ROYAUME DU MAROC

*-*-*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET D’ECONOMIE APPLIQUEE

Projet de Fin d’Etudes

*****

Valorisation des exigences quantitatives

sous la Solvabilité Basée sur les Risques

Préparé par : Mme. Zineb CHALAOUANE

M. Saad MOUSSAID

Sous la direction de : M. Fouad MARRI (INSEA)

Mme. Sabrine MRABTI (FORSIDES AFRICA)

Soutenu publiquement comme exigence partielle en vue de l’obtention du

Diplôme d’Ingénieur d’Etat

Filière : Actuariat-Finance

Devant le jury composé de :

 M. Fouad MARRI (INSEA)

 M. Driss EFFINA (INSEA)
 Mme. Sabrine MRABTI (FORSIDES AFRICA)

Juin 2021 / PFE N° 12

Dédicace

“ À mes chers parents,

À ma chère sœur,
À Imane,

Je vous dédie ce travail en espérant qu’il soit

l’accomplissement de vos vœux tant allégués, et le fruit de
votre soutien infaillible.

”
- Zineb

“ Je dédie cet humble travail :

À mes chers parents,

À ma chère sœur,
À mes meilleurs amis,

Je vous dédie ce travail en témoignage de l’attachement,

l’amour et l’affection que je vous porte.

”
- Saad

II
Remerciements

Qu’il nous soit permis, au terme de ce travail, d’exprimer notre gratitude et vifs
remerciements à notre encadrant interne M. Fouad MARRI d’avoir accepté de diriger ce
travail, nous tenons aussi à lui être reconnaissants pour ses précieux conseils.
Nous adressons aussi notre profonde gratitude à notre encadrante de stage Mme.
Sabrine MRABTI. Qu’elle trouve ici le témoignage de notre estime et profonde reconnais-
sance pour son accueil, sa générosité, ses orientations et ses qualités humaines qu’elle a
su nous prodiguer tout au long du stage.
Nous tenons également à remercier M. Driss EFFINA de nous avoir honorés en accep-
tant d’évaluer notre travail.
- Zineb & Saad

III
Résumé

Le projet Solvabilité Basée sur les Risques (SBR) a été initié, au Maroc, afin de définir
un nouveau cadre réglementaire adapté au monde économique actuel et aux profils de
risque des compagnies d’assurance et protéger les assureurs ainsi que les assurés. En effet,
la SBR prend une part importante dans le travail des actuaires, notamment au niveau
des exigences quantitatives que constitue son premier pilier. Ces exigences concernent
principalement l’évaluation des provisions techniques prudentielles ainsi que le capital de
solvabilité requis (CSR). L’importance de ces éléments est de premier plan et leur estima-
tion représente un enjeu fondamental puisqu’ils permettent aux compagnies d’assurance
de faire face aux risques auxquels elles sont exposés et ainsi garantir leur solvabilité. Par
conséquent, la SBR impose que leur évaluation soit la plus juste possible.
Dans ce contexte-ci, l’objet de ce mémoire s’incrit dans le besoin de mieux discerner
les exigences réglementaires des assureurs sous la SBR d’un point de vue théorique et
pratique, tout en respectant les spécifications techniques de la deuxième étude d’impacts
quantitatives (EIQ2) dont les hypothèses et les techniques de calcul sont encore en train
d’être testés par les compagnies d’assurances.
Dans une première partie, nous présenterons brièvement le cadre réglementaire SBR,
tout en décrivant les différents éléments du bilan prudentiel qui serviront d’introduction
aux sections plus pratiques de notre mémoire. La deuxième partie s’articulera autour de
la construction théorique et le calcul des provisions techniques prudentielles, et ce pour
l’assurance vie et non-vie. Effectivement, suite à la modélisation de la courbe de taux,
nous nous intéresserons au calcul de la meilleure estimation en assurance non-vie pour la
branche « Véhicules à usage de tourisme – Corporel » grâce aux maintes méthodes de pro-
visionnement à la fois déterministes et stochastiques. Ensuite, nous essayerons d’identifier
les spécificités de l’assurance vie en adoptant le produit « Décès Emprunteur » comme
base pour la modélisation et projection du passif, une étape qui s’avère nécessaire pour
l’évaluation de la meilleure estimation vie. Nous terminerons notre mémoire par la valori-
sation du capital de solvabilité requis et de la marge de risque selon la formule standard,
éléments vitaux quant à la solvabilité de l’assureur. Nous nous inspirerons de la directive
Solvabilité II et de notre propre démarche de calibrage des chocs, soit par génération de
scénario, soit par recours à des méthodes plus fameuses (notamment Merz & Wüthrich)
afin de pouvoir combler les lacunes que présente la SBR dans ce cadre.

Mots clés : SBR, Provisionnement non-vie, Meilleure Estimation, CSR, Marge de Risque,
Décès Emprunteur, Courbe des taux, Black & Scholes, Vašíček, CIR, Merz & Wüthrich .

IV
Table des matières

Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II

Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III

Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV

Table des figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII

Liste des tableaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .VIII

Liste des sorties R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . X

Liste des abréviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XI

Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1 Introduction à la norme Solvabilité Basée sur les Risques (SBR) . . . 3

1.1 Contexte de la SBR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Piliers de la SBR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Focus sur le premier pilier . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Provisions techniques prudentielles . . . . . . . . . . . . . . . . . . 7
1.3.2 Capital de solvabilité requis (CSR) . . . . . . . . . . . . . . . . . . 7
1.3.3 Valorisation du bilan prudentiel : . . . . . . . . . . . . . . . . . . . 9
[Link] Actif du bilan prudentiel : . . . . . . . . . . . . . . . . . . 9
[Link] Passif du bilan prudentiel : . . . . . . . . . . . . . . . . . 10
1.3.4 Les fonds propres : . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2 Construction de la courbe des taux . . . . . . . . . . . . . . . . . . . . . . 13

2.1 Taux zéro-coupon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.1 Courbes empiriques . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.2 Courbes théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
[Link] Modèle de Vašíček . . . . . . . . . . . . . . . . . . . . . . 16
[Link] Modèle CIR . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Taux Forward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3 Valorisation des provisions techniques prudentielles - Non vie - . . . . 27

3.1 La meilleure estimation des engagements pour sinistres . . . . . . . . . . . 28
3.1.1 Méthodes déterministes . . . . . . . . . . . . . . . . . . . . . . . . 29
[Link] Méthode de Chain Ladder . . . . . . . . . . . . . . . . . . 29

V
Table des matières

[Link] Méthode London Chain . . . . . . . . . . . . . . . . . . . 32

[Link] Méthode de DeVylder . . . . . . . . . . . . . . . . . . . . 34
3.1.2 Méthodes stochastiques . . . . . . . . . . . . . . . . . . . . . . . . 36
[Link] Mack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
[Link] Bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 La meilleure estimation des primes . . . . . . . . . . . . . . . . . . . . . . 42
3.3 La meilleure estimation des frais de gestion . . . . . . . . . . . . . . . . . . 43

4 Valorisation des provisions techniques prudentielles - Vie - . . . . . . . 45

4.1 Tarification en assurance décès emprunteur . . . . . . . . . . . . . . . . . . 46
4.1.1 Notations et hypothèses . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.2 Calcul de la prime unique . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.3 Calcul des primes mensuelles selon le capital initial . . . . . . . . . 48
4.1.4 Calcul des primes mensuelles selon le capital restant dû . . . . . . . 48
4.2 Calcul des provisions techniques prudentielles . . . . . . . . . . . . . . . . 49
4.2.1 La meilleure estimation des engagements . . . . . . . . . . . . . . . 49
4.2.2 La meilleure estimation des frais de gestion . . . . . . . . . . . . . 51
4.2.3 Présentation des résultats . . . . . . . . . . . . . . . . . . . . . . . 51

5 Capital de Solvabilité Requis et Marge de Risque . . . . . . . . . . . . . 56

5.1 Définition et approches de calcul du CSR . . . . . . . . . . . . . . . . . . . 57
5.2 Souscription Vie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.1 CSR Souscription vie . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.2 Marge de Risque Vie . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3 CSR marché . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.4 Souscription Non Vie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.4.1 CSR Souscription Non Vie . . . . . . . . . . . . . . . . . . . . . . . 69
5.4.2 Marge de risque Non Vie . . . . . . . . . . . . . . . . . . . . . . . . 78
5.5 CSR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

A Courbes ZC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

B Hypothèses de Chain-Ladder . . . . . . . . . . . . . . . . . . . . . . . . . . 85

C Hypothèses de Mack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

VI
Table des figures

1.1 Trajectoire de construction du projet SBR . . . . . . . . . . . . . . . . . . 4

1.2 Les trois piliers de la SBR . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.1 Courbe des taux zéro-coupon « Bootstrap » . . . . . . . . . . . . . . . . . . 16

2.2 Taux Moyen Pondéré entre 1/1/2004 et 31/12/2019 . . . . . . . . . . . . . 19
2.3 Corrélograme de la série des taux . . . . . . . . . . . . . . . . . . . . . . . 20

3.1 Distribution des provisions suite à 10 000 simulations . . . . . . . . . . . . 41

4.1 Projection des flux primes . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.2 Projection des flux décès . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Projection des flux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Projection des nombres de contrats du portefeuille . . . . . . . . . . . . . . 54

5.1 Évolution du cours MASI . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

5.2 Évolution des rendements MASI . . . . . . . . . . . . . . . . . . . . . . . . 64
5.3 Histogramme des rendements . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.4 QQ-plot des rendements MASI . . . . . . . . . . . . . . . . . . . . . . . . 64
5.5 5000 simulations du cours de l’indice MASI . . . . . . . . . . . . . . . . . 66
5.6 Simulations Vašíček . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.7 Simulations CIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

B.2 Vérification de l’hypothèse (H1) de Chain-Ladder . . . . . . . . . . . . . . 85

B.4 Vérification de l’hypothèse (H2) de Chain-Ladder . . . . . . . . . . . . . . 86

C.2 Vérification de l’hypothèse (H3) de Mack . . . . . . . . . . . . . . . . . . . 89

VII
Liste des tableaux

1.1 Comparaison entre les bilans comptable et économique . . . . . . . . . . . 6

1.2 Agrégation des risques sous la SBR . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Valorisation de l’actif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Valorisation du passif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Décomposition des fonds propres « Catégorie 1 » . . . . . . . . . . . . . . . 12
1.6 Décomposition des fonds propres « Catégorie 2 » . . . . . . . . . . . . . . . 12

3.1 Triangle des règlements cumulés. . . . . . . . . . . . . . . . . . . . . . . . 29

3.2 Coefficients de développement de la méthode Chain Ladder . . . . . . . . . 30
3.3 Triangle projeté par la méthode Chain Ladder . . . . . . . . . . . . . . . . 31
3.4 Provisions estimées par la méthode de Chain Ladder . . . . . . . . . . . . 31
3.5 Coefficients de la méthode London Chain . . . . . . . . . . . . . . . . . . . 33
3.6 Triangle projeté par la méthode de London Chain . . . . . . . . . . . . . . 33
3.7 Provisions estimées par la méthode de London Chain . . . . . . . . . . . . 33
3.8 Paramètres estimés par la méthode de DeVylder . . . . . . . . . . . . . . . 35
3.9 Triangle projeté par la méthode de DeVylder. . . . . . . . . . . . . . . . . 35
3.10 Provisions estimées par la méthode de DeVylder . . . . . . . . . . . . . . . 35
3.11 Récapitulatif des résultats des méthodes déterministes et écarts relatifs . . 36
3.12 Erreur quadratique et intervalle de confiance du modèle de Mack . . . . . 38
3.13 Matrice des résidus de Bootstrap . . . . . . . . . . . . . . . . . . . . . . . 40
3.14 Résultats du Bootstrap pour 10 000 simulations . . . . . . . . . . . . . . . 41
3.15 Quantiles de la distribution des provisions . . . . . . . . . . . . . . . . . . 42
3.16 Récapitulatif des résultats des méthodes stochastiques . . . . . . . . . . . 42
3.17 Historique des PA, PE et PPNA . . . . . . . . . . . . . . . . . . . . . . . . 43
3.18 Valorisation des différentes meilleurs estimations non-vie . . . . . . . . . . 44

4.1 Détail de la projection des flux selon le scénario central . . . . . . . . . . . 53

4.2 Détail de la projection des flux de frais de gestion . . . . . . . . . . . . . . 54

5.1 Résultats avant et après choc du risque de mortalité . . . . . . . . . . . . . 58

5.2 Résultats avant et après choc du risque de rachat . . . . . . . . . . . . . . 59
5.3 Résultats avant et après choc du risque de dépense . . . . . . . . . . . . . 60
5.4 Résultats avant et après choc du risque de catastrophe . . . . . . . . . . . 60
5.5 Matrice de corrélation des risques de souscription vie . . . . . . . . . . . . 61
5.6 Récapitulation des résultats du CSRV ie . . . . . . . . . . . . . . . . . . . . 61
5.7 Chocs à appliquer selon les modèles de Vašíček et CIR . . . . . . . . . . . 68
5.8 Résultats avant et après choc du risque de taux . . . . . . . . . . . . . . . 68
5.9 Détail des valeurs des rapports de l’hypothèse d’approximation . . . . . . . 74
5.10 Récapitulation des résultats de Merz et Wütrich . . . . . . . . . . . . . . . 74

VIII
Liste des tableaux

5.11 Matrice de corrélation des risques de souscription non vie . . . . . . . . . . 78

5.12 Matrice de corrélation des risques du CSR de base . . . . . . . . . . . . . . 78

A.1 Détail de l’estimation de la courbe zéro-coupon . . . . . . . . . . . . . . . 84

C.1 Triangle des facteurs de développement individuels . . . . . . . . . . . . . 87

C.2 Triangle des valeurs affectées aux facteurs de développement individuels . . 87
C.3 Résultats du test d’indépendance . . . . . . . . . . . . . . . . . . . . . . . 88

IX
Liste des sorties R

1 Test Dickey-Fuller . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Estimation des paramètres du modèle de Vašíček . . . . . . . . . . . . . . 21
3 Estimation de la prime de risque du modèle de Vašíček . . . . . . . . . . . 22
4 Estimation des paramètres du modèle de CIR . . . . . . . . . . . . . . . . 24
5 Estimation de la prime de risque du modèle de CIR . . . . . . . . . . . . . 25
6 Test de normalité des rendements de MASI . . . . . . . . . . . . . . . . . 64
7 Test de stationnarité des rendements . . . . . . . . . . . . . . . . . . . . . 65
8 Test de normalité du log des charges ultimes . . . . . . . . . . . . . . . . . 77
9 Estimation des paramètres σ et β . . . . . . . . . . . . . . . . . . . . . . . 77

X
Liste des abréviations

ACAPS Autorité de Contrôle des Assurances et de la Prévoyance Sociale

BAM Bank Al Maghrib

BCSR Capital de Solvabilité Requis de Base

CDR Claims Development Result

CIR Cox Ingersoll Ross

CSR Capital de Solvabilité Requis

EIQ Études d’Impacts Quantitatives

IAIS International Association of Insurance Supervisors

MASI Moroccan All Shares Index

MCR Minimum de Capital Requis

ME Meilleure Estimation

MR Marge de Risque

MSEP Mean Squared Error of Prediction

M&W Merz & Wüthrich

PPNA Provision pour Primes Non Acquises

SBR Solvabilité basée sur les Risques

SII Solvabilité 2

TMP Taux Moyen Pondéré

ZC Zéro-Coupon

XI
Introduction générale

A l’instar de Bâle 2 dans le secteur bancaire, les assureurs européens se sont vus impo-
ser ces dernières années un nouveau cadre réglementaire prudentiel. La norme Solvabilité
2, entrée en vigueur au 1er Janvier 2016, a pour principal objectif d’amener les organismes
d’assurance à mettre en adéquation leur niveau de fonds propres avec les risques auxquels
ils sont soumis.
L’Autorité de Contrôle des Assurances et de la Prévoyance Sociale (ACAPS), étant
le régulateur de l’activité de l’assurance au Maroc, s’inspire de ce cadre européen pour
mettre en œuvre sa propre norme afin d’assurer la sovabilité du secteur. En avril 2017,
le projet de circulaire Solvabilité Basée sur les Risques (SBR) a été lancé ayant comme
objectif de s’aligner avec les principes de base de l’assurance émis par l’association inter-
nationale des contrôleurs d’assurance (IAIS) et définir les nouvelles règles de mesure du
risque en assurance, entraînant une refonte de l’exigence de solvabilité des compagnies
d’assurance. Désormais, l’évaluation des exigences de capital des compagnies d’assurance
et de réassurance prendra en compte la taille, la nature et la complexité des assurances et
des différents acteurs du marché. Ainsi, les provisions techniques ne seront plus évaluées
dans un cadre comptable mais plutôt dans une vision économique.
En effet, le lancement de cette nouvelle norme a nécessité de nos jours deux études
d’impacts quantitatives (EIQ) afin de mesurer l’impact de ce changement de réforme sur
le marché des assurances au Maroc. La première étude EIQ1 a permis au régulateur de vé-
rifier en premier lieu l’adéquation des spécifications techniques développées par l’ACAPS
aux principes et objectifs retenus dans le projet de circulaire SBR – Pilier I de 2018, en-
trevoir la valorisation prudentielle des éléments du bilan SBR hors marge de risque (MR)
et collecter les données nécessaires au calibrage des paramètres de calcul du capital de sol-
vabilité requis (CSR). Alors que la deuxième étude EIQ2 vise à entrevoir les ajustements
de la valorisation prudentielle des éléments du bilan suite à l’EIQ1, obtenir un calibrage
de la formule standard SBR pour le calcul du besoin de capital, sur la base des exercices
2017 à 2019 et définir l’impact de la norme sur le bilan des entreprises d’assurance et de
réassurance et de vérifier la cohérence des propositions faites face aux objectifs visés.
Ainsi, ce mémoire est organisé en quatre parties dans le but d’évaluer les exigences
quantitatives sous la norme SBR. Pour ce faire, nous avons adopté le schéma suivant : En
amont, nous avons présenté un aperçu global de la SBR, puis nous nous sommes focalisés
sur la construction de la courbe de taux réglementaire. Ensuite, nous avons procédé à la
valorisation des exigences quantitatives en assurance vie et en assurance non vie. Enfin,
suite à la détermination des taux de chocs à appliquer, nous avons calculé le CSR et la
marge de risque.

