

Propriétés à court terme et à long terme d’un modèle La stabilité des re-
lations incorporées dans le modèle peut ne pas être réaliste à plus long terme. Par
exemple, la croissance exponentielle peut sembler linéaire si elle est étudiée sur une
courte période de temps. Si les changements peuvent être prédits, ils peuvent être in-
corporés dans le modèle, mais il faut souvent accepter que les modèles à plus long terme
sont suspects. Les modèles sont, par définition, des versions simplifiées du monde réel.
Ils peuvent. par conséquent, ignorez les relations ”d’ordre supérieur” qui sont de peu
d’importance à court terme, mais qui peuvent s’accumuler à plus long terme.
Exemple 4 : modèle de valorisation du risque IARD.
Au début des années 2000, les assureurs ont utilisés les modèles de valorisation long
terme de l’assurance vie pour calculer la valeur de leur portefeuille IARD. En auto,
la sinistralité auto a tendance à s’améliorer avec l’âge du client. Mais en projetant
que les portefeuilles actuels auto auront dans 20 ans la profitabilité des portefeuilles
qui ont aujourd’hui 20 ans, c’est supposer que le niveau de compétition, les véhicules
électriques, conduite autonome,... restera stable, hypothèse très forte pour un marché
comme l’assurance automobile.

7.2 Modèle Généralisé de projection Actif-Passif

Le travail pratique de l’actuaire implique souvent la gestion de divers flux de trésore-
rie.
Définition 29 : Flux de Trésorerie.
Sommes de de l’argent, qui sont payés ou reçus à des moments différents. Le
calendrier des flux de trésorerie peut être connu ou incertain. Le le montant des
flux de trésorerie individuels peut également être connu ou inconnu à l’avance.
D’un point de vue théorique un peut également envisager un flux de trésorerie
payable en continu,

Partant de la modélisation des flux de trésorerie, on appelera aussi ces modèles, modèles
de projection actif-passif (en étant plus sensible à la traduction comptable de ces flux)
ou modèle de cash-flow.

7.2.1 Comment fonctionne un modèle de projection

modèle de projection Il s’agit de projeter un grand nombre de scénarios écono-
miques année après année. Pratiquement, on calculera le rendement des actifs, on
simulera le risque de mortalité. Il s’agit d’être fin dans la modélisation, en particulier
de modéliser les règles de participation aux bénéfices versée, des montants rachetés ou
versés après un décès, du résultat remonté par l’assureur, qui dépendent de chaque
contrat.

Générateur de Scénarios économiques Les scénarios économiques sont produits

par un générateur de scénarios économiques calibré en univers risque-neutre (la proba-
bilité de survenance de chaque scénario est sa probabilité dans cet univers risque-neutre
et non dans l’univers réel qui est inconnu). Cette calibration doit être consistante avec
les variables économiques observées sur le marché au moment du calcul : niveau des
taux, prix des produits dérivés… En d’autres termes, la calibration du générateur de
scénarios économiques doit être telle qu’elle permette de retrouver les prix des produits
dérivés observés sur le marché.

7.2.2 Détail du modèle de projection

Architecture du modèle L’architecture du modèle peut être décrite par le schéma
suivant :

Les entrées d’un modèle

— La base passif : il s’agit de la photo du passif à la date de clôture (date de
démarrage des calculs). Cette base contient les informations essentielles sur les
CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES60

Figure 7.1 : Modèle de Projection

actif-passif [7]

contrats, comme le montant des PM, le niveau des chargements, le niveau des
taux garantis, les lois de mortalité et de rachat…
— La base actif : il s’agit de la photo de l’actif à la date de clôture. Cette base
contient les informations essentielles sur les placements financiers comme leur
valeur en comptabilité sociale, leur valeur de marché, le taux de coupon pour
les obligations…
— Les aléas : ce fichier contient les générateurs aléatoires permettant au modèle
de simuler les différents scénarios stochastiques.
— Contrôle du modèle La modélisation concerne à la fois la volatilité des
différents paramètres (ex : taux de rachat dépendant des conditions de marché
et des taux servis, lois de mortalité,...) et de la stratégie de la société : le modèle
est en effet contrôlé, c’est à dire que l’on peut définir des règles a priori que l’on
appliquera dans telle ou telle situation :
— Par exemple, on peut réduire le risque actif/passif, on peut définir des ap-
proches statiques où on essaye de réduire au mieux l’ordre 1,2... mais sans
intervention au cours du temps (on parle de constant mix) ou bien en intro-
duisant un contrôle, une intervention au cours du temps conditionnée à une
situation spécifique : je vends telle option si.... On parle alors d’approche
dynamique.
— Dans le cadre de contrat d’assurance vie en Euro, la stratégie de taux servi,
en fonction du compte de participation aux bénéfices. Elle pourra dépendre
du taux de marché, de l’historique de taux servi,....
Ces règles sont appelées en anglais management rules.

analyse de l’évolution d’une année à l’autre Au delà du calcul proprement dit,

il est important de comprendre le modèle à travers des sorties qui permettent de com-
prendre les principales évolutions de valeur, les scénarios particulièrement couteux,...

7.2.3 Générateur de Scénarios Economiques : le coeur du mo-

dèle actuariel
Les assureurs utilisent des générateurs de scénarios économiques (GSE) pour produire,
en amont du modèle de valorisation, des scénarios relatifs aux risques financiers (au
sens large, y compris immobilier, ...).

Variables d’intérêt La construction d’un GSE passe tout d’abord par la modé-
lisation d’autres variables macroéconomiques et financières, dites variables d’intérêt,
qui influent directement le bilan d’une société d’assurance, telles que les taux d’inté-
rêt, les rendements des actions, l’inflation, le taux de chômage,...etc. Cette partie est
essentielle pour s’assurer de la dépendance entre risques.
Définition 30 : modèle en absence d’arbitrage.
Le critère principal est celui de cohérence avec le marché (market consistent - ou
en absence d’arbitrage). Ces modèles correspondent à travailler avec la probabilité
Q risque neutre calculé par rapport aux prix de marché.

