Modéliser l`actif d`un organisme assureur
Transcription
Modéliser l`actif d`un organisme assureur
Modéliser l’actif d’un organisme assureur : quelques réflexions. Journées d’étude IA / SACEI 15 mai 2009 Frédéric PLANCHET Préambule La mise en œuvre de Solvabilité 2 d’une part et de la norme IFRS assurance d’autre d autre part nécessite de recourir à des modèles stochastiques pour ces actifs pour (au moins) les deux problématiques suivantes : Le calcul des provisions techniques, techniques au travers de ll’évaluation évaluation des options et la mise en place des couvertures associées ; L La détermination dét i ti du d SCR (Solvabilité (S l bilité 2) via i un critère itè de d probabilité b bilité de d ruine (VaR sur un quantile « élevé »). Mettre en œuvre une MCEV nécessite également le recours à ces modèles. Les modèles standards constituent des approximations trop grossières des comportements des actifs risqués (individuellement et conjointement) dans ce contexte. 15 mai 2009 Page 2 Préambule Avant de p poursuivre, on p peut s’interroger g sur l’utilisation q qui sera faite du modèle : prix ; - évaluation de p - gestion de couvertures ; - ALM ; - besoin en capital. En fonction de ll’utilisation utilisation prévue, prévue un modèle pourra ss’avérer avérer plus ou moins performant. L’horizon de p projection j est un critère de choix important. p 15 mai 2009 Page 3 Sommaire 1. Quel modèle 2 Quelles données ? 2. 3. Risques associés 15 mai 2009 Page 4 1. Quel modèle ? La construction d'une modélisation robuste et cohérente de l'actif d'un assureur ou d d'un un régime de retraite est une problématique importante qui est aujourd'hui souvent abordée de manière sommaire. Deux classes de modèles sont rencontrées en pratique : - des modèles "composites", constitués de l'agrégation de modèles adaptés à chaque classe (actions, taux, immobilier, etc.) ; - des modèles "intégrés" prenant en compte dans leur structure une interdépendance forte entre les classes d’actifs. 15 mai 2009 Page 5 1. Quel modèle ? Exemple : structure du modèle d’Ahlgrim et al. : Inflation Montant des dividendes Taux d'intérêt réel Taux d'intérêt nominal Revenus de l'immobilier Rendement des actions (large stocks ) Rendement des actions (small stocks ) et en général : 15 mai 2009 Page 6 1. Quel modèle ? Un modèle d'actifs dans un contexte d'assurance se doit d'intégrer d'une part des fluctuations de court terme sur la valeur des actifs et d d'autre autre part d d'être être cohérent à long terme avec les équilibres macro-économiques reliant l'inflation, les taux d'intérêt et le taux de croissance de l'économie. A long terme, il est considéré qu'il existe un lien étroit entre le taux d'intérêt nominal prévalant sur les marchés financiers, le taux d'inflation, c'est-à-dire l'évolution de l'indice des prix, et le taux d'intérêt réel. Plus précisément, le taux d d'intérêt intérêt nominal est égal à la somme du taux d d'intérêt intérêt réel et du taux d'inflation : Taux d'intérêt Nominal = Taux d'Inflation + Taux d'intérêt Réel 15 mai 2009 Page 7 1. Quel modèle ? Simultanément, il existe un lien étroit à long terme entre le taux d'intérêt réel et le taux de croissance réel de ll’économie économie. Le taux d d’intérêt intérêt réel ne peut être longuement très différent du taux de croissance de l'économie sauf à provoquer des arbitrages entre activité financière et activité réelle d'une part, entre investissement dans un pays et investissement dans d'autres pays d’autre part: Taux d'intérêt d intérêt réel à long terme = Taux de croissance réel à long terme 15 mai 2009 Page 8 1. Quel modèle ? Un modèle d'actifs en assurance intègre en général les supports d'investissement d investissement suivants : - les obligations ; - les actions ; - l'immobilier ; - le monétaire. La structure de l'actif de l'assureur est soumise à des contraintes : les actions ne peuvent dépasser 65 %, % le monétaire 10 % et ll'immobilier immobilier 40 %. % 15 mai 2009 Page 9 1. Quel modèle ? Enfin, des éléments extérieurs doivent pouvoir être intégrés, comme par exemple ll’objectif objectif d d’inflation inflation fixé par la BCE. BCE L'assemblage souvent so ent réalisé d'éléments issus iss s de la finance de marché (un ( n modèle de taux, un pour les actions, etc.) ne permet pas simplement de prendre en compte l'ensemble de ces contraintes. 