1
Introduction générale

Ce travail nous a permis de maîtriser le pilier I de la norme SBR, de mettre en pratique

deux différents portefeuilles (non-vie et vie) pour voir l’impact du passage à la norme et
enfin de proposer des solutions techniques à quelques insuffisances constatées lors de notre
étude.

2
Chapitre 1

Introduction à la norme Solvabilité

Basée sur les Risques (SBR)

Notre chapitre introductif aura pour objectif d’établir le contexte d’implémentation

et de présenter les particularités du nouveau cadre règlementaire marocain : la Solvabilité
Basée sur les Risques (SBR). Nous détaillerons les raisons qui ont poussé l’ACAPS à
adopter ce projet, ce qui nous conduira à exposer la chronologie de son implémentation.
Par la suite, nous attaquerons les trois piliers de la SBR et citerons leur enjeux. Nous
focaliserons notre attention sur le pilier I puisqu’il représente le pilier concerné par les
exigences quantitatives. Finalement, nous serons amenés à détailler le bilan prudentiel en
SBR et les fonds propres à comptabiliser.

3
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

1.1 Contexte de la SBR

Fortement influencée par la directive Solvabilité II et visant à se conformer aux prin-
cipes de base de l’assurance établis par l’association internationale des superviseurs d’assu-
rance (IAIS), l’ACAPS annonce en avril 2017 le projet de circulaire « Solvabilité Basée sur
les Risques » (SBR) élaboré dans l’intention d’instaurer un nouveau référentiel réglemen-
taire adapté au contexte marocain qui prend en compte l’ensemble des risques auxquels
les sociétés d’assurance marocaines peuvent être soumises. La mesure et le contrôle des
risques demeurent des éléments incontournables dans la SBR, garantissant ainsi comme
son prédecesseur la protection des assurés et des bénéficiaires de contrats.
Le projet SBR a été donc créé dans un contexte de constante évolution des normes
internationales : le Maroc se trouvait dans la nécessité d’introduire la nouvelle directive
SBR, étant donné les lacunes que présentait le cadre prudentiel antécédent. En outre,
l’ACAPS vise à combler le fossé avec l’Europe quant aux réglementations prudentielles et
pratiques de supervision dans le secteur assuranciel.
Cette nouvelle réglementation est censée créer un marché fiable et stable qui assure
le respect des droits des assurés tout en promouvant la santé financière des entreprises
d’assurance et de réassurance. Afin d’arriver à atteindre ces objectifs, l’approche adoptée
par l’ACAPS repose sur les principes suivants :
• La mise en place d’un cadre de concertation et de dialogue avec les sociétés d’assu-
rance.
• L’implémentation flexible et progressive du nouveau référentiel réglementaire.
• Le principe de proportionnalité qui prévoit la satisfaction des exigences en fonction
de la nature et la complexité des risques inhérents au profil de chaque compagnie
d’assurance.
L’implémentation de la SBR a connu plusieurs étapes, dont les phases les plus notables
sont résumées selon l’illustration suivante :

Fig. 1.1 : Trajectoire de construction du projet SBR

4
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

1.2 Piliers de la SBR

La SBR s’articule ainsi autour de trois piliers. Le premier englobe toutes les exigences
quantitatives, le deuxième fixe les normes qualitatives et le troisième décrit l’ensemble des
critères en matière de communication et d’information :
• Premier pilier quantitatif : La surveillance prudentielle, à travers le pilier 1,
permet au régulateur d’évaluer le niveau de solvabilité de l’assureur et sa capacité
à résister aux chocs. Ce pilier sera le focus de notre rapport.
• Deuxième pilier : Ce pilier étoffe le dispositif actuel concernant le processus de
suivi des risques des compagnies, la gouvernance et la partie audit interne dont
l’objectif est d’établir une gouvernance globale appropriée et d’inciter les entreprises
à identifier leur exposition face aux différents types de risque et à connaitre leur
capacité à les gérer.
• Troisième pilier : Le principe de ce troisième pilier est d’obliger les compagnies
d’assurance à communiquer de façon transparente et périodique des informations
précises et détaillées sur leurs activités et leur situation solvable avec l’Autorité de
contrôle et avec le public. Ceci se réalise à travers la publication des états prudentiels
et statistiques ainsi que des rapports narratifs.

Fig. 1.2 : Les trois piliers de la SBR

5
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

1.3 Focus sur le premier pilier

Pour une meilleure évaluation des risques, la nouvelle réforme SBR s’imprègne des
fondements de la Solvabilité II. Effectivement, la vision meilleure estimation (ou « Best
Estimate » en anglais) est préconisée pour la valorisation des provisions techniques pru-
dentielles. Elle correspond à la valeur actuelle probable des flux de trésorerie futurs,ce qui
permet de prendre en compte la valeur du temps ainsi que la valeur du risque.
La courbe des taux utilisée pour l’actualisation de ces flux est communiquée par
l’ACAPS et se base sur les taux actuariels des bons de Trésor publiée par Bank Al Magh-
rib. Une marge de risque, rajoutée à cette meilleure estimation, permet de garantir un
montant qui permettra aux organismes d’assurance d’honorer leurs engagements.
Les actifs et les autres passifs sont valorisés à leurs valeurs économiques. Les impôts
différés eux seront désignés comme passif ou actif en fonction de la valeur économique et
de la valeur comptable des fonds propres. Le bilan SBR désigne aussi le montant minimum
de la marge de solvabilité et les éléments constitutifs désignés respectivement par « Capital
de Solvabilité Requis » (CSR) et « Fonds propres »

Tab. 1.1 : Comparaison entre les bilans comptable et économique

6
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

1.3.1 Provisions techniques prudentielles

Les provisions techniques prudentielles sont calculées en additionnant une meilleure
estimation des engagements, une meilleure estimation des frais de gestion et une marge
de risque selon la relation suivante :

P T = BEeng + BEf rais + RM

Avec :

• BEeng : la meilleure estimation des engagements qui représente la valeur actuelle

probable des flux des engagements pris par l’assureur ou le réassureur.

• BEf rais : la meilleure estimation des frais de gestion qui correspond à la valeur
actuelle probable des flux des frais de gestion des contrats.

• RM : la marge de risque qui équivaut au coût de capital et est déterminée suivant la

nature des opérations d’assurance et de réassurance. Elle constitue ainsi une marge
de prudence dans l’estimation des provisions techniques.

La valorisation de ces provisions se fait par catégorie d’activité à savoir :

• les opérations d’assurance vie, décès ou de capitalisation ;

• les rentes découlant des opérations non-vie ;

• les opérations d’assurance non-vie hors rente ;

• les opérations de réassurance.

1.3.2 Capital de solvabilité requis (CSR)

Le capital de solvabilité requis est une exigence de capital représentant le minimum
de la marge de solvabilité. Il correspond au seuil prévu par le régulateur afin de faire face
aux risques d’exploitation propres au caractère aléatoire des opérations d’assurance et de
réassurance. La définition plutôt technique de ce terme implique que le CSR correspond
au capital exigible dont une entreprise d’assurance a besoin pour limiter la probabilité de
ruine à un an à 0,5%.

7
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

Tab. 1.2 : Agrégation des risques sous la SBR

Nous distinguons ci-après entre chacun des modules de risque de la CSR :

1. Risque de souscription : le risque de perte ou de changement défavorable de la

situation financière, en raison d’hypothèses inadéquates en matière de sinistralité,
de tarification et de provisionnement ;

• Risque de souscription en vie : tient compte du risque de mortalité ou de

longévité, risque de rachat, risque de frais de gestion et risque de catastrophe.
• Risque de souscription en non-vie : est mesuré en fonction du risque de primes,
du risque de provisions, et du risque catastrophe.

2. Risque de marché : le risque de perte ou de changement défavorable de la situa-

tion financière résultant, directement ou indirectement, de fluctuations affectant le
niveau de la valeur des actifs, des passifs et des instruments financiers. Il est dé-
terminé en fonction du risque immobilier, risque action, risque de taux, risque de
spread et risque de change ;

• Risque de spread (marge de crédit) : le risque de perte ou de changement défavo-

rable de la situation financière résultant des changements touchant les marges
additionnelles par rapport aux taux de référence exigées par les investisseurs
sur les emprunts émis par des entités autres que l’État.

8
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

3. Risque de contrepartie : le risque de perte ou de changement défavorable de la

situation financière résultant d’un défaut de paiement d’une contrepartie ou d’une
dégradation de sa qualité de crédit. Il correspond à la somme du risque de contre-
partie des cessionnaires et risque de contrepartie des assurés ;

4. Risque opérationnel : le risque de perte ou de changement défavorable de la

situation financière résultant de procédures internes, de membres du personnel, de
systèmes inadéquats ou défaillants, ou d’événements extérieurs ;

5. Risque de concentration : le risque de perte ou de changement défavorable de

la situation financière résultant d’un manque de diversité des émetteurs auxquels
l’entreprise d’assurances et de réassurance est exposée. Autrement, il correspond à la
perte des fonds propres qui résulterait de la baisse des actifs associés à un ensemble
d’émetteurs appartenant au même groupe ;

6. Absorption par les assurés : correspond au minimum de l’écart entre le capital

de solvabilité requis de base, calculées brutes et nettes d’absorption par les assurés,
d’une part, et le montant des bénéfices discrétionnaires futures tels que visés à la
spécification technique 20 de la même circulaire, d’autre part ;

7. Absorption par les impôts différés : correspond au produit du taux d’impôts

et le minimum de la somme du capital de solvabilité requis de base et l’exigence
de capital relative au risque opérationnel diminuée de l’ajustement visant à tenir
compte de la capacité d’absorption des pertes par les assurés, d’une part, et l’écart
positif entre les impôts différés-passif et les impôts différés-actif, d’autre part.

1.3.3 Valorisation du bilan prudentiel :

[Link] Actif du bilan prudentiel :

Le tableau présente la valorisation des différents types d’actifs du bilan prudentiel SBR
selon la Section 2 du rapport des spécifications techniques SBR publié par l’ACAPS :

9
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

Tab. 1.3 : Valorisation de l’actif

[Link] Passif du bilan prudentiel :

Comme pour les actifs, Solvabilité basée sur les risques détaille la valorisation des
différents types du passif du bilan prudentiel SBR selon la Section 3 du rapport des
spécifications techniques SBR publié par l’ACAPS :

Tab. 1.4 : Valorisation du passif

10
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

1.3.4 Les fonds propres :

Les fonds propres désignent les capitaux dont dispose une entreprise. Ils sont soit
constitués des apports des investisseurs (actionnaires), soit générés par l’activité écono-
mique. Les entreprises d’assurance et de réassurance en disposent également. Les normes
auxquelles elles sont soumises fixent les dispositions de détermination de ces fonds propres.
Les critères de classification des fonds propres sont :
• la subordination
• la capacité d’absorption des pertes
• la permanence
• la perpétuité
• l’absence de charges financières

La SBR classifie donc les types de fonds propres en deux catégories, notamment :

• les fonds propres de catégorie 1

• les fonds propres de catégorie 2

La constitution de ces éléments est donnée par les deux tableaux qui viennent ci-après :

11
Chapitre 1. Introduction à la norme Solvabilité Basée sur les Risques (SBR)

Tab. 1.5 : Décomposition des fonds propres « Catégorie 1 »

Tab. 1.6 : Décomposition des fonds propres « Catégorie 2 »

12
Chapitre 2

Construction de la courbe des taux

Dans le présent chapitre, nous aborderons tout d’abord les éléments essentiels concer-
nant la notion du taux zéro-coupon, qui sera dans les prochains chapitres un instrument
primordial dans le calcul et l’actualisation de plusieurs éléments. A cet effet, l’étude et la
construction de la courbe de taux sera basé sur la courbe de taux de référence fournie par
le site de Bank Al Maghrib (BAM) tout en s’appuyant sur des étapes et méthodes bien
décrites dans ce qui suit. Nous entamerons d’abord la construction de la courbe empi-
rique. Ensuite, nous modéliserons notre courbe théorique grâce à deux modèles à un seul
facteur : le modèle de Vašíček et le modèle de Cox, Ingersoll et Ross (CIR).

13
Chapitre 2. Construction de la courbe des taux

2.1 Taux zéro-coupon

2.1.1 Courbes empiriques
Importation des taux de référence :

Dans le cadre de notre étude, nous avons choisi comme taux court terme, le taux
moyen pondéré (TMP) qui est un taux au jour le jour du marché monétaire. C’est un
taux moyen pondéré par les montants des transactions déclarées pour un échantillon
représentatif d’établissements admis au marché interbancaire.

En premier lieu, nous commençons par transformer les taux monétaires correspondant
à des maturités inférieures à 1 an à des taux actuariels. La différence entre ces deux taux
se traduit en terme de durée.

En effet, le taux monétaire étant le taux d’intérêt du marché monétaire où s’échangent

des instruments financiers d’une durée de vie inférieure à 1 an, celui-ci correspond à une
durée qui ne dépasse pas l’année. Ce type de taux est calculé sur une base de 360 jours
dite année commerciale. Par opposition donc aux taux monétaires, les taux actuariels,
eux, correspondent à une durée supérieure à 1 an. Les taux de rendement actuariels sont
calculés en base nombre de jours exacts.

Le passage du taux monétaire au taux actuariel se fait suivant la relation suivante :

 n  365
n
Ta = 1 + Tm −1
360
Tm : le taux monétaire ;
Ta : le taux actuariel ;
n : le nombre de jours de placement.

Maintenant que la courbe des taux actuariels de référence est bien définie nous
passerons à la prochaine étape qui est l’interpolation linéaire de ces taux.

Interpolation de la courbe des taux de référence :

Il existe plusieurs méthodes d’interpolation, la plus utilisée est la méthode d’inter-

polation linéaire. À cet effet, notre courbe des taux a été interpolée linéairement afin
d’obtenir des taux actuariels de maturités pleines.

Afin d’interpoler linéairement notre courbe, nous nous intéressons à la période t qui ne
coïncide pas avec les points d’intérêts et que l’on connaît les taux actuariels des maturités
ti et ti+1 tels que ti ⩽ t ⩽ ti+1 , ainsi le taux R(t) correspondant à la maturité t est calculé
selon la formule :

(ti − t)R(tj ) + (t − tj )R(ti )

R(t) =
ti − tj

14
Chapitre 2. Construction de la courbe des taux

Transformation en courbe des taux zéro-coupons « Méthode du Bootstrap » :

Le Bootstrap est une procédure de reconstitution d’une courbe zéro-coupon pas à

pas, c’est à dire segment de maturité par segment de maturité. Cette méthode est basée
sur l’hypothèse que le prix théorique d’une obligation est la somme de ses flux actualisés
aux taux zéro-coupon de l’échéance de chaque flux.

Nous commençons alors par déterminer à partir des taux actuariels fournis ceux des
ténors de la courbe notamment pour les maturités 1 an, 2 ans, 3 ans... etc avant de
calculer les taux zéro-coupon correspondant.

1. Pour la maturité 2 ans

Rappelons d’abord que toute obligation versant des coupons peut être considérée
comme un ensemble de zéro-coupons. Son prix (théorique) est donc, par conséquent,
équivalent à la somme des valeurs actuelles de ces zéro-coupons. Ainsi, pour calculer le
taux zéro-coupon de l’échéance à 2 ans par exemple, nous observons le prix et les carac-
téristiques (flux contractuels) d’une obligation à cette échéance et nous la décomposons à
deux zéro-coupon : le premier versant un flux égal au montant du coupon à une maturité
d’un an et le deuxième versant un flux égal à la somme du montant du coupon et celui
du remboursement du nominal avec une maturité de deux ans. A ce niveau, le facteur
d’actualisation du premier flux est déjà connu grâce à l’étape précédente et l’on déduit
le facteur d’actualisation du second flux en résolvant l’équation :

N tf N tf N N tf N tf N
+ 2
+ 2
= + 2
+
(1 + ra,2 ) (1 + ra,2 ) (1 + ra,2 ) (1 + R(0, 1)) (1 + R(0, 2)) (1 + R(0, 2))2

Ou encore puisque R(0, 1) = ra,1 et en considérant tf le taux facial égal au taux

actuariel de la maturité cible ( ici 2 ans, donc tf = ra,2 )

ra,2 ra,2 1 ra,2 ra,2 1

+ 2
+ 2
= + 2
+
(1 + ra,2 ) (1 + ra,2 ) (1 + ra,2 ) (1 + ra,1 ) (1 + R(0, 2)) (1 + R(0, 2))2

Avec :
ra,1 : taux actuariel correspondant à la maturité 1 an ;
ra,2 : taux actuariel correspondant à la maturité 2 ans ;
R(0, 2) : le taux zéro-coupon de maturité 2.

2. Pour la maturité 3 ans

Nous réitèrons l’opération précédente à partir de titres ayant une maturité comprise
entre 2 et 3 ans, etc.