Probabilité historique / réelle vs risque-neutre On oppose les modèles calculés

sur base de probabilité historique P à ceux calculé sur probabilité risque neutre, qui va
CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES61

utiliser les prix des actifs (et par exemple Black & Scholes ou HJM (voir p. 64)) pour
extrapoler la probabilité implicite au prix de ces actifs. On utilise aussi les expressions
mark-to-market (Q) et mark-to- model (P ) à peu près synonymes.
Avant d’être des modèles utilisés dans le cadre de la solvabilité, les modèles GSE ont été
utilisés en Gestion Actif-Passif (ALM) pour réduire le risque entre passif d’assurance
et actif et optimiser les rendements : d’où l’utilisation de probabilité historique. Les
modèles market consistent se révèlent indispensable pour la valorisation des options et
un cadre ”objectif” de Solvabilité.

En pratique En cas de complétude du marché, il n’existe qu’un scénario possible sto-

chastique cohérent avec le marché. Mais dans la pratique, le marché n’est pas complet
(il n’existe pas pour tous les actifs des options correspondant à toutes les situations de
marché). La construction d’un tel modèle est donc relativement délicate et passe par la
mesure des structures de dépendance (par des approches de réduction de dimension,...)
avant génération aléatoire.
Synthèse 9
le calcul à une date t du BE associé au fonds en euro consiste donc à projeter, à
l’aide d’un modèle de projection actif-passif, la vie du fonds en euro de t jusqu’à
son extinction, dans un grand nombre de scénarios économiques calibrés dans
un univers de probabilité risque-neutre. Le BE se déduit alors en calculant la
moyenne arithmétique des flux actualisés obtenus dans chacun de ces scénarios.

Time Value of Options En pratique, la valeur de ces options implicites que contiennent
les contrats d’assurance vie est explicitée dans la Time Value of Options and Guaran-
tees :
Définition 31 : TVOG - Time Value of Options and Guarantees.
valeur des options et garanties contenus dans les contrats d’assurance vie en euros
(garantie en capital, possibilité de rachat à tout moment…).

Pratiquement, comme on mesure les options, on calcule la différence entre la vision

stochastique (qui nous donnera la valeur de l’option) et une version déterministe BEdt
(un seul scenario ”moyen” qui par définition ne contient pas le prix de l’option) :

TVOG = BE − BEdt

Scénario déterministe Le scénario déterministe est celui anticipé par les marchés :
il est aussi appelé ”risque neutre”, car c’est celui qui intègre la moyenne des anticipa-
tions du marché :
Définition 32 : scenario risque-neutre.
Scénario où toutes les variables économiques sont moyennées selon les anticipa-
tions du marché.

Scénarios stochastiques A l’inverse, le BE calculé de façon stochastique lui, est

beaucoup plus sensible car il projette l’ensemble des scénarios futurs possible autour
de la situation économique initiale.
Exemple 5
Sur un scénario simulé, une baisse des taux, va augmenter la proportion des scénarios
simulés dans lesquels les taux deviennent négatifs et ne permettent plus de garantir le
capital, avec une possibilité de rachat important.
Exercice 23 : Application à une assurance vie sur un fond en Euro.
Vous étudiez une assurance vie sur fond en Euro.
1. Calculer la provision mathématique (PM) et la Provision pour participation aux
Bénéfices (PPB)
2. quel risque futur la PM intègre-t-elle ?
3. le risque est il symétrique ?
[Solution]
CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES62

7.3 Modéliser le rendement ”sans risque”

Force de l’intérêt On introduit ici un concept utile, dérivé de la force de mortalité,
la force de l’intérêt ou intérêt instantané, qui est utile analytiquement.
Définition 33 : Force de l’intérêt.
on note δ la force de l’intérêt (force of interest) la fontion telle que :

lim i( p) = δ
p→∞

où i( p) est le taux d’intérêt nominal payable p fois par période.

Exercice 24
En considérant la règle d’Euler :
x n
lim (1 = ) = ex
n→+∞ n
montrer que
v(n) = e−δ n

Courbe de taux sans risque

Définition 34 : courbe des taux sans risque.

La courbe des taux sans risque est la courbe qui donne pour chaque maturité (1
jour, 1 mois, 1 an, 10 ans...), le niveau de taux d’intérêt pour un placement sans
risque de défaut de l’émetteur (généralement assimilé à la dette de l’Etat).

Volatilité des taux Cette courbe est différente chaque jour et expose l’assureur à
un risque financier important, même si les actifs sont de mêmes durées que les passifs.
Sans rentrer dans la théorie économique, elle est considérée comme normale quand le
taux d’intérêt augmente avec la durée de la maturité. Les principales raisons expliquant
la volatilité des taux d’intérêt proviennent :
— Anticipation des marchés (en cas d’anticipation d’une chute des taux d’inté-
rêt, les taux d’intérêt long terme actuels qui proposent des taux encore élevés,
apparaitront comme attratifs, entrainant des achat qui les feront baisser).
— Préférence pour la liquidité. Une obligation à maturité longue présente un risque
de liquidité plus important, ce qui explique qu’on a généralement un taux d’in-
térêt plus élevé pour pour les taux long.
— Segmentation du marché. Ce ne sont pas les mêmes investisseurs qui investissent
à court terme (les trésoriers) ou à long terme (les assureurs) et fonds de pension.
Pour modéliser l’évolution possible de cette courbe des taux, on utilise des modèles
financiers. Nous allons ici en introduire trois : «Vasicek», «Cox Ingersoll Ross» et
«Heath Jarrow Morton»20 . 20 source

7.3.1 Le modèle de Vasicek

Le premier modèle proposé dans ce cours est le modèle dit de Vasicek21 21 Modèle de Vasicek

Définition 35 : Le modèle de Vasicek.