15 mai 2009 Page 10 1. Quel modèle ? L'inflation est le facteur économique qui permet d'introduire les relations entre les différentes classes d d'actifs actifs. Le modèle de Wilkie est sans doute le plus connu de ce type de modèles. Il peut toutefois apparaître relativement sommaire dans la modélisation interne de chaque type d'actif. Le modèle d'Ahlgrim et al., constitue une alternative intéressante en combinant une approche intégrée s'appuyant sur l'inflation avec la possibilité d'utiliser d utiliser des modèles élaborés à ll'intérieur intérieur de chaque classe d d'actif actif. Au surplus, ce modèle est développé sous l'impulsion de la CASACT, ce qui lui confère une certaine légitimité. 15 mai 2009 Page 11 Sommaire 1. Quel modèle 2 Quelles données ? 2. 3. Risques associés 15 mai 2009 Page 12 2. Quelles données ? La perspective de long terme a des conséquences en terme de choix de modèle mais aussi au niveau de ll'estimation estimation des paramètres. paramètres Celle-ci Celle ci doit en effet être menée sur des séries dont la fréquence et la profondeur doivent être cohérentes avec l'horizon de projection envisagé, ce qui conduit en général à rechercher des séries annuelles sur quelques dizaines d'années. Disposer de données cohérentes répondant à ce cahier des charges n'est pas aisé et il faut de ce point de vue saluer ll'étude étude menée en 2007 par Jacques Friggit : Long Term (1800-2005) Investment in Gold, Bonds, Stocks and Housing in France – with Insights into the USA and the UK : a Few Regularities dont les données associées sont disponibles en ligne. 15 mai 2009 Page 13 2. Quelles données ? Ces données sont utilisées par ailleurs dans le récent article d'A. Bernay paru dans le BFA : Does equity risk decrease in the long run? Some evidence from French data. Cette source de données, données actualisée régulièrement, régulièrement devrait donc intéresser tout particulièrement les assureurs dans le cadre du calibrage des modèles d'actifs. 15 mai 2009 Page 14 2. Quelles données ? Le choix de la période d’ajustement est déterminant ; par exemple, pour ajuster un modèle AR(1) à ll’inflation inflation (cas par exemple du modèle de Brennan et Xia qui utilise un modèle d’OU) : L’estimation de l’inflation tendancielle sur des périodes glissantes conduit à : mais si on utilise toutes les données on trouve presque 5 %. % 15 mai 2009 Page 15 2. Quelles données ? Les conséquences pratiques sont très importantes, comme le montre cet exemple de « backtesting » : 15 mai 2009 Page 16 2. Quelles données ? On observe le rendement quotidien du CAC 40 du 20/08/2007 au 19/08/2008 (255 jours de bourse) ou depuis l’origine (4600 jours de bourse) : xi = x(ti ) = ln S(ti ) S(ti −1 ) 0,08 0,06 0,04 0,02 -0,02 1 188 375 562 749 936 1123 1310 1497 1684 1871 2058 2245 2432 2619 2806 2993 3180 3367 3554 3741 3928 4115 4302 4489 0 -0,04 -0,06 -0,08 -0,1 15 mai 2009 Page 17 2. Quelles données ? Il est utile de l’intéresser au positionnement de références externes par rapport pp aux données. Par exemple, p , ici,, comment se p positionne le QIS 4 ? Dans le QIS 4, le choc à la baisse sur les actions est de 32 %. Avec le CAC 40, ce choc correspond à une probabilité de survenance de : - période 03/1990-08/2008 : 4 % (rendement moyen de 4,7 %, volatilité de 21 %) - période 08/2007-08/2008 : 33 % (rendement moyen de -21 %, volatilité de 23 %)... On peut donc noter que : - Le QIS 4 est calibré sur des durées longues g ; - sur presque 20 ans, 96 %=1-4 % reste loin du quantile à 99,5 %. 