3. En général pour une maturité de n années

Disposant des taux actuariels de toutes les maturités et des taux zéro-coupon corres-

15
Chapitre 2. Construction de la courbe des taux

pondants aux maturités inférieures à n, le calcul du taux zéro-coupon R(0, n) se fait par
la résolution de l’équation :

1 X
n
ra,n 1 Xn
ra,n
n
+ i
= n
+
(1 + ra,n ) i=1
(1 + ra,n ) (1 + R(0, n)) i=1
(1 + R(0, i))i

De manière générale, et après simplification, la formule de calcul du taux zéro-coupon

de n années de maturité est :
s
1 + ra,n
R(0, n) = n P −1
1 − ra,n n−1 1
i=1 (1+R(0,i)) i

À partir des taux zéro-coupons obtenus, nous pouvons simplement obtenir ceux relatifs
à n’importe quelle maturité en résonnant par interpolation linéaire. En effet, bien que
ces dernières soient approximatives, elles restent pratiques et simples à manipuler et sont
souvent utilisées dans le cadre l’élaboration de n’importe quelle courbe de taux notamment
celle des zéro-coupon. Nous obtenons le graphique de la courbe de taux empirique :

Fig. 2.1 : Courbe des taux zéro-coupon « Bootstrap »

2.1.2 Courbes théoriques

[Link] Modèle de Vašíček
Présentation théorique du modèle

En 1977, Oldrich Vašíček (mathématicien et économiste tchèque) développe un modèle

considéré comme modèle fondateur de la modélisation des taux d’intérêts nominaux
de court terme. Ce modèle a été adopté depuis pour sa simplicité afin de décrire le
développement du taux zéro-coupons à partir du taux de risque instantané ; c’est

16
Chapitre 2. Construction de la courbe des taux

pourquoi il est dit modèle à un seul facteur.

Cette modélisation du taux instantané à court terme, effectuée dans le cadre d’un
modèle d’équilibre partiel, suppose que le taux court instantané r suit le processus au-
torégressif d’Ornstein-Uhlenbeck à coefficients constants et ceci se présente sous deux
composantes, la première appelée dérive et la seconde volatilité :



 dr = k (θ − r ) dt + σdW
t t t



 r(0) = r0

Dont W est un mouvement brownien standard et r0 , k, θ et σ sont des constantes

positives telles que :
k : force de rappel ou de retour à la moyenne ;
θ : taux d’intérêt de long terme ;
σ : volatilité du taux d’intérêt rt .

La solution explicite de l’EDS pour tout s ⩽ t est déterminée par :

Z t
−k(t−s) −k(t−s)
rt = rs e + θ(1 − e )+σ e−k(t−u) dWu
s

Ou encore : Z t
−kt −kt −kt
rt = r0 e + θ(1 − e ) + σe e−ku dWu
0

L’espérance et la variance du taux prennent la forme suivante :





 E [rt ] = r0 e−kt + θ 1 − e−kt



 V ar [rt ] = σ2
1 − e−2kt
2k

En outre, la mise en œuvre pratique du modèle de taux court de Vašíček, à l’instar

des processus stochastiques, nécessite une discrétisation que ce soit pour l’estimation des
paramètres ou pour la simulation des trajectoires. Dans ce sens, ce modèle possède la
discrétisation exacte suivante :

rt = a + brt−1 + ϵt
Avec :
a = θ(1 − e−k ) et b = e−k sont des constantes positives ;
ϵt : le résidu de l’équation de régression ;
rt−1 : est le taux court à l’instant t − 1.

Sur ce point, le taux court est supposé être un modèle autorégressif d’ordre 1, AR(1), et
stationnaire. En effet, la vérification de ces deux caractréristiques permettera la simplicité
du calibrage du modèle de Vašíček : il suffit d’appliquer une régression linéaire entre deux

17
Chapitre 2. Construction de la courbe des taux

jeux de données historiques de taux courts pour aboutir aux estimations des paramètres
â et b̂ ainsi que l’écart-type des résidus σϵ qui permettront de remonter aux paramètres
du processus d’Ornstein-Uhlenbeck comme suit :




 k = −ln(b̂)



 θ = 1−â b̂



 q

 σ = σϵ 2k
1−e−2k

À ce niveau, le calcul des taux zéro-coupon nécessite en premier lieu la recherche des
prix zéro-coupon de différentes maturités en se basant sur les taux court. Effectivement,
le prix à la date t d’un zéro-coupon de maturité T se défini grâce aux paramètres du
modèle de Vašíček par :

P (t, T ) = a(t, T )exp {−b(t, T )rt }

Avec : 


 b(t, T ) = k1 (1 − exp {−k(T − t)})
 n o

 a(t, T ) = exp (θ − λσ − σ22 ) (b(t, T ) − T + t) − σ2 2
k 2k 4k
b (t, T )

Jusqu’à présent, il reste à spécifier un seul paramètre qui vient d’apparaître dans
l’expression ci-dessus qui est la prime de risque λ et correspond au prix du risque du
marché. Ce paramètre nous permet la mesure du degré auquel les investisseurs exigent
des rendements plus élevés pour compenser le risque de défaut et le risque de liquidité
auxquels ils seront exposer en détenant une obligation. L’estimation de cette prime de
risque λ consiste à supposer le prix du marché du risque est une constante et puis minimiser
l’écart quadratique entre l’historique des prix du marché et les prix théoriques du modèle.
Formellement, cela revient à minimiser la fonction définie par :
X
D(λ) = (Pmarché (i) − Pestimé (i, λ))2
i

Nous pouvons maintenant, à partir du prix zéro-coupon, extraire directement le taux

zéro-coupon. Ainsi selon ce modèle, le taux zéro-coupon de maturité T s’écrit à la date
t:

ln (P (t, T ))
R(t, T ) = −
T − t   
1 λσ σ2 σ2 2
=− −b(t, T )rt + θ − − 2 (b(t, T ) − T + t) − b (t, T )
T −t k 2k 4k

18
Chapitre 2. Construction de la courbe des taux

Présentation des données

Rappelons que la courbe des taux de référence ayant été utilisée lors de cette étude est
celle des taux moyens pondérés (TMP) publiée quotidiennement par Bank Al Maghrib
(BAM). Ainsi, pour une estimation plus précise des paramètres désirés, nous avons utilisé
une base de données assez large, celle des données journalières du TMP s’étalant du
1/1/2004 au 31/12/2019, soit un total de 5756 observations représentées sur le graphe
suivant :

Fig. 2.2 : Taux Moyen Pondéré entre 1/1/2004 et 31/12/2019

Sous R, nous commençons tout d’abord par le calcul des coefficients d’aplatissement β
(kurtosis) et d’asymétrie α (skewness) qui sont respectivement de 2.44 et 0.39, ces valeurs
sont à peu près proches de ceux d’une loi normale (β = 3 et α = 0), alors nous pouvons
déduire que, sur la période du 01/01/2004 au 31/12/2019 ,les valeurs prises par le TMP
sont approximativement normalement distribuées.
Ensuite, il nous sera indispensable de vérifier que nos taux s’adaptent selon un processus
autorégressif d’ordre 1, ce qui est bien clair selon le corrélogramme qui vient ci-après dont
les autocorrélations partielles sont significativement ou presque nuls à partir du deuxième
coefficient d’autocorrélation partiel tandis que la valeur de la première autocorrélation
partielle dépasse largement l’intervalle de confiance :

19
Chapitre 2. Construction de la courbe des taux

Fig. 2.3 : Corrélograme de la série des taux

Par la suite, nous nous basons sur le test de racine unitaire « Unit Root Test » proposé
par Dickey et Fuller dans le cas des modèles AR(1) pour s’assurer de la stationnarité de
la série. Ce test donne le résultat suivant :

Augmented Dickey-Fuller Test

data: TMP
Dickey-Fuller = -5.2664156, Lag order = 17, p-value = 0.01
alternative hypothesis: stationary

Listing 1 : Test Dickey-Fuller

Ainsi, la statistique de Dickey-Fuller affiche une valeur de −5.266415 négative et

inférieure à la valeur critique −3.410706 et une p − value < 0.05 ce qui permet de reje-
ter H0 (H0 : La série n’est pas stationnaire) et donc de déduire que la série est stationnaire.

Résultats Vašíček
Maintenant, après avoir vérifié que la série est un processus autoregressif d’ordre 1 et
stationnaire, nous passerons à l’estimation des paramètres a et b de la régression du taux
d’intérêt court suivant le modèle de Vašíček :

20
Chapitre 2. Construction de la courbe des taux

Call:
lm(formula = Rt1 ~ Rt)

Residuals:
Min 1Q Median 3Q Max
-0.0146794428 -0.0001215628 -0.0000302717 0.0001030820 0.0143373053

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.065717e-04 7.758848e-05 7.81781 6.3485e-15 ***
Rt 9.784823e-01 2.714882e-03 360.41435 < 2.22e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.00104337 on 5753 degrees of freedom

Multiple R-squared: 0.9575899,^^IAdjusted R-squared: 0.9575825
F-statistic: 129898.5 on 1 and 5753 DF, p-value: < 2.2204e-16

Listing 2 : Estimation des paramètres du modèle de Vašíček

Nous constatons que les p-values sont toutes inférieures au seuil critique de 5%. Nous
rejettons donc l’hypothèse de nullité des coefficients a et b.
À partir de cette sortie R, nous donnons alors :

 â = 0.000607
b̂ = 0.9784

σϵ = 0.00104

Ainsi, nous pouvons présenter la série comme suit :

rt = 0.000607rt−1 + 0.9784 + ϵt

Et nous pouvons donc déduire les paramètres du modèle de Vašíček :



 k = −ln(b̂) = 0.02175


 â
θ= = 0.02819
 1−rb̂

 2k

 σ = σϵ = 0.00105
1 − e−2k
Pour notre prochaine étape, nous prenons comme référence la valeur de T M P du
31/12/2019 qui est de 2.26%, pour effectuer les calculs et construire la courbe des taux
zéro-coupon, et puis minimiser la somme des carrés des erreurs entre les taux zéro-coupon
réels du marché et ceux obtenus par le modèle de Vašíček pour déterminer la prime de
risque λ :

21
Chapitre 2. Construction de la courbe des taux

Call:
mle2(minuslogl = écart, start = list(q = 0), method = "Nelder-Mead",
control = list(maxit = 5000, trace = TRUE))

Coefficients:
q
-1.243359375

Log-likelihood: -0.01

Listing 3 : Estimation de la prime de risque du modèle de Vašíček

Ainsi, la prime de risque du modèle de Vašíček est de λ ≈ −1.24. Cette valeur nous
permettra la détermination des taux zéro-coupon. Les résultats sont présentés en
ANNEXE.

[Link] Modèle CIR

Présentation théorique du modèle

Le modèle proposé par Cox, Ingersoll et Ross (CIR), en se basant sur le modèle de
Vašíček, accorde à son équation différentielle un terme en racine carré au niveau du co-
efficient de diffusion afin d’éviter l’apparition des taux d’intérêts négatifs sous la condition
2kθ > σ 2 .


 √
 drt = k (θ − rt ) dt + σ rt dWt


 r(0) = r0

Dont W est un mouvement brownien standard et r0 , k, θ et σ sont des constantes

positives telles que :

k : force de retour à la moyenne ;

θ : taux d’intérêt de long terme ;
σ : volatilité du processus.

La solution explicite de l’EDS est pour un instant donné t est :

Z t Z t
√
rt = r0 + k(θ − rs )ds + σ rs dWs
0 0

Et les premiers moments de r sont donnés par :





 E [r ] = r e−kt + θ 1 − e−kt
t 0





 V ar [rt ] = r0 σ2 e−kt − e−2kt + θ σ2 1 − e−kt 2
k 2k

22
Chapitre 2. Construction de la courbe des taux

Comme dans le modèle de Vašíček, le passage par la discrétisation de la dynamique

de ce modèle aussi est nécessaire vu la nature des données disponibles qui sont discrètes.
Ainsi, dans ce mémoire, nous nous appuyons sur le procédé de discrétisation d’Euler qui
consiste à l’approximation du processus continu rt par un autre discret noté r̂t et défini
par :
p
r̂t+γ = r̂t + k(θ − r̂t ) + σ r̂t γϵt
Où :
ϵt : une variable aléatoire normale centrée réduite ;
γ : une petite variation temporelle.

Ainsi, en prenant une variation γ constante et égale à une période de 1, l’estimation

des paramètres de ce processus peut s’effectuer en se basant sur l’équation stochastique
discrétisée pour obtenir :

rt kθ √
=√ + (1 − k) rt−1 + σϵt
rt−1 rt−1
Nous allons retenir la deuxième forme de régression en choisissant pour taux de
référence le taux TMP utilisé dans le modèle précédent et nous posons :

rt 1 √
Y = √
rt−1
X= √
rt−1
Z= rt−1

Ainsi, l’équation de régression devient :

Y = kθX + (1 − k)Z + et

Avec et ∼ N (0, σ 2 ) correspond au résidu de le régression.

Et comme la section précédente, l’approche consiste également à chercher tout d’abord

le prix d’une obligation zéro-coupon de maturité T à une date t qui s’écrit sous la forme
suivante :
P (t, T ) = a(t, T )e−b(t,T )rt
Avec :
 { }  2kθ
σ2
2γexp k̂+γ
2
(T −t) 2(exp{γ(T −t)}−1)
a(t, T ) = 2γ+(k̂+γ )(exp{γ(T −t)}−1)
b(t, T ) = (k̂+γ)(exp{γ(T −t)}−1)+2γ

Et : p
k̂ = k + λσ γ= 2σ 2 + k̂ 2

Ainsi, du prix zéro-coupon, nous pouvons extraire le taux zéro-coupon de maturité T

à la date t, qui est décrit selon ce modèle, par :

ln(P (t, T ))
R(t, T ) = −
T −t

b(t, T )rt − ln(a(t, T ))

=−
T −t

23
Chapitre 2. Construction de la courbe des taux

Résultats CIR
De même que la procédure suivie pour le modèle de Vašíček, nous estimons les para-
mètres k, θ et σ sur la base des mêmes données de taux T M P dont nous disposons et
nous obtenons les résultats suivants :
Call:
lm(formula = Y ~ X + Z + 0)

Residuals:
Min 1Q Median 3Q Max
-0.075886885 -0.000738526 -0.000169702 0.000523035 0.087809277

Coefficients:
Estimate Std. Error t value Pr(>|t|)
X 5.527728e-04 7.443747e-05 7.4260 1.2824e-13 ***
Z 9.803951e-01 2.688829e-03 364.6179 < 2.22e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.006043488 on 5753 degrees of freedom

Multiple R-squared: 0.9987037,Adjusted R-squared: 0.9987033
F-statistic: 2216159 on 2 and 5753 DF, p-value: < 2.2204e-16

Listing 4 : Estimation des paramètres du modèle de CIR

Nous constatons que toutes les p − values sont inférieurs à 5%, nous concluons que
les coefficients k et θ sont bien significatifs. De plus, la statistique Durbin-Watson est de
1.8898266 et donc proche de 2, ce qui nous permet de vérifier l’absence d’autocorrélation
entre les erreurs. Ainsi, nous donnons :

 k = 0.0196
θ = 0.0282

σ = 0.00105

Nous pouvons maintenant trouver la valeur du prime de risque λ qui minimise l’écart
entre la courbe estimé et la courbe du marché et nous prenons, comme dans le modèle
précédent, la date de référence comme le 31/12/2019 qui correspond au T M P = 2, 26% :

24
Chapitre 2. Construction de la courbe des taux

Call:
mle2(minuslogl = écart1, start = list(q = 0), method = "Nelder-Mead",
control = list(maxit = 5000, trace = TRUE))

Coefficients:
q
-6.825

Log-likelihood: 0

Listing 5 : Estimation de la prime de risque du modèle de CIR

Ainsi, la prime de risque du modèle de CIR est de λ = −6.825. Et de même, cette

valeur nous permettra ensuite le calcul les taux zéro-coupon. Les résultats sont
présentés en ANNEXE.

Comparaison entre les modèles

D’après le graphe ci-dessous, nous remarquons clairement que les écarts entre la
courbe zéro-coupon estimée par le modèle de CIR et la courbe réelle sont relative-
ment inférieurs en comparaison avec ceux du modèle de Vašíček. Ceci apparaît
bel et bien à travers la comparaison illustrée ci-dessous entre la courbe des taux
réelles et les courbes estimées à la base des résultats obtenus auparavant :

La courbe des taux zéro-coupon adoptée dans le reste de notre mémoire est donc
celle du modèle de CIR.

25
Chapitre 2. Construction de la courbe des taux

2.2 Taux Forward

Après avoir calculé les taux zéro-coupon, la prochaine étape est de déterminer les taux
Forward qui nous permettront l’actualisation et serviront pour le calcul final des flux de
frais de gestion.
Afin de calculer les taux Forward nous nous basons sur la formule suivante :
 d 1
(1 + r2 )d1 2 −d1
F (t1 , t2 ) = −1
(1 + r1 )d2
Avec :
F (t1 , t2 ) : taux Forward entre t1 et t2 ;
ri : taux zéro-coupon d’échéance ti tel que i ∈ {1, 2} ;
di : nombre d’années entre la date initiale et l’échéance ti tel que i ∈ {1, 2}.

26
Chapitre 3

Valorisation des provisions

techniques prudentielles - Non vie -

Dans cette partie de notre mémoire, nous appliquerons la directive de la SBR à un

portefeuille non vie, notamment la branche Véhicules à usage de tourisme – Corporel
afin de pouvoir estimer les provisions techniques prudentielles non vie, en particulier la
meilleure estimation non vie. Pour ce faire, nous allons comparer les différentes méthodes
de provisionnement déterministes d’une part (Chain Ladder, DeVylder et London Chain)
et stochastiques d’autre part (Mack et Bootstrap) dans le but de choisir la méthode la
plus adaptée au calcul de la meilleure estimation des engagments. Ceci nous aidera à
accorder une estimation la meilleure estimation des frais de gestion.

27
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

Pour les opérations d’assurance non vie, les provisions techniques prudentielles sont
évaluées en additionnant la meilleure estimation des engagements, la meilleure estimation
des frais ainsi que la marge de risque. La meilleure estimation des engagements comprend
la meilleure estimation des engagements pour sinistres (M Esinistres ) et la meilleure es-
timation des engagements pour primes (M Eprimes ). Nous commencerons d’abord par le
calcul de la meilleure estimation des engagements pour sinistres.