Le modèle de Vasicek utilise le processus d’Ornstein-Uhlenbeck pour modéliser
les taux d’intérêt court terme r (t) au cours du temps.

dr (t) = κ (θ − r (t))dt + σdW (t)

— Le paramètre θ donne la moyenne à long terme

— κ > 0 donne la vitesse à laquelle le processus va converger vers cet équi-
libre.
— W est un mouvement brownien.
 CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES63

1 import math
2 import numpy as np
3 # Modele de Vasicek
4
5 def Vasicek(r0 , kappa , theta , sigma , T=1.,N=10, seed =777):
6 np.random.seed(seed)
7 dt = T/float(N)
8 rates = [r0]
9 for i in range(N):
10 dr = kappa *(theta -rates [-1])*dt + \
11 sigma* \
12 math.sqrt(dt)*np.random.normal ()
13 rates.append(rates [-1] +dr)
14 return range(N+1), rates
15
16 fig = plt.figure(figsize =(12 ,8))
17 for kappa in [0.002 , 0.02, 0.2]:
18 x, y = Vasicek (0.005 , kappa , 0.15 ,0.05 , T=10, N=200)
19 plot(x,y, label = 'Kappa =%s'%kappa)
20 pylab.legend(loc = 'upper left ')
21 pylab.xlabel('Modèle de Vasicek ')

Figure 7.2 : Modèle de Vasicek -

On considère le taux d’intérêt ac-
tuel r(0) est de 0.5%, que θ, le taux
d’intérêt long terme est de 0.15, et
que la volatilité du processus brow-
nien est σ = 0.05. On calcule sur 200
périodes, sachant que la volatilité a
été mesurée sur 10 périodes. La re-
tour à la moyenne κ se fait avec trois
valeurs 0.002, 0.02 et 0.2 :

On voit que les taux d’intérêt peuvent être négatifs.

7.3.2 Le modèle de Cox Ingersoll Ross

Le modèle CIR est un modèle à un facteur permettant d’éliminer le problème des taux
d’intérêt negatifs du modèle de Vasicek. Ce modèle date de 1985 et les taux d’intérêt
négatifs étaient difficilement imaginables.
Définition 36 : Le modèle de Cox Ingersoll Ross.
Il s’agit de la solution de l’équation différentielle stochastique (EDS)
√
dr (t) = κ (θ − r (t))dt + σ r (t)dW (t)

— Le paramètre θ donne la moyenne à long terme

— κ > 0 donne la vitesse à laquelle le processus va converger vers cet équi-
libre. √
— le terme r (t) augmente l’écart-type quand les taux augmentent.
— sous la condition 2κθ > σ2 , r(t) est positif.

1 import math
2 import numpy as np
3 # Modele de Cox Ingersoll Ross
 CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES64

4
5 def CIR(r0 , kappa , theta , sigma , T=1.,N=10, seed =777):
6 np.random.seed(seed)
7 dt = T/float(N)
8 rates = [r0]
9 for i in range(N):
10 dr = kappa *(theta -rates [-1])*dt + \
11 sigma*math.sqrt(rates [-1])* \
12 math.sqrt(dt)*np.random.normal ()
13 rates.append(rates [-1] +dr)
14 return range(N+1), rates
15
16 fig = plt.figure(figsize =(12 ,8))
17 for kappa in [0.002 , 0.02, 0.2]:
18 x, y = CIR (0.005 , kappa , 0.15 ,0.05 , T=10, N=200)
19 plot(x,y, label = 'Kappa =%s'%kappa)
20 pylab.legend(loc = 'upper left ')
21 pylab.xlabel('CIR model ')

Figure 7.3 : Modèle CIR - Cox In-

gersoll Ross. On utilise les mêmes
κ que pour le modèle de Vasicek
mais l’on voit qu’effectivement nous
n’avons plus de taux d’intérêt né-
gatif : quand on s’approche de 0,
l’écart-type diminue, empêchant le
modèle de devenir négatif

7.3.3 Le modèle multi-factoriel de Heath Jarrow Morton

Au lieu de regarder moyenne et écart type, on décompose à partir d’une ACP22 . Ici, on 22 Analyse en Composantes Prin-

a tous les jours une courbe de taux différentes (soit autant de lignes que de maturité, et cipales : permet de réduire de
nombreuses dimensions en quelques
autant de colonnes que de jours). l’ACP nous permet de réduire les jours en regardant unes, sans perdre trop d’informa-
les différents effets possible. Le modèle peut s’exprimer ainsi 23 : tion.
23 Pour aller plus loin, Explica-
n
dr (t, T ) = α(t, T )dt + ∑ yi ( T ) x (t)dWi (t) tion du modèle, Les modèles HJM
i =1
et LMM revisités et leurs versions
étendues. On trouvera aussi code
ou On peut mettre sur un graphique les différents facteurs expliquant la volatilité du python de HJM

résultat :

Figure 7.4 : Le modèle de Heath

Jarrow Morton - modélisation dans
le temps des trois composantes
principales. On note un effet oppo-
sant taux court et taux long (bleu),
un effet, taux à 2 moins par rap-
port à taux long (orange) et un taux
court à 2 mois par rapport à taux
à 18 mois (vert)
CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES65

Une simplification du modèle HJM : le modèle Hull & White à un facteur

Il s’agit d’un modèle adapté à l’évaluation en univers risque dont les principales carac-
téristiques sont de produire des scénarios avec une volatilité normale (gaussienne) et
avec des taux pouvant devenir négatifs, sans limite. Ce modèle appartient à la classe
des modèles de non-arbitrage qui peuvent estimer la structure d’intérêt actuel et futurs
en probabilité risque neutre.