15 mai 2009 Page 18 2. Quelles données ? Ces observations sont directement issues des données et dépendent donc peu du choix de modèle d’actif qui sera retenu. De plus, dans le cadre d’un modèle interne, la référence au quantile à 99,5 % calibré sur des données de marché risque de conduire à un besoin en capital sensiblement ibl t supérieur éi à celui l i issu i d QIS 4, du 4 dont d t on vient i t de d voir i qu’il ’il estt du d niveau du quantile à 96 % pour le CAC 40 sur les 18 dernières années. 15 mai 2009 Page 19 Sommaire 1. Quel modèle 2 Quelles données ? 2. 3. Risques associés 15 mai 2009 Page 20 3. Risques q associés 3.1. Risques associés à l’estimation des paramètres L’estimation des p paramètres d’un modèle d’actif p peut être effectuée de deux manières : - estimation ti ti di t sur des directe d données d é historiques hi t i d la de l grandeur d modélisée (ex. : cours d’un sous-jacent) ; - estimation à p partir de la g grandeur d’intérêt ((ex. : p prix des options). Choix C o d d’une u e est estimation at o e en p probabilité obab té historique sto que ou risque sque neutre eut e Si l’estimation est effectuée sur des données historiques, q , le choix de la profondeur de l’historique est délicat. 15 mai 2009 Page 21 3. Risques q associés 3.1. Risques associés à l’estimation des paramètres L’estimation p peut induire une p perte d’information significative, g , comme le montre les travaux de P. Boyle (Windcliff et Boyle [2004]). L’idée est de s’intéresser à la détermination de l’allocation optimale « à la M k it » avec 5 supports Markowitz t d’investissement, d’i ti t dont d t les l vraies i valeurs l d des paramètres sont : On compare cette allocation estimée avec l’allocation uniforme en « 1/N ». 15 mai 2009 Page 22 3. Risques q associés 3.1. Risques associés à l’estimation des paramètres On p peut alors comparer p la frontière efficiente théorique q avec la « frontière réelle » construite sur la base des pondération des supports estimées et de la vraie loi sous-jacente : 15 mai 2009 Page 23 3. Risques q associés 3.1. Risques associés à l’estimation des paramètres Dans la réalité toutefois on ne p peut avoir de p position courte,, ce q qui modifie le frontière efficiente, qui n’a plus d’expression paramétrique 15 mai 2009 Page 24 3. Risques q associés 3.2. Risques associés aux méthodes de simulation En p premier lieu il faut q que la g grandeur q que l’on cherche à calculer existe… Par exemple la loi de Cauchy : fX ( x) = 1 π 1 + x2 ( ) n’a pas d’espérance. En second lieu il faut que l’on puisse obtenir une précision suffisante en un temps raisonnable. Supposons que l’on cherche à calculer : ⎛ x2 ⎞ E = E ( exp ( xN ) ) = exp ⎜ ⎟ ⎝ 2 ⎠ avec N une variable normale centrée réduite. réduite 15 mai 2009 Page 25 3. Risques q associés 3.2. Risques associés aux méthodes de simulation On va donc utiliser l’approximation pp : 1 n En = ∑ exp ( xX i ) n i =1 avec X 1 ,… X n un échantillon gaussien centré réduit. Avec le théorème central limite on trouve que l’erreur relative d’estimation est : ( ) exp x 2 − 1 En − E = E n Il en résulte que si x=1, une erreur relative de 10% nécessite environ 1000 tirages, mais pour x=5, une erreur relative de 100% nécessite n=7x1010 tirages. La méthode est donc inapplicable. 