3.1 La meilleure estimation des engagements pour si-

nistres
La meilleure estimation des engagements pour sinistres (M Esinistres ) est déterminée en
actualisant les flux de règlements futurs probabilisés nets de recours relatifs aux sinistres
survenus, comme suit :
X F luxk
M Esinistres =
k=1
(1 + tauxzck )k
Les flux des règlements futurs probabilisés nets de recours sont estimés sur la base
d’un triangle des règlements par année de survenance conformément à la méthode
Chain Ladder. Toutefois, l’entreprise d’assurance et de réassurance peut utiliser d’autres
méthodes de provisionnement après accord de l’Autorité. Ainsi, nous présenterons
différentes méthodes pour déterminer la M Esinistres , à savoir des méthodes déterministes
et des méthodes stochastiques, ces dernières nous permetteront de quantifier l’incertitude
liée à l’estimation.

Présentation des données et notations

Dans cette partie, nous présenterons et appliquerons moult méthodes actuarielles dans
le but de valoriser les provisions techniques prudentielles non vie. Nous irons au-delà des
résultats classiques de la fameuse méthode de Chain Ladder (préconisée par l’ACAPS) en
cherchant à comparer différentes méthodes, sans pour autant proclamer en faire une liste
exhaustive. Nous aspirons ainsi à introduire des méthodes qui pourraient être particuliè-
rement adaptées au cadre de notre étude.
Les données sont représentées sous forme de triangle qui comporte en ligne les années
de survenance et en colonne les années de développement des sinistres. Dans ce mémoire,
les données utilisées sont confidentielles. Par conséquent, les données du triangle seront
ramenées en base 1 000 000 pour le paiement de l’année de survenance la plus ancienne et
première année de développement. Nous détaillerons par la suite les résultats obtenus par
différentes méthodes sur la branche « Véhicules à usage de tourisme – Corporel » à titre
illustratif.
Nous commençons par noter que la taille du triangle de paiements étudiée est de
n + 1 années. Les données utilisées sont donc annuelles et les notations utilisées sont les
suivantes :

• Yi,j : Les paiements non cumulés pour la j ème année de développement des sinistres
survenus l’année i ;

28
 Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

• Ci,j : Les paiements cumulés pour la j ème année de développement des sinistres
survenus l’année i au sens où :
Ci,j+1 = Ci,j + Yi,j+1 ∀j ⩾ 0 et Ci,0 = Yi,0
• Ci,n : Le paiement cumulé final pour l’année de survenance i après n + 1 années de
développement. Il sera estimé par les méthodes que nous allons présenter ultérieu-
rement.

Nous présentons dans la table suivante le triangle des règlements cumulés utilisé :

0 1 2 3 4 5 6 7 8 9
2010 1 000 000 4 309 273 8 528 711 14 489 309 19 179 011 22 560 042 25 089 817 26 223 517 26 974 476 27 543 519
2011 778 867 3 653 988 8 348 563 13 372 098 18 401 288 22 448 268 24 522 565 25 693 575 26 485 535
2012 829 690 3 324 209 7 405 010 13 174 472 18 637 294 21 853 255 23 740 985 25 055 110
2013 781 237 3 143 574 7 790 619 15 160 460 19 977 520 22 402 175 24 121 850
2014 907 016 3 790 703 10 493 149 16 432 155 20 818 086 23 096 731
2015 708 122 3 994 932 9 660 055 16 632 182 19 945 638
2016 873 185 4 180 187 11 433 279 16 571 586
2017 1 050 310 6 083 732 13 587 988
2018 1 486 670 6 118 195
2019 1 602 623

Tab. 3.1 : Triangle des règlements cumulés.

3.1.1 Méthodes déterministes

[Link] Méthode de Chain Ladder
La méthode de Chain Ladder est de loin la plus couramment utilisée par les compagnies
d’assurance du fait notamment de sa facilité d’implémentation et d’exécution, et de son
côté intuitif. Elle s’applique aux montants cumulés Ci,j et suppose que la cadence des
paiements dépend de l’année de développement des sinistres. Cela revient à écrire :

Ci,j+1 = fj ∗ Ci,j pour j = 0, ..., n − 1

Où : fj est le facteur de développement de l’année de développement j à j + 1. Ainsi,

il est possible d’estimer les paiements futurs. Le montant des provisions correspondant à
la somme des paiements futurs en est alors déduit.

Hypothèses :

La méthode de Chain Ladder repose sur deux hypothèses indispensables sur les données
contenues dans les triangles, à savoir :
• (H1) : Les paiements cumulés Ci,j des années de survenance sont indépendants ;
• (H2) : Les années de développement sont des variables explicatives du comporte-
ment des paiements futurs.

Méthode :

29
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

Sous ces hypothèses, les facteurs de développement sont estimés par :

Pn−j−1
Ci,j+1
fˆj = Pi=0
n−j−1 pour j = 0, ..., n − 1
i=0 C i,j

Les facteurs de développement permettent de compléter le triangle inférieur, et par

conséquent pouvoir estimer les charges ultimes par exercice de la manière suivante :

Ĉi,j+1 = fˆj ∗ Ĉi,j pour i + j > n

Y j
= Ci,n−i fˆk
k=n−i

Connaissant les charges futures, il est facile de déduire la provision de l’année de

survenance i, notée R̂i :

R̂i = Ĉi,n − Ci,n−i pour i = 1, ..., n

Enfin, nous déterminons le montant total de la provision, notée R̂ en sommant les

provisions de chaque année de survenance :
X
n
R̂ = R̂i
i=1

Application :

Nous déterminons d’abord les facteurs de développement fournis par la méthode Chain
Ladder. Le calcul des coefficients de développement donne :

0 1 2 3 4
fj 4.587 2.378 1.662 1.310 1.158
5 6 7 8 9
fj 1.092 1.049 1.030 1.021

Tab. 3.2 : Coefficients de développement de la méthode Chain Ladder

La méthode de Chain Ladder appliquée au triangle des paiements cumulés fournit donc
les résultats suivants :

30
 Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

0 1 2 3 4 5 6 7 8 9
2010 1 000 000 4 309 273 8 528 711 14 489 309 19 179 011 22 560 042 25 089 817 26 223 517 26 974 476 27 543 519
2011 778 867 3 653 988 8 348 563 13 372 098 18 401 288 22 448 268 24 522 565 25 693 575 26 485 535 27 044 263
2012 829 690 3 324 209 7 405 010 13 174 472 18 637 294 21 853 255 23 740 985 25 055 110 25 799 720 26 343 981
2013 781 237 3 143 574 7 790 619 15 160 460 19 977 520 22 402 175 24 121 850 25 311 884 26 064 125 26 613 964
2014 907 016 3 790 703 10 493 149 16 432 155 20 818 086 23 096 731 25 221 427 26 465 707 27 252 239 27 827 142
2015 708 122 3 994 932 9 660 055 16 632 182 19 945 638 23 100 994 25 226 081 26 470 592 27 257 269 27 832 277
2016 873 185 4 180 187 11 433 279 16 571 586 21 713 856 25 148 939 27 462 420 28 817 258 29 673 676 30 299 660
2017 1 050 310 6 083 732 13 587 988 22 589 717 29 599 451 34 282 018 37 435 662 39 282 523 40 449 956 41 303 273
2018 1 486 670 6 118 195 14 550 671 24 190 155 31 696 516 36 710 834 40 087 907 42 065 615 43 315 759 44 229 531
2019 1 602 623 7 350 992 17 482 586 29 064 397 38 083 265 44 107 953 48 165 496 50 541 706 52 043 750 53 141 644

Tab. 3.3 : Triangle projeté par la méthode Chain Ladder

Aussi nous obtenons le tableau récapitulatif ci-dessous :

Année de Survenance Charge Ultime Provision Ultime

2010 27 543 519 0
2011 27 044 263 558 728
2012 26 343 981 1 288 871
2013 26 613 964 2 492 114
2014 27 827 142 4 730 411
2015 27 832 277 7 886 639
2016 30 299 660 13 728 074
2017 41 303 273 27 715 285
2018 44 229 531 38 111 336
2019 53 141 644 51 539 021
TOTAL 332 179 254 148 050 479

Tab. 3.4 : Provisions estimées par la méthode de Chain Ladder

La provision à l’ultime est donc 148 050 479 MAD. Le résultat obtenu dans cette
partie sera utilisé comme référence pour les autres méthodes.

Test des hypothèses :

Nous testons les hypothèses de la méthode, à savoir l’indépendance des années de

survenance et la non-corrélation des facteurs de développement successifs. L’hypothèse
(H1) se vérifie par un test de non-effet calendaire. Quant à l’hypothèse (H2), elle se
vérifie graphiquement : les points (Ci,j ,Ci,j+1 ) pour chaque année j doivent ainsi faire
apparaître une droite passant par l’origine. Ces deux hypothèses sont bien vérifiées dans
notre cas. Les graphiques sont présentés en ANNEXE.

Critiques :

La simplicité et la popularité de la méthode ainsi que l’absence de données complexes

nécessaires à sa mise en œuvre sont des avantages certains de la méthode Chain Ladder.

31
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

Cependant, cette méthode suppose aussi des hypothèses fortes, pas toujours réalisées en
pratique :
• (H1) : Il s’agit d’une hypothèse forte qui suppose en particulier une stabilité des
années calendaires, ne prend pas en compte une évolution potentielle du déroulement
des règlements de sinistres dans le temps ou une modification de la jurisprudence.

• (H2) : Cette hypothèse suppose que la seule explication de l’évolution du montant

des sinistres au cours des années de développement est justement la durée de ce
développement. Cela implique une non-corrélation des facteurs de développement
successifs.

Un autre inconvénient de cette méthode est qu’elle ne fait aucune hypothèse sur la loi
suivie par les coûts et les fréquences des sinistres, et donc, comme toutes les méthodes
déterministes, elle ne permet pas d’évaluer la précision de l’estimation obtenue.

[Link] Méthode London Chain

Cette méthode est moins utilisée, mais permet d’étudier les résultats obtenus lorsqu’on
ne se contraint plus à avoir une relation linéaire entre Ci,j et Ci,j+1 comme la méthode
de Chain Ladder. En effet, cette méthode suppose qu’il existe une fonction affine entre
les paiements cumulés de deux années de développement successives, telle que :

Ci,j+1 = fj ∗ Ci,j + αj pour j < n−1
Ci,n = fn−1 ∗ Ci,n−1 pour j =n−1

Par la méthode des moindres carrés, nous cherchons à résoudre l’équation suivante :

X
n−j−1
(fˆj , α̂j ) = argmin{ (Ci,j+1 −αj −fj Ci,j )2 } pour j = 0, ..., n−1
i=0

Ainsi, nous trouvons :

Pn−j−1
1
n−j−1 i=0Ci,j Ci,j+1 − C̄j C̄j+1
fˆj = P et α̂j = C̄j+1 − fˆj C̄j
1
n−j−1
n−j−1 2
i=0 Ci,j − (C̄j )2

Avec :
1 X
n−j−1
1 X
n−j−1
C̄j = Ci,j et C̄j+1 = Ci,j+1
n − j − 1 i=0 n − j − 1 i=0

Si l’hypothèse (H2) de la méthode de Chain Ladder est vérifiée (ce qui est notre cas),
à savoir les points (Ci,j ,Ci,j+1 ) pour chaque année j sensiblement alignés, ils le seront
aussi par une droite non contrainte à l’origine.

Application :

Nous estimons les paramètres de notre modèle avec la méthode de moindres carrées
ordinaire qui nous donne les résultats suivants :

32
 Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

0 1 2 3 4
fj 3.848 1.995 0.833 0.570 0.332
αj 691 104 1 556 113 7 540 7780 11 006 638 16 016 206
5 6 7 8 9
fj 1.559 0.863 0.923 1.021
αj -1 0421 768 4 550 399 2 779 842 0

Tab. 3.5 : Coefficients de la méthode London Chain

Nous présentons ci-dessous les résultats obtenus par la méthode de London Chain. De
même que pour la méthode de Chain Ladder, une fois après avoir estimé les paramètres,
nous complétons la partie inférieure du triangle des paiements cumulés puis nous en
déduisons la provision totale à constituer. Le montant total des réserves estimé par la
méthode London-Chain est 91 316 840 MAD .
0 1 2 3 4 5 6 7 8 9
2010 1 000 000 4 309 273 8 528 711 14 489 309 19 179 011 22 560 042 25 089 817 26 223 517 26 974 476 27 543 519
2011 778 867 3 653 988 8 348 563 13 372 098 18 401 288 22 448 268 24 522 565 25 693 575 26 485 535 27 044 263
2012 829 690 3 324 209 7 405 010 13 174 472 18 637 294 21 853 255 23 740 985 25 055 110 25 896 467 26 442 769
2013 781 237 3 143 574 7 790 619 15 160 460 19 977 520 22 402 175 24 121 850 25 373 162 26 189 912 26 742 404
2014 907 016 3 790 703 10 493 149 16 432 155 20 818 086 23 096 731 25 586 066 26 637 121 27 356 080 27 933 173
2015 708 122 3 994 932 9 660 055 16 632 182 19 945 638 22 652 767 24 893 926 26 039 643 26 804 828 27 370 293
2016 873 185 4 180 187 11 433 279 16 571 586 20 459 947 22 823 895 25 160 714 26 269 943 27 017 310 27 587 257
2017 1 050 310 6 083 732 13 587 988 18 863 530 21 767 393 23 258 924 25 838 926 26 855 398 27 557 469 28 138 810
2018 1 486 670 6 118 195 13 761 851 19 008 409 21 850 039 23 286 423 25 881 797 26 892 405 27 591 613 28 173 675
2019 1 602 623 6 857 533 15 236 824 20 237 490 22 551 173 23 519 713 26 245 496 27 206 362 27 881 280 28 469 452

Tab. 3.6 : Triangle projeté par la méthode de London Chain

Année de Survenance Charge Ultime Provision Ultime

2010 27 543 519 0
2011 27 044 263 558 728
2012 26 442 769 1 387 659
2013 26 742 404 2 620 554
2014 27 933 173 4 836 442
2015 27 370 293 7 424 655
2016 27 587 257 11 015 671
2017 28 138 810 14 550 822
2018 28 173 675 22 055 480
2019 28 469 452 26 866 829
TOTAL 275 445 615 91 316 840

Tab. 3.7 : Provisions estimées par la méthode de London Chain

Après avoir utilisé les estimateurs de cette méthode, les résultats de la provision finale
à constituer montre un écart très important avec la valeur estimée par la méthode Chain
Ladder.

33
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

[Link] Méthode de DeVylder

D’après la méthode de DeVylder, les paiements effectués pour l’année de survenance
i et de développement j représentent une part du paiement cumulé final de l’année de
survenance i :
Yi,j = rj ∗ pi
Où : rj représente la part de pi payée dans l’année de développement j.
Cette méthode est donc basée sur les paiements non cumulés, contrairement aux mé-
thodes présentées jusque-là. La méthode permet donc de déterminer rj et pi . Ceux-ci
sont estimés par la méthode des moindres carrés qui minimise les écarts entre les valeurs
théoriques et les valeurs observées :
( n n−i )
XX
argmin (Yi,j −pi rj )2
i=0 j=0

La solution est donnée par le système d’équation :

 ∑n−i

 j=0 r̂j Yi,j

 p̂i = ∑n−i 2

 j=0 r̂j
 ∑n−j
i=0 p̂i Yi,j
 r̂j = ∑

n−j 2
i=0 p̂i



 Pn

j=0 r̂j =1

Les équations de p̂i et r̂j dépendent l’une de l’autre, une solution est alors obtenue par
itération. Nous posons : 
 r̂(0) = 1


 j

 n
Pn−i (n)



 j=0 r̂j Yi,j
 p̂i
(n+1)
= P  2
n−i (n)
 j=0 r̂j

 Pn−j (n)



 (n+1) p̂ Yi,j

 r̂j = P i=0 i 2

 n−j (n)
i=0 p̂j

La provision totale est estimée par

X
n X
n
R̂ = Ŷi,j
i=1 j=n−i+1

En général, une dizaine d’itérations suffisent pour obtenir un écart très faible entre
deux itérations successives. L’avantage de cette méthode est qu’elle n’est pas contrainte
par des hypothèses comme celle de Chain Ladder.

Application :

Le tableau suivant présente les paramètres estimés à partir du triangle des règlements
décumulés :

34
 Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

0 1 2 3 4
pi 33 046 862 32 483 549 32 275 200 34 197 558 34 961 777
rj 0.02466 0.08915 0.15542 0.17647 0.13661
5 6 7 8 9
pi 34 828 850 36 808 812 50 162 768 52 543 122 64 972 588
rj 0.09130 0.062113 0.03698 0.02354 0.01722

Tab. 3.8 : Paramètres estimés par la méthode de DeVylder

Le triangle des règlements cumulés obtenu par conséquent est le suivant :

0 1 2 3 4 5 6 7 8 9
2010 815 130 3 761 283 8 897 607 14 729 409 19 244 098 22 261 558 24 314 210 25 536 174 26 314 030 26 883 073
2011 801 235 3 697 169 8 745 939 14 478 333 18 916 065 21 882 090 23 899 753 25 100 888 25 865 484 26 424 827
2012 796 096 3 673 455 8 689 843 14 385 469 18 794 738 21 741 739 23 746 460 24 939 891 25 699 584 26 255 339
2013 843 513 3 892 252 9 207 422 15 242 289 19 914 180 23 036 709 25 160 834 26 425 347 27 230 288 27 819 145
2014 862 363 3 979 233 9 413 182 15 582 911 20 359 206 23 551 514 25 723 107 27 015 879 27 838 808 28 440 825
2015 859 084 3 964 103 9 377 393 15 523 663 20 281 798 23 461 969 25 625 306 26 913 163 27 732 963 28 332 691
2016 907 922 4 189 456 9 910 482 16 406 158 21 434 785 24 795 743 27 082 062 28 443 131 29 309 536 29 943 357
2017 1 237 309 5 709 359 13 505 929 22 358 187 29 211 161 33 791 450 36 907 228 38 762 082 39 942 811 40 806 578
2018 1 296 022 5 980 283 14 146 820 23 419 141 30 597 307 35 394 942 38 658 572 40 601 444 41 838 202 42 742 956
2019 1 602 606 7 394 963 17 493 356 28 959 113 37 835 327 43 767 879 47 803 544 50 206 017 51 735 340 52 854 121

Tab. 3.9 : Triangle projeté par la méthode de DeVylder.