le risque de duration Le risque de duration considère la sensibilité de la courbe

des taux à une translation (plus ou moins la courbe bleue) : tous les taux augmentent
ensemble.
Définition 37 : Duration (Macauley.)
Considérons une série de flux (Ftk ) avec k = 1, 2, ...n. On définit la duration (au
sens de Macauley) ainsi :
t
∑n 1 tk Ftk νi k
τ = k= t
∑nk=1 Ftk νi k

Un assureur va essayer que la duration de son passif soit égale à celle de son passif,
afin de neutraliser (on dit immuniser en anglais) le risque d’une évolution des taux
d’intérêt à l’ordre 1 (hausse ou baisse).
Exercice 25
Exprimez la duration de Macauley en fonction de la force d’intérêt δ et de A la valeur
présente des paiements au taux i, ainsi :
n
∑ Ftk νi k
t
A=
k =1

Pourquoi le risque d’actif-passif est largement plus important que le risque

de duration Même si cet effet est effectivement la première composante de la courbe
des taux, les taux n’évoluent pas uniquement en translation, comme le montre les 2ème
et 3ème composantes. Ils indiquent ce qu’on appelle le risque de convexité.
Définition 38 : Convexité.
La convexité d’une série de flux (Ftk ) est défini comme :
n
1
∑
t +2
c (i ) = t
Ftk tk (tk + 1 νi k
∑nk=1 Ftk νi k k=1

Exercice 26
Imaginons un assureur avec un engagement de verser dans an an 1000 Euro. Peut on
prendre à l’actif deux dettes, l’une de 500 à 6 mois et l’autre de 500 à 1,5 ans (en
négligeant les effets des réinvestissements) ? [Solution]

7.4 Optimisation des Calculs d’un modèle de projec-

tion : les modèles proxy
Une complexité accrue 24 L’addition de modèles aléatoires engendre une com- 24 mise en place de SII

plexité significative dans la compréhension d’évolution de certains paramètres ; il est

alors recommandé de ne pas hésiter à se positionner dans une vision déterministe, sans
processus aléatoire, pour comprendre la structure générale du modèle et sa variabilité
aux différentes hypothèses.

« Simulations dans les Simulations » (SdS) La méthode 25 est la plus conforme 25 Nested MonteCarlo en Anglais

aux critères de la Directive Solvabilité II pour l’évaluation de leur exigence de capital.

Elle consiste à effectuer deux phases de simulations :
— une première phase de simulations (scenarios primaires) sous probabilité histo-
rique pour estimer l’état du monde à l’horizon de projection
CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES66

— une autre phase de simulations (scenarios secondaires) sous probabilité risque

neutre, pour chaque scenario primaire qui permet de valoriser le bilan dans une
approche économique IFRS ou Solvency II.
Toutefois, cette méthode requiert des temps de calcul très importants car elle nécessite
la réalisation de deux séries de simulations imbriquées conduisant à des budgets de
calcul pouvant atteindre 1 000 000 de simulations. Pour simplifier, plusieurs approches
sont possibles :
— soit en se concentrant uniquement sur les scénarios des pires trajectoires (peut
fonctionner si on se préoccupe uniquement des besoins en capital pour Solvabi-
lité 2 et non de la valorisation IFRS) : Accélération SdS [4]
— soit en simplifiant les projections. C’est ce que font les méthodes flexing, LSMC,
Curve fitting et Portefeuilles répliquants
— soit en simplifiant le portefeuille : réduction des model points .
Ces méthodes s’appuient sur des techniques de réductions de dimension, dont les plus
connues sont l’ACP (Analyse en Composante Principale), ou les méthodes de cluste-
ring. D’autres méthodes non linéaires ([6]) ont aussi été proposées.

7.4.1 Simplification des projections

« flexing » Lorsque des méthodes de type « flexing » sont utilisées, deux jeux de
model points interviennent :
— une projection dans un modèle de passif déterministe fondée sur des model
points avec une granularité fine ;
— une projection dans un modèle actif-passif (ALM) à partir de flux pré-projetés
et agrégés à une maille moins fine. On rattache chaque model point de la maille
fine à un point de la maille agrégée. Ce modèle actif-passif stochastique ajuste
les flux de la projection déterministes pour prendre en compte les scenarios
économiques et les actions des assurés (rachats dynamiques) et les management
rules.

Curve fitting L’idée du Curve fitting est de simplifier la simulations secondaire à

quelques scenarios primaires, de déterminer la valeur du bilan en fonction des princi-
pales variables simulées dans les scenarios primaires et ensuite d’extrapoler la valeur
du bilan à tous les scenarios primaires. Les limites de cette approche viennent :
— le choix des scénarios primaires, qui doivent bien refléter le ”stress” du porte-
feuille, pour que l’extrapolation soit acceptable
— des modèles ”linaires” sans trop d’optionalité, et des stratégies de contrôles
simples, afin de ne pas créer des corrélations non prise en compte dans l’extra-
polation.

Moindre Carré de Monte Carlo (LSMC) 26 A l’inverse, on peut décider de 26 least squares Monte Carlo ap-

limiter le nombre de scénarios secondaires, voire même une seule simulation secon- proach (LSMC)
daire pour l’évaluation du bilan économique. L’inexactitude de l’évaluation du bilan
économique étant corrigée par la régression linéaire de l’erreur faite entre les valeurs
obtenues par cette approche simple et une approche stochastique, avec les scenarios
primaires (d’où le terme de Moindre Carré de Monte Carlo). Cette approche relati-
vement simple, qui ne nécessite pas de ressources informatiques massives, produit des
résultats remarquablement précis.

7.4.2 Simplification du portefeuille

Portefeuille en model points AU lieu de simuler chaque contrat, on peut simuler
tous les contrats ayant les mêmes caractéristiques. On parle de donc de model points,
un point pouvant être un contrat ou un ensemble de contrats que l’on va modéliser de
la même façon.