15 mai 2009 Page 26 3. Risques q associés 3.3. Risque discrétisation – méthode de « flexing » Pour des raisons de temps p de simplification p des calculs,, on décide p parfois de remplacer le faisceau de trajectoires du processus d’actif par un ensemble simplifié construit de la manière suivante : { } 0 +∞ + [ , ⎡ s j −1 , s j ⎡ ,1 ≤ j ≤ p - on fixe fi une partition titi de d [ 0, ⎣ ⎣ - on pose ξ j ( t ) = E S ( t ) S (T ) ∈ ⎡⎣ s j −1 , s j ⎡⎣ ( ) - on définit un nouveau processus ξ ( t ) en sélectionnant l’une des p trajectoires ξ j ( t ) chacune ayant la probabilité : ( π j = Pr P S (T ) ∈ ⎡⎣ s j −1 , s j ⎡⎣ ) En d’autres termes on effectue des regroupements de trajectoires en fonction de la valeur au terme du processus d’origine. 15 mai 2009 Page 27 3. Risques q associés 3.4. Risque de modèle - robustesse Les conséquences q d’une erreur de modèle p peuvent être importantes, p , comme l’illustre l’exemple de l’estimation de l’espérance dans un modèle log-normal : ⎛ ⎛ σ2 ⎞ σ̂ 2 ⎞ σ ⎟ ⎟ μ = exp ⎜ m + μˆ = exp ⎜ mˆ + ⎜ ⎜ 2 ⎟ 2 ⎟ ⎝ ⎠ ⎝ ⎠ Si la distribution sous-jacente sous jacente l’estimateur μ̂ converge vers : est en fait exponentielle exponentielle, alors ⎛ ⎛ σ *2 ⎞ π2 ⎞ ⎟ = exp ⎜ −0, 577 + ⎟ ≈ 1, 28 exp ⎜ m * + ⎜ ⎟ ⎜ 2 12 ⎟ ⎝ ⎠ ⎝ ⎠ alors que la vraie valeur de l’espérance est 1. L’espérance empirique est de ce point de vue robuste. 15 mai 2009 Page 28 3. Risques q associés 3.4. Risque de couverture – maîtrise du profil de risque Dans le cas où le modèle d’actif est utilisé p pour déterminer une p provision (cas des variable annuities par ex.), les montants obtenus n’ont de sens que lorsque des couvertures sont mises en place et gérées : La situation dans laquelle la gestion de la couverture n’est pas mise en œuvre est bien plus dangereuse. Le « prix » de la clause optionnelle n’a de sens qu’avec une gestion active du portefeuille de couverture. 15 mai 2009 Page 29 3. Risques q associés 3.4. Risque de couverture – maîtrise du profil de risque Lorsque q la couverture est mise en œuvre il faut se méfier de la « traking g errror » si des SICAV sont utilisées Exemple : une SICAV "PASCAL Large CAP US" benchmarkée sur le SP500, qui avait 2% investi chez Madoff et 5% de Cash chez Lehmans). Il n n'existe existe aucun dérivé sur la SICAV "PASCAL PASCAL Large CAP US" (en particulier des futures). Il est aussi difficile de "shorter" ce fond (peu liquide, ça dépend de PASCAL et de sa bonne volonté). Donc pour couvrir, on va utiliser des futures SP500, qui eux sont très liquides. La NAV historique avait un bon alpha avec le SP500 (0.99), donc ça a du sens. Quand Lehmans et Madoff se plantent le fonds prend -7%, indépendament du SP500. Cette perte est "naked" puisque non reflétée dans le SP500 et c'est l'assureur qui compense. Typiquement, la couverture est adaptée aux benchmarks. Si les fonds dévient, la couverture ne peut rien faire. => la pratique actuelle a rapidement évoluée est les nouveaux GMB seront sur des indices liquides seulement (ETF Trackers). Trackers) Pas de rebates, rebates des frais de transaction mais pas de risque tracking error. error 15 mai 2009 Page 30 3. Risques q associés 3.5. Vision synthétique des risques On p peut synthétiser y l’analyse y des risques q associés à la mise en p place du modèle au travers du schéma suivant : 15 mai 2009 Page 31 Conclusion On peut retenir les éléments suivants : - Le choix d’un modèle intégré permet d’assurer une modélisation plus cohérente des actifs ; - il importe de veiller à la prise en compte de contraintes macroéconomique tant structurelles que conjoncturelles ; - la constitution d’une base de données pertinente est un exercice à part entière - l’invariance du modèle dans les mondes réel et risque neutre est une propriété qui facilite son utilisation . 15 mai 2009 Page 32 Références bibliographiques g p q BLACK F., SCHOLES M. [1973] « The pricing of options and corporate liabilities ». Journal of political Economy, vol. 81, n°3, 637–654. BOLLERSLEV T. T [1986] « Generalized Autoregressive Conditional Heteroscedasticity », » Journal of Econometrics 31, 31 307-27. 