Nous déterminons ainsi la provision ultime et par année de survenance :

Année de Survenance Charge Ultime Provision Ultime

2010 27 543 519 0
2011 27 017 515 559 343
2012 26 249 864 1 315 448
2013 27 184 612 2 658 312
2014 28 899 705 4 889 311
2015 29 441 209 8 050 892
2016 31 466 154 13 537 199
2017 41 180 951 27 300 649
2018 42 933 604 36 762 674
2019 52 854 121 51 251 515
TOTAL 334 771 254 146 325 343

Tab. 3.10 : Provisions estimées par la méthode de DeVylder

La provision estimée par la méthode DeVylder est de 146 325 343 MAD, elle est
certainement proche de celle déterminée par la méthode Chain Ladder.

35
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

Comparaison des résultats

Dans le tableau qui suit nous comparons les résultats obtenus par les différentes
méthodes à celle de Chain Ladder :

CL LC DeVylder
Provisions 148 050 479 91 316 840 146 325 343
Écart - -38% -1.16%

Tab. 3.11 : Récapitulatif des résultats des méthodes déterministes et écarts relatifs

La méthode de London Chain s’écarte fortement des autres. Rappelons que cette
méthode suppose que les paiements cumulés d’une année de développement à l’autre
forment une droite non contrainte à passer par l’origine. Graphiquement, nous ob-
servons que cette droite s’éloigne fortement de la droite contrainte par l’origine
de Chain Ladder sur certaines années de développement, d’où le résultat observé.

Nous constatons que le résultat fourni par la méthode de DeVylder est très proche
de celui obtenu par la méthode de Chain Ladder. Ainsi, pour aller au bout de notre
analyse, nous préconisons d’utiliser soit les résultats de la méthode Chain Ladder,
soit ceux issus de la méthode de DeVylder. Nous écartons ainsi les résultats de
projection obtenus par London Chain.

3.1.2 Méthodes stochastiques

[Link] Mack
La version stochastique de la méthode de Chain Ladder a été introduite par Mack
(1993). Il s’agit d’un modèle non paramétrique comme le modèle de Chain Ladder,
c’est-à-dire qu’il ne suppose aucune distribution des montants cumulés. Par son extension
du modèle de Chain Ladder, Mack propose une estimation de l’erreur de provisionnement
à l’ultime. L’impact d’une variation du montant des provisions sur le bilan est important,
il est donc essentiel de pouvoir quantifier cette possible variation.

Hypothèses :

Cette méthode repose sur trois hypothèses : les deux premières sont celles introduites
par la méthode de Chain Ladder et la dernière concerne la variabilité des données du
triangle. Réintroduisons les notations pour tenir compte du fait que ce modèle est à
présent stochastique. La méthode déterministe de Chain Ladder devient :

E[Ci,j ] = fj ∗ E[Ci,j ] ∀i, j ∈ {0, ..., n − 1}

• (H1) : Les années de survenance sont indépendantes : (Ci,j )j=1,...n indépendant de

(Ci′ ,j )j=1,...n pour i ̸= i′

• Les (Ci,j )j⩾0 constituent une chaîne de Markov, et il existe f0 , ..., fn−1 et σ0 , ..., σn−1
tels que :
36
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

– (H2) : E[Ci,j+1 |Ci,j ] = fj ∗ Ci,j ∀j ∈ {0, ..., n−1}

– (H3) : V ar[Ci,j+1 |Ci,j ] = σj2 ∗ Ci,j

Sous les deux premières hypothèses, le modèle de Mack fournit les mêmes estimations
des facteurs de développement que le modèle de Chain Ladder. De plus, cette estimation
et l’estimation de la provision R̂i sont sans biais.
Nous avons vérifié la deuxième hypothèse lors de l’introduction de la méthode de
Chain Ladder. Il reste à vérifier la première et troisième hypothèses. Pour (H1), nous
avons effectué le test d’indépendance. Quant à (H3), elle peut être visualiser : les points
de coordonnées (Ci,j , Di,j ) ne doivent présenter aucune ”structure”, où :

Ci,j − fˆj Ci,j

Di,j = p
Ci,j

Les résultats sont présentés en ANNEXE.

Méthode :

Ces hypothèses permettent l’estimation de l’erreur de prévision que nous mesurons par
l’erreur quadratique moyenne (mean squared error of prediction - MSEP) :

msep(R̂i ) = E[(Ri −R̂i )2 |D]

= E[(Ci,n −Ĉi,n )2 |D]

Puisque :
Ri = Ci,n −Ci,n−i et R̂i = Ĉi,n −Ci,n−i
Formule que nous décomposons alors sous la forme :

msep(R̂i ) = V ar[Ci,n |D] + [E[(Ci,n |D] − Ĉi,n ]2

| {z } | {z }
Erreur de processus Erreur d′ estimation

Mack propose alors une estimation de l’erreur quadratique moyenne pour i ∈ {1, ..., n} :
!
X
n−1
σ̂ 2
j 1 1
msep( 2
ˆ R̂i ) = Ĉi,n + Pn−j−1
ˆ2 Ĉi,j Ck,j
j=n−i fj k=0

X
n−1
σ̂j2 /fˆj2 X
n−1
σ̂j2 /fˆj2
2
= Ĉi,n 2
+ Ĉi,n Pn−j−1
j=n−i Ĉi,j j=n−i k=0 Ck,j
| {z } | {z }
Erreur de processus Erreur d′ estimation

Avec : Ĉi,n−i = Ci,n−i .

Nous décomposons alors l’estimateur en une erreur de processus et une erreur

d’estimation des paramètres. L’erreur de processus est la variabilité autour de la moyenne
et l’erreur d’estimation provient du fait que nous estimons les facteurs de développement
mais que nous ne connaissons pas leur valeur réelle.

37
 Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

Nous définissons par σ̂j2 la variabilité du triangle par année de développement j :

X n−j  2
1 Ci,j+1
σ̂j2 = Ci,j − fˆj pour j ⩽n−2
n − j − 1 i=1 Ci,j

2
Pour j = n−1, nous disposons d’une seule observation, ainsi σ̂n−1 doit être estimé
d’une autre façon. Mack propose une extrapolation qui amène à :
 4 
2 σ̂n−2 2 2
σ̂n−1 = min 2
, σ̂n−3 , σ̂n−2
σ̂n−3
P
Pour estimer l’erreur de prédiction totale des provisions msep(R̂) = msep( ni=1 R̂i ),
nous ne pouvons pas simplement sommer les msep(Ri ) relatifs à chaque année de surve-
nance du fait que celles-ci sont estimées à l’aide des mêmes facteurs de développement. Il
faut donc tenir compte d’une corrélation entre elles. Mack estime alors l’erreur quadra-
tique moyenne des provisions totales par :
! n−1 !
X n Xn X 2σ̂j2 /fˆj2
msep(
ˆ R̂) = msep(
ˆ R̂i ) + Ĉi,n Ĉk,n Pn−j−1
i=1 k=i+1 j=n−i h=0 Ĉh,n

Nous disposons
q à présent d’un prédicteur de Ri (R̂i ) et de l’écart-type de celui-ci
(se(R̂i ) = msep(R̂i )).

Application :

Nous appliquons la méthode de Mack au triangle déjà introduit. Les résultats qui ont
été obtenus sont présentés dans le tableau suivant :

Intervalle de confiance à 95%

Normale Log-Normale
Année R̂i ˆ i
SEP ˆ i /R̂i
SEP Borne Inf Borne Sup Borne Inf Borne Sup
2010 0 0 0 0 0 0
2011 558 728 17 281 3.09% 524 859 592 598 525 621 593 354
2012 1 288 871 51 865 4.02% 1 187 217 1 390 525 1 190 197 1 393 469
2013 2 492 114 163 407 6.56% 2 171 843 2 812 385 2 187 174 2 827 413
2014 4 730 411 453 514 9.59% 3 841 540 5 619 281 3 903 843 5 679 784
2015 7 886 639 1 254 583 15.91% 5 427 702 10 345 577 5 713 521 10 617 612
2016 13 728 074 2 261 448 16.47% 9 295 717 18 160 431 9 829 088 18 667 141
2017 27 715 285 4 520 910 16.31% 18 854 464 36 576 106 19 910 390 37 579 782
2018 38 111 336 6 482 575 17.01% 25 405 723 50 816 949 26 983 989 52 313 683
2019 51 539 021 9 759 116 18.93% 32 411 506 70 666 537 35 053 042 73 155 620
TOTAL 148 050 479 14 601 053 9.86% 119 432 942 176 668 017 121 496 490 178 670 242

Tab. 3.12 : Erreur quadratique et intervalle de confiance du modèle de Mack

Nous constatons que la part due à l’erreur de processus croît avec les années de
survenance. Pour les années de survenance les plus récentes il y a un plus grand nombre
de paiements futurs incertains. Rappelons que le modèle de Mack est la méthode

38
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

stochastique relative à la méthode de Chain Ladder. Les provisions obtenues sont donc
identiques. Nous remarquons aussi que la variance de l’estimation représente 9.86% du
montant total des provisions.
En supposant la loi suivie par les provisions, il nous est possible de déterminer des
quantiles. Deux lois sont couramment utilisées en assurance non-vie : la loi Normale et
la Log-Normale. Cependant l’utilisation de la loi Normale est critiquée du fait qu’elle
peut prendre des valeurs négatives, ce qui n’est pas le cas des provisions.

Critiques :

La méthode de Mack fait partie des méthodes stochastiques les plus connues. Elle repose
sur la méthode déterministe de Chain Ladder, et permet, comme toutes les méthodes
stochastiques, une mesure d’estimation de l’incertitude qui réside dans l’évaluation des
provisions. Or, ce modèle est jumelé uniquement au modèle de Chain Ladder, ce qui
constitue un inconvénient majeur, si nous souhaitons appliquer un autre modèle.

[Link] Bootstrap
Dans cette section nous appliquerons la méthode de ré-échantillonage du bootstrap
afin d’étudier la distribution suivie par l’estimation du montant des provisions.
Nous utilisons les résidus calculés à partir des incréments de paiements observés, afin
que l’hypothèse d’indépendance demeure vérifiée.

Méthode :

Nous exposons les étapes de la méthode Bootstrap :

1. Sur base de la méthode de Chain Ladder, nous estimons les facteurs de développe-
ment fˆj ;
2. Nous complétons le triangle inférieur à partir des facteurs de Chain Ladder ;
3. Nous calculons le triangle des incréments : Yi,0 = Ci,0 et pour tout j ∈ 1, ..., n :
Yi,j = Ci,j −Ci,j−1 ;
4. Nous recalculons le triangle supérieur théorique à rebours à partir des facteurs de
développement en partant des dernières observations (situées sur la diagonale :
Ci,n−i ). Nous obtenons les paiements cumulés estimés Ĉi,j du triangle supérieur ;
5. Cela nous permet de calculer les incréments estimés µi,j pour la partie supérieure
du triangle ;
Z −µ
6. Nous calculons les résidus de Pearson du triangle supérieur : ri,j = √ i,j i,j où
V ar(µi,j )
V ar(µi,j ) est la fonction variance de la distribution. Nous supposons usuellement
une distribution de poisson, donc V ar(µi,j ) = µi,j ;
7. Pour pouvoir comparer les résultats avec d’autres méthodes analytiques, il est néces-
saire d’appliquer un ajustement permettant de corriger le biais à chacun des résidus
de Pearson tels que : r
N
ri,j = ri,j
N −P

39
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

n(n+1)
Avec N = 2
le nombre de données et P = 2n−1 le nombre de degrés de libertés ;

8. Nous procédons à un ré-échantillonnage avec remise des résidus : ainsi nous obtenons
∗
des résidus de Pearson après ré-échantillonnage ri,j ;
9. Enfin, nous obtenons les incréments :
q
∗ ∗
Yi,j = ri,j V ar(µi,j ) + µi,j

Nous en déterminons alors un triangle des règlements issus du Bootstrap et ainsi le

montant des provisions issues de ce triangle de bootstrap par la méthode de Chain
Ladder ;
10. Réitération de l’étape 8 et de l’étape 9, N fois.

Ainsi, pour un nombre d’observations N de R̂ issues de l’échantillonnage suffisamment

grand, nous pouvons déterminer sa distribution empirique, sa moyenne, sa variance, etc.

Application :

C’est à partir de la matrice des résidus suivante que nous appliquons la méthode de
Bootstrap :

0 1 2 3 4 5 6 7 8 9
2010 230 236 -556 -21 9 180 363 -109 -38 0
2011 -51 -36 -251 -444 253 692 9 -43 40
2012 49 -260 -519 15 580 164 -108 155
2013 -30 -376 -235 806 174 -421 -271
2014 91 -90 750 -63 -192 -609
2015 -177 197 193 455 -802
2016 -52 20 759 -705
2017 -216 331 -163
2018 163 -87
2019 0

Tab. 3.13 : Matrice des résidus de Bootstrap

40
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

En répétant 10 000 fois les simulations, nous obtenons le graphique suivant donne la
distribution des provisions sous une représentation de densité :

Fig. 3.1 : Distribution des provisions suite à 10 000 simulations

À partir des 10 000 triangles simulés, nous déterminons la distribution des montants
de provisions de manière détaillée et nous obtenons les résultats suivants :

Année de Survenance Moyenne Écart-type

2010 0 0
2011 562 558 267 716
2012 1 294 210 350 587
2013 2 496 926 449 569
2014 4 736 016 626 127
2015 7 893 632 889 932
2016 13 741 377 1 494 469
2017 27 757 405 3 175 773
2018 38 272 664 6 086 677
2019 52 807 895 16 379 080
TOTAL 149 562 683 19 416 066

Tab. 3.14 : Résultats du Bootstrap pour 10 000 simulations

41
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

À partir de la distribution prédictive, nous déterminons les quantiles suivants :

Moyenne 1er centile 99ème centile 5ème centile 95ème centile

R̂i 149 562 683 108 750 305 200 959 109 119 709 242 184 486 788

Tab. 3.15 : Quantiles de la distribution des provisions

Critiques :

Si les triangles des incréments de paiement µi,j présentent des valeurs négatives, la
méthode n’est pas utilisable telle quelle. En outre, le fait de ré-échantillonner tout le
triangle supérieur n’est pas forcément très réaliste du fait que les résidus r0,n et rn,0
sont par construction nuls. Il faut les exclure pour pouvoir supposer l’indépendance
des résidus. Nous ne fabriquons donc pas de nouveaux scénarios originaux mais une
permutation de scénarios historiques uniquement.

Comparaison des résultats

En appliquant les deux méthodes stochastiques, nous obtenons les résultats sui-
vants :

Mack Bootstrap
Moyenne 148 050 479 149 562 683
Écart-type 14 601 053 19 416 066

Tab. 3.16 : Récapitulatif des résultats des méthodes stochastiques

Nous notons une différence de moins de 1% du montant de la provision mais

de 32.98% de la volatilité de l’estimation à l’ultime. La méthode de Mack possède
tout de même le grand avantage de s’épargner les simulations et de fournir un
résultat analytique immédiat. Cependant, cette dernière ne fournit que les moments
d’ordre un et deux si nous ne supposons pas une loi de distribution des provisions.
La méthode du bootstrap a l’avantage de fournir une distribution empirique du
montant des provisions à l’ultime.
Pour le calcul des meilleurs estimations, nous remarquons ainsi une différence
minime entre les différentes méthodes déterministes retenues et stochastiques quant
au montant de la provision à retenir. C’est pour cette raison que nous optons pour
la méthode de Chain Ladder, elle est après tout la méthode préconisée par le projet
de circulaire SBR.

3.2 La meilleure estimation des primes

La meilleure estimation des engagements pour primes M Eprimes représente l’engage-
ment de l’assureur lié aux sinistres non survenus à la date de l’évaluation. Le calcul de la
meilleure estimation des engagements pour primes est effectué selon la formule suivante :

42
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

X cadk
M Eprimes = RSC ∗ (P P N A + P F ) ∗
k
(1 + tauxzck )i − P F −
Où :

RSC : Ratio de sinistralité combiné, il se calcule comme suit :

P P
CU FG
RSC = P 3 derniers ex surv
+ P3 derniers ex clos
3 derniers ex surv P A 3 derniers ex clos P E
CU : Charge ultime ;
F G : Frais de gestion ;
P A : Primes acquises ;
P E : Primes émises ;
P P N A : Provision pour primes non acquises à la date d’évaluation ;
P F : Primes futures à la date d’inventaire ;
cadk : Cadence de liquidation de l’année de projection k ;
(−) : nettes des frais d’acquisition.

Pour le traitement de cette partie, nous disposons de la base de données ci-dessous

résumant les primes acquises, émises et les provisions pour primes non acquises :

Année de Survenance Primes Acquises Primes Émises PPNA

2010 60 818 793 62 735 017 21 893 047
2011 69 390 741 69 048 920 22 137 064
2012 78 457 132 78 166 517 24 524 072
2013 85 273 184 84 443 695 30 655 944
2014 98 993 686 95 755 987 28 462 222
2015 100 750 140 96 857 636 28 730 127
2016 103 046 267 101 987 637 32 868 289
2017 110 482 073 107 507 144 33 644 974
2018 112 692 006 113 053 081 35 526 252
2019 117 026 194 118 682 403 37 046 935

Tab. 3.17 : Historique des PA, PE et PPNA

3.3 La meilleure estimation des frais de gestion

Selon la dernière version du rapport Spécifications techniques - SBR publiée
par l’ACAPS le 01/10/2020, la meilleure estimation des frais de gestion des opérations
d’assurance non vie hors rentes correspond à la somme actualisée des flux de frais de
gestion futurs liés aux contrats.