Portefeuille Répliquant 27 L’idée du portefeuille répliquant est de considérer un 27 Replicating portfolio

portefeuille d’actifs simples (des obligations 0-coupons, options simples...) qui réplique
exactement le comportement du passif d’assurance dans le futur. On peut répliquer le
portefeuille de façon analytique (ce qui est le cas de l’exercice 27) ou par simulation,
CHAPITRE 7. INTRODUCTION AUX GÉNÉRATEURS DE SCÉNARIOS ECONOMIQUES67

en trouvant la combinaison d’actifs simples qui permet d’obtenir les mêmes résultats
de simulation.
Exercice 27
Soit un contrat d’assurance avec un taux garanti et une participation aux bénéfices.
Dans ce contrat, l’assuré confie une prime à l’assureur et reçoit à maturité du contrat
cette prime capitalisée au taux garanti ainsi qu’une participation aux bénéfices fixée à
l’avance dans le contrat. Les caractéristiques du contrat sont les suivantes :
— Maturité : 6 ans
— Prime : 10 000 euros
— Taux minimum garanti : 2%
— Taux de participation aux bénéfices : 75%
— Allocation d’actif :
— 20% d’actions
— 80% d’obligations à un taux de 3%
Montrez que ce contrat peut être parfaitement répliqué par un portefeuille d’actifs
comprenant des zéro coupons et des options de type Call.

Réduction du nombre de model points Il s’agit d’une procédure en deux étapes.

La première étape consiste à créer des groupes homogènes de contrats. La seconde étape
permet la définition d’un contrat représentatif ou ”moyen” pour chacune des classes.

7.5 Je retiens
Synthèse 10
Ce que je retiens de cette introduction aux modèles financiers :
— le risque financier est le risque le plus important en assurance vie. Il ne peut
être capturé proprement sans une modélisation assez fine, en particulier
du fait des options explicites des contrats ou implicites via le risque de
rachat.
— Pour cela on utilise un Générateur de Scénarios Economiques. Ces géné-
rateurs essayent de coller à la réalité observée des marchés financiers, à
travers des modèles qui captureront les différents effets possibles comme
le modèle multifactoriel de Heath Jarrow Morton
— En pratique, une stratégie ALM (Asset Liability Management) va consister
non seulement à définir la meilleure stratégie d’actifs vus les conditions
actuelles d’actifs mais va définir a priori la stratégie à adopter en cas
d’évolution, cette stratégie, appelée contrôle, permettant seule d’ajuster à
la complexité des options implicites et explicites en assurance vie.
— les différentes méthodes pour simplifier les projections : flexing, curve fit-
ting, LSMC, model points, portefeuille répliquant

7.6 Problèmes
Exercice 28
Un assureur utilise un modèle Hull & White.
Avec ce modèle, il simule certains taux peuvent atteindre des niveaux jamais observés
(ex : -4%).
L’assureur se pose les questions suivantes :
1. dans ces scenarios, un assureur avec des fonds en Euro serait il en perte ?
2. ces niveaux pourraient-il vraiment être atteints un jour ?
3. quel serait alors le comportement des assureurs et des assurés face à cet évène-
ment ? Comment les modèlise t’on dans un modèle GSE ?
[Solution]
Solutions

Solution 1 Actuariat et Jane Austen :

1. Mme John Dashwood semble penser que la rente est moins généreuse, mais elle
se trompe en supposant qu’ils être ”complètement dupe” si Mme Dashwood vit
15 années. Dans ce cas, ils auraient simplement payé le même 1500 livres sur
une plus longue période de temps et avoir bénéficié de tout revenu de placement
dans le entre temps.
2. La table de Carlisle montre que les deux options sont presque équivalente. En
utilisant un taux d’intérêt de 5 %, nous obtenons une valeur de ä40 = 14.39 ,
résultant en une valeur actuelle de 1 439 livres pour la rente. Ainsi, la proposition
de Dashwood la rente équivaut à peu près à la somme forfaitaire de 1 500 livres,
et sa femme a raison de soupçonner qu’ils n’économiserait pas beaucoup d’argent
avec cette option.
Pour vous donner envie de lire Jane Austen, au final, madame Dashwood persuade son
mari de renoncer à tout arrangement financier formel et simplement offrir occasionnel-
lement des cadeaux et de l’aide comme bon lui semble.

Solution 2 La raison vient de la baisse de la natalité. du coup, les Lx , aux lieux de

baisser chaque année, ne baissent plus. Il faut donc calculer plus proprement, en isolant
cette effet de natalité.
il faut donc isoler l’effet de structure de la population. Pour ce faire, nous avons besoin
du fichier de mortalité de l’INSEE.

Solution 3 On remarque sur la variable mois de morts la sursinistralité des mois d’hiver
(mais qui ne nous intéresse pas dans le cas d’une assurance annuelle).

Solution 7
P(t < Tx < t + dt | Tx > t)
µ x,t = lim
dt→0 dt
p x − p
t x
= lim t+dt
dt→0 dt × t p x

Soit t p0x la dérivée de t p x par rapport à t 28 . Alors : 28 on suppose qu’elle existe ce qui
est normalement une hypothèse ac-
0 t+dt p x − t px ceptable sauf peut être à 18 ans...
t px = lim
dt→0 dt
et on peut donc poser :
0
t px
µ x,t = − (7.1)
t px
l x +t
Par définition, t p x = lx . En dérivant t p x par rapport à t, on obtient :

lx0 +t
t px ==
lx

ce qui permet d’obtenir d’après 7.1 :

0
t lx
µ x,t = −
t lx

68
SOLUTIONS 69

soit par changement de variable (t=0) :

l 0 (x)
µx = − (7.2)
lx

La dérivée g0 de la fonction composée g( f ( x )) = ln( f ( x )) est : g0 ( f ( x )) = f (1x) × f 0 ( x )

pour tout f ( x ) strictement positif. En posant f ( x ) = lx , on peut donc écrire :

d ln(lx )
µx = − (7.3)
dx
Inversement, en intégrant la formule 7.3, on obtient :
∫ y+t
t py = exp(− µ x dx ) (7.4)
y

Solution 9 µ(y) = λ alors la fonction de survie Sx (t) est une fonction de distribution
exponentielle :
∫ x +t
Sx (t) = e− x λdy
= e−λt

Solution 11 [3], La solution peut être trouvé dans le Lien .