307-27 CARR P., GEMAN H., MADAN D.B., YOR M. [2002] « The fine structure of asset returns: an empirical investigation ». Journal of business, vol. 75, n°2. D’ESTAMPES L. [2003] Traitement statistique des processus alpha-stables. Thèse de doctorat, Institut National Polytechnique de Toulouse. DACUNHA-CASTELLE D., DUFLO M. [1982] Probabilités et statistiques : problèmes à temps fixe, Paris : Masson. DRITSCHEL M., PROTTER Ph. [1999] « Complete markets with discontinuous security price » Finance and Stochastics, vol. 3, 203-214. ENGLE R.F. [1982] « Autoregressive Conditional Heteroscedasticity with estimates of the variance of U.K. inflation »,, Econometrica 50, 987-10008. FAMA E.F. [1965] « The behavior of stock market price ». Journal of business, vol. 38, 34–195. FAMA E.F., ROLL R. [1971] « Parameter estimates for symmetric stable distributions ». Journal of American Statistical Association, vol. 66, 331–336. GABRIEL F., SOURLAS P. [2006] « Couverture d’options en présence de sauts ». Mémoire ENSAE GERBER H.U., SHIU E.S. [1995] « Option pricing by Esscher transforms ». Insurance: Mathematics and Economics, Volume 16, Number 3, pp. 287-287(1) HARDY M. [2001] « A regime g switching g model of long-term g stock returns », North American Actuarial Journal, vol. 5, n°2, 41-53. HESTON S.L. [1993] « A closed-form solution for options with stochastic volatility with application to bond and currency options », The Review of Financial Studies 15 mai 2009 Page 33 Références bibliographiques g p q LAMBERTON D., LAPEYRE B. [1997] Introduction au calcul stochastique appliqué à la finance, 2e édition. Paris : Ellipses. MANDELBROT B. [1962] « Sur certains prix spéculatifs : faits empiriques et modèle basé sur les processus stables additifs non gaussiens de Paul Lévy ». » Comptes rendus à ll’Académie Académie des sciences, sciences vol. vol 254, 254 3968–3970. 3968–3970 MANDELBROT B. [1963] « The variation of certain speculative prices ». Journal of business, vol. 36, 394–419. MERTON R.C. [1976] « Option princing when underlying stock returns are discontinuous ». Journal of Financial Economics, vol. 3, 224-44 PLANCHET F., F THEROND P.E. P E [2005] « L’impact L’i t de d la l prise i en compte t des d sauts t boursiers b i d dans l les problématiques blé ti d’assurance », Proceedings of the 15th AFIR Colloquium. RAMEZANI C.A.; ZENG Y. [1998] « Maximum likelihood estimation of asymmetric jump-diffusion processes: application to security prices ». Working paper. REVUZ D., YOR M. [1999] Continuous Martingales and Brownian Motion, third edition. Berlin: Springer Verlag. SAPORTA G. [1990] Probabilités, analyse des données et statistique. Paris : Editions Technip. WALTER C. [1994] Les structures du hasard en économie : efficience des marchés, lois stables et processus fractals. Thèse de doctorat, IEP Paris. WALTER C. C [2001] « Searching for scaling laws in distributional properties of price variations : a review over 40 years », » Proceedings of the 11th AFIR Colloquium WALTER C., BRIAN E. (Dir.) [2008] Critique de la valeur fondamentale, Paris : Springer WINDCLIFF H., BOYLE P. [2004] “The 1/n pension investment puzzle”, North American Actuarial Journal, vol. 8, n°3, p. 32-45. ZAJDENWEBER D. D [2000] Économie É i des d extrêmes, tê P i : Flammarion Paris Fl i http://www.ressources-actuarielles.net 15 mai 2009 Page 34 Contacts Frédéric PLANCHET [email protected] WINTER & Associés Bureau de Paris 43-46 avenue de la Grande Armée F-75 116 Paris ( ) +33-(0)1-45-72-63-00 Bureau B rea de Lyon L on 55 avenue René Cassin CS70410 69338 LY0N CEDEX 09 +33-(0)4-37-37-80-90 http://www.winter-associes.fr/ http://www.ressources-actuarielles.net/ http://actudactuaires.typepad.com/laboratoire/ // / / 15 mai 2009 Page 35