Ainsi, les frais de gestion futurs sont estimés en multipliant, la somme de la meilleure
estimation des engagements par le taux de frais de gestion moyen. Dans le cas de nos
données, nous estimons le taux de frais de gestion moyen d’une valeur de 0.22%.

43
Chapitre 3. Valorisation des provisions techniques prudentielles - Non vie -

Récapitulatif des résultats

Pour le calcul des meilleurs estimations, nous rappelons que nous avons décidé de
les valoriser suivant la méthode de Chain Ladder. Nous présentons ainsi le tableau
des résultats :

M Esinistres M Eprimes M EF G
121 328 272 36 496 748 348 846

Tab. 3.18 : Valorisation des différentes meilleurs estimations non-vie

La meilleure estimation non vie de notre branche est donc égale à :

M EN onV ie = M Esinistres + M EP rimes + M EF G
= 121 328 272 + 36 496 748 + 348 846
M EN onV ie = 158 173 866 M AD

Il nous reste alors à calculer le CSRN onV ie afin de pouvoir estimer la marge de
risque.

44
Chapitre 4

Valorisation des provisions

techniques prudentielles - Vie -

Dans cette partie, nous procéderons à la valorisation des provisions techniques pru-
dentielles sous la SBR pour un produit d’assurance Décès Emprunteur. Nous allons tout
d’abord discerner les spécificités de ce produit, ensuite nous énumérerons les notations et
hypothèses adoptées dans cette étude. Puis, nous présenterons la démarche de tarification
du produit Décès Emprunteur. Ultérieurement, nous exposerons de manière exhaustive
les différentes composantes des provisions techniques prudentielles vie. En définitive, nous
calculerons la meilleure estimation vie tout en étudiant sa sensibilité aux variables rem-
boursement anticipé et résiliation.

45
Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

4.1 Tarification en assurance décès emprunteur

La SBR adopte un raisonnement en termes de flux. Étant donné que nous ne disposons
pas des flux des primes, nous allons dans cette partie présenter les notions théoriques
préalables à la tarification.

Nous considérons dans ce mémoire uniquement des primes mensuelles. Le paiement

d’une prime unique est possible dans la réalité, mais ce cas est assez rare. En assurance
emprunteur, nous pouvons choisir entre deux méthodes de calcul des primes périodiques :
en fonction du capital initial (montant du capital emprunté) ou du capital restant
dû. Dans le premier cas, cela implique que la prime payée est constante pendant toute
la durée de paiement des primes par l’assuré. Dans le second cas, la prime payée suit la
décroissance du capital restant dû au cours du temps.

Effectivement, il est plus prudent pour un assureur de tarifer ces contrats à l’aide de
primes qui ne sont pas constantes et qui suivent le risque encouru par l’assureur. Cela
justifie notre choix de tarifer notre portefeuille en fonction du capital restant dû.

4.1.1 Notations et hypothèses

Notations :

CI : Montant du capital initial emprunté ;

CRDk : Capital restant dû après k mois écoulés après la souscription du contrat ;
k : Année d’avancement dans le prêt
n : Durée du prêt en mois ;
x : Âge de l’assuré en années ;
t : Mois de projection ;
k px : Probabilité pour une tête d’âge x d’être en vie à l’âge x + k ;
k qx : Probabilité pour une tête d’âge x de décéder

à l’âge x + k ;
1
v : Facteur d’actualisation tel que v = 1+i ;
i : Taux technique utilisé pour la tarification fixé à 2.5% ;
tm : Taux d’intérêt mensuel ;
tc : Taux d’acquisition fixé à 4% de le prime ;
ta : Taux de remboursement anticipé ;
tr : Taux de résiliation ;
′
P mensk : Prime mensuelle pure fonction du capital restant dû ;
P mens”k : Prime mensuelle commerciale fonction du capital restant dû ;
P mens1k : Prime mensuelle pure fonction du capital initial ;
P mens2k : Prime mensuelle commerciale fonction du capital initial ;
′
PU : Prime unique pure ;
”
PU : Prime commerciale unique.

Nous définissons ainsi le capital restant dû après p mois écoulés de la manière suivante :

(1 + tm )n − (1 + tm )p
CRDp = CI ∗ pour p ⩽ 12n
(1 + tm )n − 1

46
 Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

Hypothèses :

Nous prenons les hypothèses suivantes pour le calcul des primes pures :

1. Les primes sont mensuelles et sont versées en début de période par l’assuré ;
2. La durée de paiement des primes est égale à la durée du prêt, autrement dit il n’y
a pas de différé. Ce cas est en effet assez peu fréquent et ne sera donc pas traité. ;
3. Les prêts sont amortissables par annuités constantes ;
4. Les décès surviennent en milieu de période ;
5. La table de mortalité retenue dans le modèle est la table TD88-90 .

Quant à la projection des flux, étant donné le nombre très élevé de contrats, la méthode
d’agrégation en Model Point regroupe judicieusement les contrats présentant les mêmes
caractéristiques. En effet, chaque classe regroupe les assurés ayant un comportement
particulier et commun à sa population. Chaque Model Point agrège, pour chaque
catégorie et pour chaque année de souscription les assurés ayant le même âge. Ainsi
pour chaque Model Point, le capital initial retenu est le capital initial de la population à
laquelle il réfère, la même approche est appliquée à la durée et au taux du prêt.

Par la suite, nous procéderons à la projection de l’effectif de la population consti-

tuant chaque Model Point en tenant compte des mêmes hypothèses démographiques de
la tarification selon la relation suivante :

   
t t t−1 t−1    
NB x + k + , k + = NB x + k + ,k + 1 − 12t tak (x) 1 − 12t trk (x) 1 − 1 qx+k+ 12t
12 12 12 12 12

Où :
N B(x, a) : Nombre de contrat d’âge x et d’ancienneté a ;
t : Le mois de projection ;
k : L’ancienneté à la date d’évaluation des engagements.

4.1.2 Calcul de la prime unique

Principe :

Dans la tarification en prime unique, une seule prime est payée par l’assuré à la souscrip-
tion du contrat, servant ainsi à couvrir le risque sur toute la durée du contrat d’assurance.

Formule de tarification :

La prime d’un contrat d’assurance vie classique est déterminée en écrivant que les
valeurs actuelles probables des engagements de l’assuré et de l’assureur sont égales à la
date de souscription du contrat :

V AP(Assureur)t=0 = V AP(Assuré)t=0

47
Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

Ainsi, la prime pure payée par l’assuré suivra la décroissance du capital restant dû sur
la durée de l’emprunt et sera déterminée comme :

′
X
12n−1
k+0.5
PU = CRDk ∗ v 12 ∗ k px ∗ 1 qx+ k
12 12 12
k=0

À partir de la prime unique obtenue, nous calculons la prime commerciale unique

comme suit : ′
” PU
PU =
1 − tc

4.1.3 Calcul des primes mensuelles selon le capital initial

Principe :

Cette méthode permet de déterminer le taux de prime qui permettra le calcul du

montant à payer à chaque échéance. Le taux de prime dans ce cas est constant dans le
temps et permet d’égaliser l’engagement de l’assureur et celui de l’assuré.

Formule de tarification :

En se basant sur l’égalité suivante :

V AP(Assureur)t=0 = V AP(Assuré)t=0

Nous obtenons la prime mensuelle payée par l’assuré :

P12n−1 k+0.5
k=0 CRDk ∗ v 12 ∗ k px ∗ 1 qx+ k
P12n−1 k+0.5
12 12 12
tauxP,CI =
CI k=0 v 12 ∗ k px
12

Où : tauxP,CI représente le taux de prime tarifié sur le capital initial. Ainsi, nous
déduisons la prime mensuelle :

P mens1 = tauxP,CI CI

À partir de la prime mensuelle obtenue, nous calculons la prime mensuelle commerciale

comme suit :
P mens1
P mens2 =
1 − tc

4.1.4 Calcul des primes mensuelles selon le capital restant dû

Principe :

Dans la tarification sur capital restant dû, la prime payée par l’assuré décroît pendant
toute la durée du prêt en suivant l’évolution du CRD au cours du temps. Nous cherchons
donc à calculer un taux de prime qui sera appliqué au CRD de début d’année, afin
d’obtenir le montant de la prime payée par l’assuré. Ce taux est fonction de l’âge atteint
au cours du temps.

48
Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

Formule de tarification :

En se basant sur la même formule d’équivalence :

V AP(Assureur)t=0 = V AP(Assuré)t=0

Ainsi, la prime mensuelle payée par l’assuré suivra la décroissance du capital restant
dû sur la durée de l’emprunt et sera déterminée comme :
P12n−1 k+0.5
k=0 CRDk ∗ v 12 ∗ k px ∗ 1 qx+ k
P12n−1
12 12 12
tauxP,CRD = k+0.5
k=0 CRDk ∗ v 12 ∗ k px
12

Où : tauxP,CRD représente le taux de prime tarifié sur le capital restant dû. Ainsi, la
prime pure mensuelle est :

P mens1k = tauxP,CRD CRDk

À partir de la prime mensuelle obtenue, nous calculons la prime mensuelle commerciale

comme suit :
P mens1k
P mens2k =
1 − tc

4.2 Calcul des provisions techniques prudentielles

L’article 12 du projet de circulaire précise que les provisions techniques prudentielles
sont évaluées comme suit :

P TP rudentielles = M EEngagements + M EF rais + M R

• La meilleure estimation des engagements M EEngagements : correspond à la va-

leur probabilisée et actualisée des flux de trésorerie futurs afférents aux engagements
de l’entreprise d’assurance au titre des contrats souscrits ;

• La meilleure estimation des frais de gestion M EF rais : correspond à la valeur

probabilisée et actualisée du montant relatif à la gestion des contrats ;

• La marge de risque M R : correspond au coût d’immobilisation du capital de

solvabilité requis afférent aux engagements garantis.

4.2.1 La meilleure estimation des engagements

Pour les opérations d’assurance vie, décès et capitalisation, la formule de calcul de
la meilleure estimation des engagements tel que définie dans le projet de circulaire se
présente comme suit :

M Eengagements = M EGP + BDF

• Les bénéfices des discrétionnaires futurs BDF : sont l’équivalent de la provi-

sion pour participation aux bénéfices ;

49
 Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

• La meilleure estimation des garanties probabilisées M EGP : est calculée

tête par tête, en actualisant les flux de trésorerie futurs probabilisés correspondant
à la différence entre les décaissements (règlements de toutes les prestations : décès,
rachat, résiliation....) et les encaissements futurs (correspondant aux engagements
des assurés, primes et cotisations).

La meilleure estimation des garanties probabilisées MEGP :

Dans le calcul des flux utilisés pour déterminer la MEGP, nous supposons que l’assuré
paie des primes mensuelles en fonction du capital restant dû, et rembourse son prêt à
échéances mensuelles. Les encaissements correspondent aux flux de primes payées par
l’assuré, alors que les décaissements renvoient aux flux de décès. Les notations sont celles
utilisées dans la partie de tarification :

- Capital Restant Dû :

(1 + tm )n − (1 + tm )12k+t
CRD12k+t = CI pour t ⩽ n − 12k
(1 + tm )n − 1

- Flux de décès :
   
 CRD12k+t ∗ t px+k ∗ 1 q t 1 − t ta (x) 1 − t tr (x) si t ⩽ n − 12k
x+k+ 12 k k
F luxDécès12k+t = 12 12 12 12
 0 sinon

- Flux de primes :
   
 P mens” ∗ t px+k ∗ 1 − t ta (x) 1 − t tr (x) si t ⩽ n − 12k
12k+t 12 k k
F luxP rimes12k+t = 12 12
 0 sinon

Les taux de remboursement anticipé (resp. résiliation) sont ajustés par une courbe de
tendance polynomiale d’ordre p (cet ordre est obtenu par l’optimisation du critère AIC
pour chaque âge x). Les paramètres de la courbe d’ajustement permettront de prévoir le
taux de remboursement anticipé (resp. résiliation) mensuel nécessaire pour les calculs des
flux.
La valorisation des flux pour un contrat d’ancienneté k à la date d’évaluation des
engagements se présente comme suit :
X
F luxk = (F luxDécès12k+t − F luxP rimes12k+t )
t=0

La valeur de la M EGP se présente comme suit :

P F luxk
M EGP = k=1 k
(1+tauxzck )
Les bénéfices discrétionnaires futurs BDF :

La participation aux bénéfices en matière d’assurance vie désigne une participation aux
résultats d’une compagnie d’assurance, au bénéfice de ses souscripteurs. La gestion des

50
Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

fonds récoltés par les assureurs génère des profits appelés bénéfices discrétionnaires.
L’assureur a l’obligation d’en redistribuer une partie. Le contrat d’assurance peut contenir
une clause détaillant les modalités de cette participation. Ce montant est également précisé
lors de la publication du taux de rendement annuel.

BDF = P P B + T P Bmoyen (x% ∗ V aleur − M EGP − M EF G − P P B)

Avec :
PPB : Provisions pour participation aux bénéfice comptable ;
M EF G : Meilleure estimation des frais de gestion ;
x% : Un pourcentage de l’actif relatif au produit ;
T P Bmoyen : Le taux de participation aux bénéfices moyen servi aux assurés :

P P BN + P P BN −1 + P P BN −2
T P Bmoyen =
RTN + RTN −1 + RTN −2

Dans le cadre du produit étudié, l’assurance décès emprunteur, la meilleure estimation

des engagements est réduite au calcul de la meilleure estimation des garanties proba-
bilisées, puisque nous notons l’absence d’interaction entre le passif et l’actif en
assurance emprunteur.

4.2.2 La meilleure estimation des frais de gestion

La meilleure estimation des frais de gestion est la valeur probabilisée et actualisée du
montant relatif à la gestion des contrats et est déterminée par :

X
h
N B contrats restantsk ∗ F Gunitaire
M EF G =
k=1
(1 + tauxZCk )k
Avec :
F Gunitaire : Frais de gestion unitaire de chaque contrat ;
tauxZCk : le taux zéro coupon ;
h : horizon de projection.

4.2.3 Présentation des résultats

La meilleure estimation des garanties probabilisées MEGP :

Afin de calculer la valeur de la MEGP, il est nécessaire de projeter tous les flux du
passif, à savoir les primes et les flux décès. Nous avons modélisé ces flux avec et sans la
comptabilisation des phénomènes de remboursement anticipé et résiliation.

51
Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

Fig. 4.1 : Projection des flux primes

Nous constatons qu’au fil de temps les flux primes des contrats enregistrent une baisse
significative, cela revient au nombre d’assurés qui quittent le portefeuille année après
année. Aussi, nous pouvons remarquer que les taux de résiliation et du remboursement
anticipé créent un poids non négligeable au niveau des montants des flux de prime.

Fig. 4.2 : Projection des flux décès

52
Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

Nous notons que les flux décès ont enregistré une décroissance ordinaire, ce qui est
logique puisque les assurés quittent le portefeuille année après année et cela est dû aux
décès. Similairement au premier cas, les taux de résiliation et du remboursement anticipé
ont un impact sur les montants des flux.

Fig. 4.3 : Projection des flux

D’après l’illustration graphique des flux, nous remarquons que la différence entre les
flux sortants et les flux entrants a enregistré une valeur négative dans la première année ce
qui signifie que les encaissements sont largement supérieures aux décaissements. Plus nous
avançons dans le temps, plus les encaissements diminuent et les décaissements augmentent.
Le tableau ci-dessous donne un aperçu des résultats globaux selon le scénario central :

Ancienneté Flux Primes Flux Décès MEGP

1 6 860 348 6 979 396 116 355
2 4 706 395 5 041 476 319 757
3 3 132 591 3 532 526 372 228
4 1 982 267 2 353 414 336 556
5 1 183 417 1 481 143 262 749
6 646 288 853 973 178 166
7 294 660 410 632 96 603
8 98 899 145 346 37 522
9 17 512 27 272 7 637

Tab. 4.1 : Détail de la projection des flux selon le scénario central

53
Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

La meilleure estimation des garanties probabilisés tenant compte du phénomène

de remboursement anticipé et résiliation s’élève à : 1 727 574 MAD (ce montant
représente la somme de la dernière colonne du tableau précédent), alors que si nous ne
tenons pas compte du phénomène de remboursement anticipé et résiliation la M EGP
atteint : 1 828 448 MAD. Ce qui prouve l’importance des remboursements anticipés et
des résiliations.

La meilleure estimation des frais de gestion :

Pour pouvoir valoriser la MEFG, nous commençons d’abord par projeter le nombre de
contrats dans notre portefeuille. Nous adoptons ainsi la relation émise auparavant et nous
obtenons le graphe suivant :

Fig. 4.4 : Projection des nombres de contrats du portefeuille

Le tableau ci-dessous donne un aperçu des résultats globaux selon le scénario central :

Ancienneté MEFG
1 11 365
2 9 298
3 7 055
4 5 807
5 4 152
6 3 382
7 2 222
8 1 377
9 560

Tab. 4.2 : Détail de la projection des flux de frais de gestion

54
Chapitre 4. Valorisation des provisions techniques prudentielles - Vie -

La meilleure estimation des frais de gestion tenant compte du phénomène de rembour-

sement anticipé et résiliation s’élève à : 45 218 MAD (ce montant représente la somme
de la colonne MEFG du tableau précédent), ce montant représente la provision que la
compagnie d’assurance doit garder pour gérer les frais de contrats futurs.

Récapitulatif
La meilleure estimation vie de notre produit décès emprunteur est donc égale à :
M Evie = M EGP + BDF + M EF G
= 1 727 574 + 0 + 45 218
M Evie = 1 772 792 M AD

Il nous reste donc à comptabiliser la marge de risque suite à notre calcul de la

CSRvie dans le chapitre suivant.