Solution 13 8. L’espérance de vie pour une personne de 119 ans est de :

E ( T (119)) = ∑ xP(Vivre exactement jusqu’à 119+x ans)

x =1

1
E ( T (119)) = ∑ k (1 − 2k ) ≈ 2
k =1

9. La probabilité pour une personne de 119 ans de vivre jusqu’à 122 ans est donc
π de :
π = P(survivre à 120 ans) xP(survivre à 121 ans | ayant survécu à 120 ans) xP(survivre à 122 ans | ayant survécu à 121 ans)

— En appliquant à la formule de Gompertz, on obtient : P(survivre à 120 ans) =

1 − 0.92 P(survivre à 121 ans | ayant survécu à 120 ans) = 1 − P(mourir à 120 ans) =
1 − 0.94 P(survivre à 122 ans | ayant survécu à 121 ans) = 1 − P(mourir à 121 ans) =
1 − 0.95 soit π = (1 − 0.92).(1 − 0.94).(1 − 0.95) = 0, 00024
— avec une force de mortalité stable à 0.5, on obtient π = (1 − 0.5).(1 −
0.5).(1 − 0.5) = 0.125
— avec une force de mortalité stable à 0.4, on obtient π = (1 − 0.4).(1 −
0.4).(1 − 0.4) = 0.216. On a donc comme attendu une probabilité de survie
plus grande quand la force de mortalité est plus faible.
10. Avec le modèle de Gompertz ajusté, la probabilité de vivre 122 ans alors qu’on
a 119 ans est très faible (0.0024%). En revanche, avec un modèle de force de
mortalité stable à 0.5, la probabilité est significative (1 chance sur 9 environ).
11. On voit que l’Italie a un taux de survie élevé des personnes agées mais que la
146 ≈ 80%. Si cette
France est encore plus élevée. Le rapport de mortalité est de 117
différence se maintient aux âges élevées, c’est une force de mortalité stable de
0.4 qu’il faudrait prendre et non 0.5.
12. le raisonnement est mathématiquement juste. Néanmoins, un certain nombre
de critiques peut lui être adressé :
— il mesure la probabilité d’avoir une personne de 122 ans et non, sachant que
l’on a eu 119 ans, la possibilité d’avoir 122 ans
— il ne tient pas compte de la faible mortalité française aux âges élevés, en
retenant un coefficient ”italien” de 0.5.
— la critique la plus forte est que le chiffre ainsi considéré de 0.014 correspond
à la probabilité ”annuelle” d’avoir une personne de 122 ans. Ainsi, si on
considère 30 ans de periode, c’est 30 fois ce chiffre (environ) qu’il convient
de considérer. Sur une année donnée, il y a peu de chances d’avoir une telle
personne, sur la période 1990-2020, ce n’est plus si rare.
SOLUTIONS 70

— enfin, la France a un des systèmes d’enregistrement des naissances les plus

fiables du monde, et il est donc probable que le nombre de 80 (qui augmente
chaque année avec l’espérance de vie) minore aussi le nombre de super cen-
tenaires, par défaut de déclaration.

Solution 15 On représente ici les q x et non la population restante à chaque génération.

En cas de guerre, la population va fortement chuter et cela à tous les âges, alors que
seuls les q x des années correspondant à la guerre sont impactés.

Solution 16 1. Parmi les principales conclusions, on peut déceler les raisons de

l’orthogonalisation des tables de mortalité (cf p.14) :
— les maladies liées aux problèmes d’infection, qui étaient une cause importante
de décès pour les moins de 50 ans a complétement disparu depuis 1950.
— Les maladies liées au coeur (”circulatory”) sont devenues de plus en plus
importantes pour les âges autour de 50-80 ans dans les années 60 puis ont
peu à peu diminué pour les âges jeunes.
— les cancers, par cette diminution des problèmes d’infection et de coeur, sont
aujourd’hui la première cause de mortalité pour les 40-70 ans, sans que cela
traduise une augmentation des cancers.
— pour les âges jeunes (moins de 40 ans), la raison principale sont les causes
externes, avec un pic en 1944 (guerre) puis ensuite, avec les accidents de
voiture.
2. Deux phénomènes s’opposent :
— le premier, présent sur les graphiques, est la forte augmentation des néo-
plasmes, première cause de décès pour les 40-70 ans, qui peut rendre le
produit attractif mais risqué
— le second, c’est l’orthogonalisation des taux de mortalité : les taux de mor-
talité sont aujourd’hui très faibles à 50-60 ans, ce qui doit permettre sans
risque la mise en place de ce produit.