55
Chapitre 5

Capital de Solvabilité Requis et

Marge de Risque

Toujours en se reposant sur la directive de la Solvabilité Basée sur les Risques (SBR),
et après avoir évalué les meilleures estimations vie et non vie, nous passerons au calcul des
derniers indicateurs quantitatifs du 1er pilier de la norme : le Capital de Solvabilité Requis
(CSR) et la Marge de Risque (MR). Le plan que nous adopterons est le suivant : D’abord,
nous allons définir le concept du CSR et ses différentes approches de calcul. Ensuite,
nous calculerons le CSR de souscription vie, ce qui va nous conduire à la valorisation de
la marge de risque vie. Le CSR marché lui aussi va être estimé, cependant nous devrons
modéliser certains chocs (actions, taux) pour effectuer une étude plus complète. De même,
Merz & Wütrich et la méthode Log-Normale simplifiée nous permetteront de modéliser le
risque de provisions et le risque de primes respectivement. Par conséquent, nous pourrons
valoriser le CSR non-vie, et par extension la MR non-vie. Finalement, nous serons capable
de calculer le CSR global de la compagnie d’assurance.

56
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

5.1 Définition et approches de calcul du CSR

Le CSR reflète le niveau du capital nécessaire pour que l’assureur puisse tenir tous ses
engagements sur une période de temps et avec le niveau de confiance prédéfinis. Le CSR
doit ainsi tenir compte de tous les risques significatifs et quantifiables. Et si au cours
de la période prédéfinie le CSR vient à s’user, grâce à l’existence de la marge de risque
l’assureur pourra encore céder son portefeuille à un autre assureur. Les paramètres et
les hypothèses utilisées dans le calcul du CSR sont choisis pour refléter la Value at Risk
(VaR) calibrée au niveau de confiance de 99,5% sur un an.

Pour le calcul du capital de solvabilité requis (CSR), nous adoptons deux approches
de calcul différentes :

Approche par facteur :

Le CSR est calculée à partir d’une formule mathématique et se compose du CSR de

base (BCSR) et la charge de capital pour le risque opérationnel (CSRop ) :

CSR = BCSR + CSRop − max(0, Adj)

Le BCSR comprend 5 grandes catégories de risques. Dans chacun de ces modules,

les risques sont subdivisés en sous-catégories. Les charges de capital sont calculées pour
chaque sous-module, puis agrégées selon l’approche suivante :

• Tous les risques appartenant à la même catégorie sont combinés à l’aide de matrices
de corrélation pour aboutir à la charge du risque du marché.

• Ensuite, les principales catégories de risques sont combinées à l’aide d’une matrice
de corrélation pour arriver au BCSR.

Approche par scénario :

Cette approche consiste à simuler des chocs sur les flux de l’assureur afin de savoir
quels en seraient les impacts. Ces chocs sont des variations brutales dans la perspective
de mesurer les risques relatifs au portefeuille. Les scénarios de choc reflétant la perte
maximale sont construits à partir du scénario central, et ce en appliquant des coefficients
de choc.

Le CSR représente ainsi le capital nécessaire à l’absorption des chocs provoqués par les
risques majeurs. Les compagnies d’assurances doivent dès lors prouver que leur niveau de
fonds propres peut couvrir ses risques.

5.2 Souscription Vie

5.2.1 CSR Souscription vie
Il s’agit des risques spécifiques résultant de la souscription des contrats d’assurance
vie. Notamment, ces risques proviennent des sinistres couverts, mais aussi des processus

57
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

inhérents à l’existence même de tel contrats.

Ainsi, ce risque peut être subdivisé en risques biométriques (mortalité, longévité,
invalidité), le risque de rachat, le risque de dépense et le risque de catastrophe.
CSR Mortalité :
Principe :
En se conformant au produit traité dans notre travail, le risque auquel la compagnie
est exposée, est le risque de mortalité, et non de longévité. Cette exigence de capital
relative au risque de mortalité, correspond à la perte maximale de fonds propres qui
résultent de l’application des coefficients à la hausse aux taux de mortalité utilisés
pour le calcul des provisions techniques prudentielles.

Pratique :
Nous appliquons la théorie de la SBR en nous inspirant du pourcentage utilisé par la
directive SII puisque le régulateur marocain n’a pas encore fixé le taux de choc corres-
pondant à chaque risque. Alors, le taux de choc retenu est 15% et le nouveau taux de
mortalité est comme suit :
qaprès choc = qavant choc ∗ (1 + 15%)

Le tableau ci-dessous résume les résultats :

Résultats
M EAprès choc 1 998 201
M ECentral 1 772 729
CSRM ortalité 225 472

Tab. 5.1 : Résultats avant et après choc du risque de mortalité

Par conséquent, le capital requis pour le risque de mortalité est assez considérable et
équivaut à :
CSRM ortalité = 225 472 M AD
CSR Rachat :
Principe :
Le risque de rachat est un risque relatif à la perte maximale de fonds propres qui
résulterait de l’application de coefficients à la baisse ou à la hausse, aux tables de rachats
en montant et en nombre utilisées pour le calcul des provisions techniques prudentielles.
Autrement dit, le CSR Rachat est égale à la plus élevée des exigences de capital
suivantes :
• Baisse soudaine permanente de α% des taux de rachat en montant et β% en nombre.
• Hausse soudaine permanente de α% des taux de rachat en montant et β% en nombre.

58
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Pratique :
En réalité, et puisque l’ACAPS n’exige encore pas des valeurs pour les coefficients α et
β, nous adoptons à titre illustratif – en suivant la directive Solvabilité II - α = β = 50%.
Nous calculons le CSR relatif au sous-module du risque de rachat ainsi :

 CSRRachat = M EAprès choc − M ECentral
 CSR = max(CSR ; CSR ; 0)
Rachat Rachat,hausse Rachat,baisse

Scénario Hausse Scénario Baisse

M EAprès choc 1 633 183 1 956 516
M ECentral 1 772 729 1 772 729
CSRRachat -139 546 183 787

Tab. 5.2 : Résultats avant et après choc du risque de rachat

Le capital requis pour le risque des rachats en appliquant un choc à la hausse, et à la

baisse est donc :
CSRRachat = 183 787 M AD

CSR dépense ou de frais de gestion :

Principe :
Le risque de dépenses désigne la perte de fonds propres résultant de l’application à
la hausse de X% aux montants de frais de gestion retenus dans la détermination de la
mailleure estimation des frais de gestion.

Pratique :
A cet égard, le risque de dépenses s’applique sur les frais de gestion en mettant en place
les modifications suivantes inspirées des taux de choc adoptées dans la réglementation
européenne SII :

• Augmentation de 10% des frais

• Majoration des frais de gestion de 1% par an

De la même que le CSRRachat , nous calculons le CSRDépense mais ce dernier est basé
sur la différence des meilleures estimations des frais de gestion MEFG :

CSRDépense = M EAprèsChoc − M ECentral

59
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

De ce fait, nous obtenons les résultats suivants :

Résultats
M EAprès Choc 1 778 794
M ECentral 1 772 729
CSRDépense 6 065

Tab. 5.3 : Résultats avant et après choc du risque de dépense

Associé à une augmentation éventuelle des frais de gestion des contrats d’assurance, le
capital requis pour le risque de dépenses est de :

CSRDépense = 6 065 M AD

Ainsi, une hausse de 10% des dépenses futures par rapport aux anticipations de la
meilleure estimation n’augmente que très sensiblement ce dernier.

CSR Catastrophe :
Principe :
Le risque de catastrophe en vie exprime le fait qu’il peut y avoir très ponctuellement
une forte augmentation des décès pour une raison précise comme une épidémie, un
tremblement de terre sans que cela ne constitue une dérive à long terme.

L’exigence de capital relative au risque de catastrophe en vie correspond à l’application

d’un coefficient de X% aux montants des capitaux sous risque au titre des garanties en
cas de décès nets de réassurance.

Pratique :

En suivant toujours la Solvabilité 2, en pratique, le choc catastrophe est une hausse de la

mortalité des assurés de 0, 15%. Ainsi, suivant la même logique que les risques précédents,
nous aboutissons aux résultats suivants :

Résultats
M EAprès choc 1 801 587
M ECentral 1 772 729
CSRCatastrophe 28 858

Tab. 5.4 : Résultats avant et après choc du risque de catastrophe

La valeur du capital requis lié à ce risque est de :

CSRCatastrophe = 28 858 M AD

60
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

CSR Vie :

Pour conclure, le CSR relatif au risque de souscription en vie se calcule en additionnant

les quatres composantes du CSR calculées ci-dessus. D’une façon plus explicite :

sX
CSRV ie = Corrr,z CSRr CSRz Avec : r, z ∈ {M ortalité, Rachat, Dépenses, Catastrophe}
r,z

Avec la matrice de corrélation est la matrice d’identité, c’est-à-dire :

Coeff. de corrélation Mortalité Rachat Dépense Catastrophe

Mortalité 1 0 0 0
Rachat 0 1 0 0
Dépense 0 0 1 0
Catastrophe 0 0 0 1

Tab. 5.5 : Matrice de corrélation des risques de souscription vie

Après avoir quantifié l’exigence en fonds propre au profil de chaque risque, le Capital
de Solvabilité Requis exigé afin que l’assureur puisse honorer ces engagements même en
présence de ce risque figure dans le tableau suivant :

Résultats
CSRM ortalité 225 472
CSRRachat 183 787
CSRDépense 6 065
CSRCatastrophe 28 858
CSRV ie 292 377

Tab. 5.6 : Récapitulation des résultats du CSRV ie

La valeur du capital requis lié à la souscription vie est donc de :

CSRV ie = 292 377 M AD

5.2.2 Marge de Risque Vie

La marge de risque correspond au coût d’immobilisation du capital de solvabilité requis
afférent aux engagements garantis. Elle est calculée, séparément pour les engagements des
opérations d’assurances vie et rentes découlant des opérations non vie ainsi que pour les
engagements des opérations non vie, et ce, conformément à la relation suivante :
X CSRk
MR = α
k+1
k⩾0 1 + tauxZCk+1

61
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Où :

• α = 6% : représente le taux du coût du capital ;

• CSRk : représente le capital de solvabilité requis projeté à la date k compte non tenu
des exigences de capitaux relatives aux risques opérationnel, de marché, de concen-
M Ek
tration et de contrepartie. Il est calculé comme suit : CSRk = M Eengagements
0 CSRV ie ;
engagements

k
• M Eengagements : correspond à la meilleure estimation des engagements projetée à la
date k ;

• CSR0 : représente le capital de solvabilité requis à la date d’inventaire compte non

tenu des exigences de capitaux relatives aux risques opérationnel, de marché, de
concentration et de contrepartie.

Ainsi, après la projection de la CSRvie , nous obtenons :

M RV ie = 61 525 M AD

5.3 CSR marché

L’exposition au risque de marché est mesurée par l’impact des variations des variables
financières telles que les cours des actions, les taux d’intérêt.
Nous tenons à souligner que les données chiffrées suivantes de l’actif ont été modifiées
afin de préserver le caractère confidentiel des données et servent uniquement le but
d’exposer la méthode de calcul proposée par la SBR.

CSR actions :
Ce module vise à quantifier l’impact d’une baisse soudaine des marchés actions sur la
valeur du bilan de l’assureur. Il est décomposé en quatre types d’actions (Action cotée
stratégique, Action cotée non stratégique, Action non cotée stratégique et Action non
cotée non stratégique). Nous cherchons ainsi à calculer le taux de choc à appliquer aux
actions cotées grâce au modèle de Black & Scholes.

Aspect théorique
Il existe plusieurs modèles dans la littérature qui décrivent la dynamique d’un actif
risqué de type action. L’un des modèles les plus utilisés dans la pratique est le modèle
Black & Scholes [1973]. Dans ce qui suit, nous allons exposer ce modèle pour modéliser
ce type d’actif et nous détaillerons le calibrage du modèle choisi pour le prix des
actions. Black & Scholes supposent que le cours d’une action peut être représenté par un
mouvement brownien géométrique (loi log normale).

62
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Soit St le cours de l’action, son équation de diffusion donnée par B&S est la suivante :

dSt = St (µdt + σdBt )

Avec :
µ : Rendement attendu de l’action ;
σ : Volatilité de l’action ;
Bt : Un mouvement brownien ;

La solution de cette équation s’écrit :

  
σ2
St = S0 ∗ exp µ− t + σBt
2

Et sa discrétisation exacte prend la forme suivante :

  
σ2
St+1 = St ∗ exp µ− + σ (Bt+1 − Bt )
2

Puisque Bt est un mouvement brownien, alors l’accroissement Bt+1 − Bt suit une loi
normale centrée réduite.

D’autre part, la formule ci-dessous représente le rendement logarithmique d’actions

entre deux dates successives t + 1 et t qui suit une loi normale de moyenne µ et de
2
variance µ − σ2 :
   
St+1 σ2
Rt = ln = µ− + σ (Bt+1 − Bt )
St 2
Ainsi, la paramétrisation se fait par la méthode des moments et la méthode du maxi-
mum de vraisemblance :


 σ̂ 2 1X
T

 µ̂ − M oyenne empirique de l′ historique

 2
= R̄ =
T t=0
R(t)


 1X
T

2

 2
− V ariance empirique de l′ historique

 σ̂ = R(t) R̄
T t=0

Aspect pratique

Nous appliquons ci-après le modèle Black & Scholes à l’indice MASI. Nous disposons,
pour notre étude, de 156 observations pour la période qui s’étale entre Janvier 2007 et
Décembre 2019, tout en considérant le mois comme unité de temps.

63
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Nous montrons ci-dessous les deux courbes représentant l’évolution du cours du MASI
et ses rendements durant la période d’étude :

Fig. 5.1 : Évolution du cours MASI Fig. 5.2 : Évolution des rendements MASI

Avant d’entamer notre modélisation, il faut tester l’hypothèse fondamentale du modèle

Black & Scholes qui est la normalité des rendements logarithmiques du cours de l’indice.
Pour tester cette hypothèse nous nous servons du test de Shapiro-Wilk qui prend comme
hypothèse nulle le fait que l’échantillon suit une loi normale. Le résultat du test
sous R est le suivant :

Shapiro-Wilk normality test

data: Rendements
W = 0.99075255, p-value = 0.4089663

Listing 6 : Test de normalité des rendements de MASI

Nous remarquons que la valeur de p − value est très grande. Ainsi, nous pouvons
se permettre d’accepter l’hypothèse de normalité des rendements logarithmique, ceci est
confirmé graphiquement avec l’histogramme des rendements et le QQ-plot ci-dessous :

Fig. 5.3 : Histogramme des rendements Fig. 5.4 : QQ-plot des rendements MASI

64
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Ainsi nous pouvons conclure que la modélisation des cours mensuels de l’indice MASI
par le modèle Black-Scholes est permise.

D’après la représentation graphique des rendements de MASI, nous remarquons aussi

que la série se caractérise par une volatilité plus ou moins de 12%, et elle semble station-
naire, toutefois il est nécessaire de vérifier sa stationnarité par le test de Dickey-Fuller :
Augmented Dickey-Fuller Test

data: Rendements
Dickey-Fuller = -3.7514858, Lag order = 5, p-value = 0.02324319
alternative hypothesis: stationary

Listing 7 : Test de stationnarité des rendements

Avec une p-value de 0.02324, qui est inférieur à 5%, l’hypothèse alternative est
acceptée. Notre série est donc une série stationnaire au seuil de 5%.

Ensuite, pour générer des scénarios sur un horizon d’un an de l’indice de MASI, nous
commencerons par estimer les paramètres µ et σ à partir des données historiques retenues.
Pour l’indice MASI nous obtenons les résultats suivants :
(
µ̂ = −0.034%
σ̂ = 3.59%

Une fois l’estimation des paramètres du modèle Black & Scholes associé à notre indice
MASI est faite, nous pouvons passer à la simulation des trajectoires de notre indice. Nous
prenons comme valeur initiale du cours celle côté en décembre 2019.

Pour parvenir à déterminer le taux de baisse approprié pour choquer la valeur de nos
actions, nous effectuerons 100 000 simulations.

Et comme déjà précisé dans le résumé de l’approche, nous calculerons ce taux comme
étant le taux de baisse constaté entre la valeur initiale de l’indice MASI (sa valeur en
décembre 2019) et la 500ème plus petite valeur finale de cet indice parmi les 100 000
valeurs obtenus.

65
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Nous obtenons la représentation graphique ci-après où nous n’avons gardé que 5000
simulations du cours MASI pour une meilleure lisibilité :

Fig. 5.5 : 5000 simulations du cours de l’indice MASI

Le cours de l’indice MASI en décembre 2019 est 12171.9. Après chaque trajectoire
simulée, nous avons gardé la valeur finale de l’indice MASI obtenu dans un vecteur de
taille 100 000, une fois le vecteur tout remplie, nous avons trié ce dernier. La 500ème plus
petite valeur finale de l’indice de MASI constaté est 8 666.4. Ce qui représente un taux
de baisse de :
12 171.9 − 8 666.4
= 0.2879
12 171.9
Ainsi :
tAction ≃ 28.8%
C’est donc ce taux de baisse que nous allons appliquer à la valeur de marché de notre
portefeuille d’actions pour calculer le CSRAction . Enfin, nous nous retrouvons avec la
valeur suivante :

CSRAction = V MAction ∗ tAction

CSRAction = 3 713 267 M AD

66
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

CSR taux :

Principe :

L’exigence de capital pour le risque de taux est défini comme la plus élevée des exigences
de capital suivantes :

• L’exigence de capital pour risque de hausse des taux d’intérêt ;

• L’exigence de capital pour risque de baisse des taux d’intérêt.

L’exigence de capital relative à la hausse ou à la baisse des taux d’intérêt est obtenue
en mesurant la perte des fonds propres résultante.