Solution 17 Pour assurer de bonnes performances, une méthode appropriée pour es-
timer les paramètres du modèle a été à décider soigneusement au tout début. Dans
leur article original, Lee et Carter (1992) ont appliqué une procédure d’estimation en
deux étapes. Dans la première étape, la décomposition en valeurs singulières (SVD)
est appliquée à la matrice de log(m x,t − a x pour obtenir l’estimation de bx et k t .
Ensuite, dans un second temps, la série temporelle de k t est ré-estimée par la méthode
dite ”d’estimation en deux étapes”. Lee et Carter ont remarqué qu’une fois et ont été
estimés, le nombre total de décès observés n’est pas forrcément égal au nombre ajusté
de décès. Par conséquent, ils font une deuxième estimation de bx et k t qui garantissent
que le nombre total de morts observés Dt corresponde au nombre estimé. Pour cela,
ils cherchent k i tel que :
Dt = ∑{exp ax +bx × k t Nx,t }
x

où
— Dt est le nombre total de décès au cours de l’année t ;
— Nx,t est la population (exposition au risque) d’âge x à l’année t.
Pour le programmer :
— Python : En partant d’un fichier df, qui contient Annee, Age et MUx :
1 # mise en forme : 1 ligne par année , 1 colonne par âge
2 rate = pd.pivot_table(df , values='MUx', index =['Annee '],
3 columns =['Age'], aggfunc=np.mean).to_numpy ()
4
5 #Nombre d'année t
6 T=np.shape(rate)[0]
7 display(T)
8 # Age x
9 N=np.shape(rate)[1]
10 display(N)
11 #T = df['Age ']. to_numpy ().reshape ((4321 ,1))
12 a_x , b_x , k_t =lee_carter(rate , T, N)
la fonction lee_carter est plus haut, on peut alors grapher a, b et k.
1
2 f, ax = plt.subplots(figsize =(7, 5))
3 sns.scatterplot(x=np.arange(N), y=a_x ,linewidth =0,ax=ax)
 SOLUTIONS 71

4 ax.set_title("Alpha x")
5 plt.show ()
6 f, ax = plt.subplots(figsize =(7, 5))
7 sns.scatterplot(x=np.arange(N), y=b_x ,linewidth =0,ax=ax)
8 ax.set_title("beta x")
9 plt.show ()
10 f, ax = plt.subplots(figsize =(7, 5))
11 sns.scatterplot(x=np.arange(T), y=k_t ,linewidth =0,ax=ax)
12 ax.set_title("k t")
13 plt.show ()
— En Excel, il faut d’abord faire une décomposition en valeurs singulières (SVD
en Excel)

Solution 19 On programme ainsi en utilisant la propriété 5.2 :

1 p = 0.00094
2 n = 5000
3 Variance = n * p * (1-p)
4 ET = Variance **0.5
5 print("Ecart type",ET)
6 print("moyenne",n* p)
7 print("ETx2 .576", ET *2.576)
8

On obtient aisément les résultats suivants :

Ecart type 2.1669291635861105

moyenne 4.7
ETx2.576 5.582009525397821

Avec 5000 clients, on a σ = 2.1, soit r (5.58) < 0.05%. Si on prend un chargement
λ = 0, alors K = kC, soit 1,2M$

Solution 21 Au risque de sous-estimation de la probabilité : on ne peut appliquer les

tables de mortalité classiques à un tel risque spatiale, en particulier quand on sait que
le risque principal à 31 ans ... est le risque d’accident (voir p. 39 qu’à 30 ans, l’accident
représente environ 60% des décès).
Pour estimer le bon niveau de prime, il faut probablement procéder comme avec Tita-
nic, c’est à dire estimer la probabilité d’un accident par an et le nombre de spationautes
tués, sur la population globale des spationautes.

Solution 22 rn (K ) = P (S − E(S) + K < 0)

On a :
— E(S) = Cnq
— CS suit une loi binomiale de probabilité q et de nombre n
— K = kC
donc, en factorisant par C, la probabilité de ruine s’exprime comme :

S
rn (K ) = P ( − nq + k < 0)
C
√
On divise par nq (1 − q) pour réduire la distribution et on obtient :
S
− nq −k
rn (K ) = P ( √ C < √ )
nq (1 − q) nq (1 − q)

On pose alors t = √ −k pour retomber sur la formule de Moivre :

nq(1−q)
( )
−k
rn (K ) ≈ Φ (t) ≈ Φ √
nq (1 − q)

Solution 23 1. Cette PM est très simple à calculer puisque elle représente, contrat
par contrat, la valeur de rachat ou autrement dit la prime investie (nette de
chargements d’entrée) rehaussée des intérêts cumulés au fil du temps. Les inté-
rêts mis en réserve sont, eux, comptabilisés dans la PPB.
SOLUTIONS 72

2. La PM matérialise seulement la valeur de rachat à l’instant présent (si l’assuré

décidait de racheter son contrat tout de suite) mais ne tient pas compte, par
exemple, de la probabilité que l’assuré décide de rester et que la dégradation
des conditions économiques faisant (ex : situation de taux négatif prolongée),
les revenus des actifs ne puissent plus permettre de garantir le capital, l’assureur
étant alors amené à réaliser des pertes.
3. En assurance vie épargne en euros, il existe un lien direct entre l’actif et le
passif. Il y a asymétrie du fait de la garantie du capital : dans les « bons »
scénarios économiques il y a un partage équilibré des rendements financiers (sur
la base des chargements prévus par les contrats), alors que dans les « mauvais
» scénarios le déclenchement des garanties entraine des pertes pour l’assureur
qui doit « subventionner » l’assuré.

Solution 26 Avec une telle structure, on a bien un adossement actif - passif. En re-
vanche, on est exposé à une évolution suivant la composante verte, forte hausse à 6
mois et forte baisse à 18 mois.

Solution 28
Bibliographie

[1] Actuaries, Institute and F. of : Subject CM1 - Actuarial Mathematics Core

Principles - Core Reading fro the 2023 exams. 2022

[2] Chan, Beda : “Actuarial Issues in the Novels of Jane Austen,” Daniel D. Sk-
wire, January 1997. In : North American Actuarial Journal 1 (1997), Oktober,
Nr. 4, S. 144–146. – URL http://www.tandfonline.com/doi/abs/10.1080/
10920277.1997.10595665. – Zugriffsdatum : 2023-03-31. – ISSN 1092-0277, 2325-
0453

[3] Currie, Iain D. : Fitting models of mortality with generalized linear and non-
linear models., 2013

[4] Devineau, Laurent ; Loisel, Stéphane : Construction d’un algorithme d’accé-

lération de la méthode des “simulations dans les simulations” pour le calcul du
capital économique Solvabilité II. In : Bulletin Français d’Actuariat 10 (2009),
Juni, Nr. 17, S. 188–221. – URL https://hal.science/hal-00365363. – Publi-
sher : Institut des Actuaires

[5] Dickson, D. C. M. ; Hardy, Mary ; Waters, H. R. : Actuarial mathematics for

life contingent risks. Third edition. Cambridge ; New York : Cambridge University
Press, 2020. – ISBN 978-1-108-47808-3

[6] Fernandez-Arjona, Lucio : A neural network model for solvency calculations

in life insurance. In : Annals of Actuarial Science 15 (2021), Juli, Nr. 2, S. 259–
275. – URL https://arxiv.org/pdf/2005.02318. – Zugriffsdatum : 2023-04-13.
– ISSN 1748-4995, 1748-5002

[7] Karol Maciejewski ; Pierre Miehe ; Tom Peplow : Life in-

surance modeling platforms : Changing landscape. In : Milliman
White Paper (2023). – URL https://www.milliman.com/en/insight/
life-insurance-modeling-platforms-changing-landscape

[8] Lee, Ronald D. ; Carter, Lawrence R. : Modeling and Forecasting U. S. Morta-

lity. In : Journal of the American Statistical Association 87 (1992), S. 659–671.
– URL http://pagesperso.univ-brest.fr/~ailliot/doc_cours/M1EURIA/
regression/leecarter.pdf

[9] Renshaw, A.E. ; Haberman, Steven : A Cohort-Based Extension to

the Lee-Carter Model for Mortality Reduction Factors. In : Insurance :
Mathematics and Economics 38 (2006), Juni, S. 556–570. – URL
https://www.researchgate.net/publication/223143246_A_Cohort-Based_
Extension_to_the_Lee-Carter_Model_for_Mortality_Reduction_Factors

[10] Reynolds, Craig ; Dattani, Aatman : What if mortality stops

improving ?. – URL https://www.milliman.com/en/insight/
what-if-mortality-stops-improving. – Zugriffsdatum : 2023-04-13

[11] Verne, Jules : Tribulations d’un chinois en Chine. URL https://beq.

ebooksgratuits.com/vents/Verne-Chine.pdf, 1879

73
Liste des Definitions

1 Définition (Assurance vie / décès - définition actuarielle) . . . . . . . . . 2

2 Définition (table de mortalité) . . . . . . . . . . . . . . . . . . . . . . . . 7

3 Définition (lx ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4 Définition (base Exposition) . . . . . . . . . . . . . . . . . . . . . . . . . 11
5 Définition (Base Mortalité) . . . . . . . . . . . . . . . . . . . . . . . . . 12
6 Définition (tables « homologuées ») . . . . . . . . . . . . . . . . . . . . 15

7 Définition (durée de vie) . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

8 Définition (Espérance de vie résiduelle) . . . . . . . . . . . . . . . . . . . 18
9 Définition (quotient de mortalité) . . . . . . . . . . . . . . . . . . . . . . 22
10 Définition (Force de mortalité µ) . . . . . . . . . . . . . . . . . . . . . . 22
11 Définition (modèle de Gompertz) . . . . . . . . . . . . . . . . . . . . . . 24
12 Définition (Distribution Exponentielle) . . . . . . . . . . . . . . . . . . . 25
13 Définition (GLM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

14 Définition (table de mortalité statique) . . . . . . . . . . . . . . . . . . . 31

15 Définition (table de mortalité prospective) . . . . . . . . . . . . . . . . . 31
16 Définition (modèle par génération - modèle APC) . . . . . . . . . . . . . 31
17 Définition (Diagramme de Lexis) . . . . . . . . . . . . . . . . . . . . . . 32
18 Définition (Modèle de Lee-Carter) . . . . . . . . . . . . . . . . . . . . . 35

19 Définition (Cycle Inversé de Production) . . . . . . . . . . . . . . . . . . 40

20 Définition (chargement de sécurité) . . . . . . . . . . . . . . . . . . . . . 41
21 Définition (Probabilité de ruine à l’infini) . . . . . . . . . . . . . . . . . 41

22 Définition (frontière des contrats) . . . . . . . . . . . . . . . . . . . . . . 50

23 Définition (Marge de risque) . . . . . . . . . . . . . . . . . . . . . . . . . 50
24 Définition (Contractual Service Margin (CSM)) . . . . . . . . . . . . . . 52
25 Définition (OCI - Other Comprehensive Income) . . . . . . . . . . . . . 53
26 Définition (Participation aux bénéfices) . . . . . . . . . . . . . . . . . . 55
27 Définition (Duration) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

28 Définition (modèle) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
29 Définition (Flux de Trésorerie) . . . . . . . . . . . . . . . . . . . . . . . 59
30 Définition (modèle en absence d’arbitrage) . . . . . . . . . . . . . . . . . 60
31 Définition (TVOG - Time Value of Options and Guarantees) . . . . . . 61
32 Définition (scenario risque-neutre) . . . . . . . . . . . . . . . . . . . . . 61
33 Définition (Force de l’intérêt) . . . . . . . . . . . . . . . . . . . . . . . . 62
34 Définition (courbe des taux sans risque) . . . . . . . . . . . . . . . . . . 62
35 Définition (Le modèle de Vasicek) . . . . . . . . . . . . . . . . . . . . . . 62
36 Définition (Le modèle de Cox Ingersoll Ross) . . . . . . . . . . . . . . . 63
37 Définition (Duration (Macauley)) . . . . . . . . . . . . . . . . . . . . . . 65
38 Définition (Convexité) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

View publication stats

74