Pour déterminer les chocs à appliquer sur la courbe des taux zéro-coupon, nous
adopterons les modèles stochastiques de Vašíček et CIR déjà développés de manière
exhaustive dans le chapitre 2.

Il convient après d’effectuer des simulations en générant 100 000 trajectoires de notre
taux d’intérêt (TMP) sur un horizon d’un an. Encore une fois, nous prendrons parmi
les 100 000 valeurs finales de nos simulations la 500ème plus grande valeur comme étant
la représentation du risque à la hausse du taux d’intérêt, et la 500ème plus petite valeur
comme étant la représentation du risque à la baisse du taux d’intérêt.

Pratique :

Pareillement au travail fait pour les actions, nous allons prendre parmi les 100 000
valeurs finales du TMP la 500ème plus grande valeur finale comme la situation traduisant
le risque à la hausse du taux d’intérêt et la 500ème plus petite valeur finale comme la
situation traduisant le risque à la baisse du taux d’intérêt. Nous obtenons la représentation
graphique ci-après où nous n’avons gardé que 500 simulations du TMP selon les deux
modèles pour une meilleure lisibilité :

Fig. 5.6 : Simulations Vašíček Fig. 5.7 : Simulations CIR

67
 Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Le tableau suivant présente le calcul de ces chocs pour les maturités allant de 1 an à
15 ans :
Modèle de Vašíček Modèle de CIR
Maturité Taux ZC Taux hausse C. hausse Taux baisse C. baisse Taux hausse C. hausse Taux baisse C. baisse
1 2.32% 4.16% 79.56% 1.61% -30.56% 4.38% 89.20% 1.71% -26.14%
2 2.37% 4.21% 77.84% 1.68% -28.77% 4.46% 88.34% 1.76% -25.75%
3 2.37% 4.26% 79.37% 1.76% -25.76% 4.54% 90.99% 1.81% -24.00%
4 2.38% 4.31% 81.00% 1.84% -22.76% 4.61% 93.81% 1.85% -22.16%
5 2.40% 4.36% 81.62% 1.91% -20.25% 4.69% 95.62% 1.90% -20.73%
6 2.44% 4.40% 80.70% 1.99% -18.50% 4.77% 95.81% 1.95% -19.96%
7 2.50% 4.45% 78.00% 2.06% -17.67% 4.85% 94.11% 2.00% -19.98%
8 2.56% 4.50% 75.37% 2.13% -16.94% 4.94% 92.49% 2.05% -20.00%
9 2.66% 4.54% 70.82% 2.20% -17.26% 5.02% 88.77% 2.10% -20.91%
10 2.72% 4.59% 68.88% 2.27% -16.46% 5.10% 87.91% 2.15% -20.66%
11 2.76% 4.63% 68.06% 2.34% -15.18% 5.19% 88.33% 2.21% -19.88%
12 2.83% 4.67% 65.11% 2.40% -15.07% 5.28% 86.39% 2.26% -20.12%
13 2.91% 4.72% 62.23% 2.47% -15.03% 5.37% 84.50% 2.32% -20.35%
14 2.99% 4.76% 59.40% 2.54% -15.06% 5.45% 82.67% 2.37% -20.59%
15 3.07% 4.80% 56.48% 2.60% -15.25% 5.54% 80.72% 2.43% -20.90%

Tab. 5.7 : Chocs à appliquer selon les modèles de Vašíček et CIR

Nous remarquons que le modèle de Vašíček tend à sous-estimer les chocs hausses
par rapport au modèle de CIR. Quant aux chocs baisses, le modèle de CIR propose des
chocs qui stagnent à partir de la maturité 5 autour de -20% contrairement au modèle de
Vašíček où les chocs se stabilisent plus tardivement aux alentours de -15%.

Les chocs à appliquer dans le cadre de la réforme européenne SII ressemblent plus
ou moins aux chocs proposés par le modèle de Vašíček, surtout à la hausse des taux
d’intérêt. Par conséquent, nous retenons cette fois-là ce modèle stochastique pour calculer
notre CSRtaux .


 CSRtaux = M EAprès choc − M ECentral
 CSR
taux = max(CSRtaux,hausse ; CSRtaux,baisse ; 0)

Scénario Hausse Scénario Baisse

M EAprès choc 1 645 786 1 809 294
M ECentral 1 772 729 1 772 729
CSRtaux -126 943 36 565

Tab. 5.8 : Résultats avant et après choc du risque de taux

68
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Le capital requis pour le risque des taux en appliquant un choc à la hausse, et à la

baisse est donc :
CSRtaux = 36 565 M AD

CSR Immobilier :

Pour la SBR , le choc à appliquer à la valeur de marchés des actifs immobiliers n’a
toujours pas été fixé. Par contre, pour la SII, le choc est fixé à 25%.

CSRImmobilier = V MImmobilier ∗ tImmobilier

CSRImmobilier = 2 539 967 M AD

CSR Marché :

Pour calculer le CSR relatif au risque de marché, la matrice de corrélation à utiliser est
encore une fois la matrice d’identité. La valeur du capital requis lié au risque de marché
est donc de :
q
2 2 2
CSRM arché = CSRActions + CSRImmobilier + CSRtaux
CSRM arché = 4 499 013 M AD

5.4 Souscription Non Vie

5.4.1 CSR Souscription Non Vie
CSR Provisions :
Le risque de provisions représente le risque que peut entraîner une mauvaise évaluation
des provisions techniques pour un assureur. La volatilité des réserves utilisée dans
le calcul de l’exigence de capital de la formule standard doit représenter l’erreur de
prédiction à un an.

Dans cette partie nous nous intéressons au modèle développé par Merz & Wüthrich
en 2008 qui fournit une formule fermée permettant d’estimer le risque de réserve à un
horizon un an.

Aspect théorique

Le risque de provisionnement à un an est un risque portant sur la ré-estimation de

la provision de la charge à l’ultime de l’assureur entre deux années calendaires. Afin
d’estimer ce risque, il faut s’intéresser alors à une nouvelle notion qui est le CDR (Claims
Development Result) qui fait référence à la différence entre les estimations de charge à
l’ultime faites entre l’année calendaire n et n + 1.

69
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Le CDR réel est défini par :

CDRi (n + 1) = E[Ci,n |Dn ] − E[Ci,n |Dn+1 ]

Le CDR réel n’est en réalité jamais observé dans les comptes de l’assureur. Pour
connaître sa valeur, nous devrions connaître la charge à l’ultime. Nous savons seulement
en donner une estimation. Dans ce sens, cette estimation appelée le CDR observable est
définie :
ˆ i (n + 1) = Ĉi,n
CDR n
− Ĉ n+1 i,n

Avec :
n
Ĉi,n : estimation l’année n des paiements cumulés à l’ultime ;
n+1
Ĉi,n : estimation l’année n + 1 des paiements cumulés à l’ultime.

En 2008, Merz et Wüthrich publient un article permettant l’analyse de l’erreur de

prédiction du CDR suivant deux points de vue :
• Prospective : pour l’année calendaire n, nous prédisons le CDR de l’année (n, n +
1]. Le CDR prédit est 0, nous voulons connaître la distribution du CDR autour de
cette valeur.
• Rétrospective : au temps n + 1, nous avons observé le CDR de l’année (n, n + 1].
Nous nous intéressons à connaître la qualité de la prédiction que nous avons fournie
en n.
Nous illustrons ci-dessous l’information disponible D pour chacune des deux années n
et n + 1 :
1. Pour une année n, nous disposons de l’information disponible en date n, c’est-à-dire :
Dn = Ci,j : i + j ⩽ n.
2. Pour une année n + 1, nous disposons de l’information disponible en date n + 1
c’est-à-dire : Dn+1 = Ci,j : i + j ⩽ n + 1.
Merz et Wüthrich se placent sous les hypothèses du modèle de Mack. Ainsi, sous ces
hypothèses , nous sommes capable de prédire les paiements à l’ultime notés connaissant
l’information passée au temps n :
Y
n−1
E (Ci,n |Dn ) = Ci,n−i fj
j=n−i

et au temps n + 1 :
Y
n−1
E (Ci,n |Dn+1 ) = Ci,n−i+1 fj
j=n−i

Les facteurs fj ne sont pas connus, cependant Mack a démontré que les estimateurs
fournis par Chain-Ladder sont sans biais et non corrélés :
 Pn−j−1

 ˆ Ci,j+1
 fj = Pn−j−1 C
 n i=0

i=0 i,j
Pn−j

 Ci,j+1

 fˆjn+1 = Pi=0
n−j
i=0 Ci,j

70
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Nous en déduisons une estimation sans biais des montants de sinistres à l’ultime calculés
en n et n + 1 : ( n
Ĉi,n = Ci,n−i fˆn−i
n
...fˆn−1
n

Ĉ n+1 = Ci,n−i fˆn+1 ...fˆn+1

i,n n−i+1 n−1

Sous l’hypothèse (H2), nous remarquons que la variable aléatoire E(Ci,n |Dn ) est une
martingale, nous en déduisons immédiatement que le CRDi (n + 1) conditionnellement à
Dn est centré, c’est-à-dire :
E (CRDi (n + 1)|Dn ) = 0
En date t = n, la meilleure estimation du CRDi (n + 1) est 0. Cependant, il est
important de connaître et mesurer de combien la réalisation du CDR à la fin de l’année
calendaire aura dévié de 0 (vision prospective).

Dans notre étude, nous nous intéressons à la vision prospective de l’erreur. Cette
vision est intéressante dans le cadre de la solvabilité dans la mesure où la compagnie
d’assurance doit détenir un niveau de capital suffisant pour faire face aux fluctuations du
CDR observable autour de 0. L’exigence de fonds propres doit permettre de couvrir les
réalisations du CDR dans 99, 5% des cas. Nous nous intéresserons donc principalement
à cette erreur de prédiction dans le cadre de ce mémoire.

Nous définissons alors l’erreur de prédiction dans ce cadre pour chaque année de sur-
venance i par :
 2 
ˆ i (n+1)|Dn (0) = E
M SEPCDR ˆ i (n + 1) − 0 |Dn
CDR
 2 
= E CDRi (n + 1) |Dn
ˆ

La méthode de M&W permet ainsi d’obtenir une estimation des deux premiers moments
ˆ i (n + 1)/Dn :
de CDR

• La moyenne de la distribution de CDR ˆ i (n + 1)/Dn est donnée par ubiais qui

est définie de la manière suivante :
 " n #!2 
X
u2biais = ÊDn  E ˆ i (n + 1)/Dn
CDR 
i=2
n 
X 2 X
= n
Ĉi,n ˆ ni,n + 2
∆ n
Ĉi,n n
Ĉk,n Λ̂nk,n
i=2 i>k>1

Où :  2 !2  2
n
σ̂n−i+1 /fˆn−i+1
n
X
n−1
Cn−j+1,j σ̂jn /fˆjn
ˆ ni,n =
∆ +
n
Sn−i+1 j=n−i+2
Sjn+1 Sjn
Et :
 2 !2  2
Ck,n−k+1
n
σ̂n−k+1 /fˆn−k+1
n
X
n−1
Cn−j+1,j σ̂jn /fˆjn
Λ̂nk,n = +
n
Sn−k+1 n
Sn−k+1 j=n−k+2
Sjn+1 Sjn

71
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Où Sjn et Sjn+1 sont définis respectivement par :



 X
n−j

 n


S j = Ci,j
i=1

 X
n+1−j

 n+1

 Sj = Ci,j
i=1

• La variance de la distribution de CDRˆ i (n + 1)/Dn est donnée par :

! n 
Xn X 2 X
V ˆar ˆ i (n + 1)/Dn =
CDR Ĉ n Γ̂n + 2 γ̂ n i,n i,n i,n
i=2 i=2 i>k>1

Où :
Γ̂ni,n = V ar (CDR(n + 1)/Dn )
  2     2  
n ˆn
σ̂n−i+1 /fn−i+1  Y 
n−1 n ˆn
σ̂l /fl 
 
= 1 + n  ∗  1 + n  − 1
Ci,n−i+1 l=n−i+2
Sl

Et :
 
n
γ̂i,n = Cov CDR ˆ i (n + 1), CDRˆ k (n + 1)/Dn
  2     2  
n ˆn
σ̂n−i+1 /fn−i+1  Y 
n−1 n ˆn
σ̂l /fl 
 
n
= Ĉi,J n
Ĉk,J ∗ 1 + n  ∗  1 + n  − 1
Ci,n−i+1 l=n−i+2
S l

Ainsi, nous obtenons à partir de l’estimation de ces premiers moments, l’erreur de

prédiction du CDR par 0 pour toutes années de survenances :
" n !#
X 2
ˆ ∑n ˆ
M SEP i=2
(0) = E
CDRi (n+1)/Dn
ˆ i (n + 1)/Dn
CDR
i=2
!
X
n
= u2biais + V ˆar ˆ i (n + 1)/Dn
CDR
i=2

Ainsi pour chaque année de survenance i, nous donnons la formule fermée de l’erreur
de prédiction dans le modèle de M&W :
 2  
ˆ
M SEP CDR n
ˆ i (n+1)/Dn (0) = Ĉi,n
ˆ n n
∆i,n + Γ̂i,n

Afin d’obtenir une approximation de la formule fermée de M&W, il est indispensable

d’introduire une nouvelle hypothèse aux hypothèses déjà présentées au début de cette
partie :
 2
n
σ̂n−i+1 /fˆn−i+1
n

n
≪1
Ci,n−i+1

72
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

2
(σ̂n−i+1
n /fˆn−i+1
n
)
Puisque les termes n
Ci,n−i+1
sont considérés comme des constantes positives, nous
obtenons une approximation pour la quantité Γ̂ni,n :
 2  2
n
σ̂n−i+1 /fˆn−i+1
n
X
n−1 σ̂ln /fˆln  2
Cn−l+,l
Γ̂ni,n ≈ +
n
Ci,n−i+1 l=n−i+2
Cl−i+1,j Sln+1

Nous obtenons alors la formule approximée suivante :

 2  
ˆ
M SEP CDR n
ˆ i (n+1)/Dn (0) = Ĉi,n
ˆ n n
∆i,n 0 + Γ̂i,n

Finalement, pour toutes années de survenance agrégées, nous obtenons :

X
n X h i
ˆ ∑n ˆ
M SEP (0) = ˆ
M SEP ˆ i (n+1)/Dn (0) + 2
n
Ĉi,n n
Ĉk,n Λ̂ni,n + ϕ̂ni,n
i=2 CDRi (n+1)/Dn CDR
i=2 k>i>1

Où :

!2  2  2
X
n−1
Cn−j+1,j σ̂jn /fˆjn n
σ̂n−i+1 /fˆn−i+1
n

ϕ̂ni,n = +
j=n−i+2
Sjn+1 n
Cn−j+1,j n+1
Si,n−i+1

Et :
 2 !2  2
Ck,n−k+1
n
σ̂n−k+1 /fˆn−k+1
n
X
n−1
Cn−j+1,j σ̂jn /fˆjn
Λ̂ni,n = n+1 n+1 +
Sn−k+1 Sn−k+1 j=n−i+2
Sjn+1 n
Cn−j+1,j

En simplifiant, nous obtenons l’approximation de la formule fermée de M&W :

X
n
ˆ ∑n ˆ
M SEP (0) = ˆ
M SEP ˆ i (n+1)/Dn (0)
i=2 CDRi (n+1)/Dn CDR
i=2
 2  2 
X n
σ̂n−i+1 /fˆn−i+1
n
X
n−1 σ̂jn /fˆjn
n n  Cn−j+1,j 
+2 Ĉi,n Ĉk,n  n+1 + n+1 n 
k>i>1
Sn−i+1 j=n−i+2
Sj Cn−j+1,j

Aspect pratique :

Nous appliquons ce modèle sur les données de la branche « Véhicules à usage de

tourisme – Corporel ». Les hypothèses de M&W sont les mêmes que celle de Mack. Les
hypothèses sont ainsi vérifiées (Voir ANNEXE).

Nous vérifions tout de même l’hypothèse d’approximation. Pour tout j ∈ [0, ..., 8], nous
2
(σ̂n /fˆn )
calculons les rapports Cjn j , les résultats se présentent comme ce qui suit :
n−j,j

73
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

0 1 2 3 4
fj 4.587 2.378 1.662 1.310 1.158
σj2 430 352 295 365 236 621 88 187 39 200
(σj /fj )2 /Cn−j,j 1.28 ∗ 10−2 8.54 ∗ 10−3 6.30 ∗ 10−3 3.10 ∗ 10−3 1.47 ∗ 10−3
5 6 7 8 9
fj 1.092 1.049 1.030 1.021
σj2 5 013 677 62 6
(σj /fj )2 /Cn−j,j 1.82 ∗ 10−4 2.55 ∗ 10−5 2.34 ∗ 10−6 2.06 ∗ 10−7

Tab. 5.9 : Détail des valeurs des rapports de l’hypothèse d’approximation

Nous remarquons que tous les rapports calculés sont largement inférieurs à 1, nous
validons ainsi l’hypothèse permettant l’approximation.

La racine de l’erreur commise à 1 an (M&W approché et exacte) et à l’ultime (Mack)

sont résumées dans le tableau ci-dessous :

M&W 1 an
Année SEP Mack (Ultime) SEP Approchée SEP Exacte
2010 0 0 0
2011 17 281 17 281 28 288
2012 51 865 49 723 49 723
2013 163 407 155 902 155 902
2014 453 514 423 550 423 551
2015 1 256 029 1 173 765 1 173 770
2016 2 261 448 1 852 633 1 852 673
2017 4 520 910 3 647 627 3 647 817
2018 6 482 575 4 539 348 4 539 948
2019 9 759 116 6 688 066 6 689 536
TOTAL 14 601 053 10 681 319 10 682 759

Tab. 5.10 : Récapitulation des résultats de Merz et Wütrich

L’erreur commise à un an dans les deux cas approchée et exacte peut être considérée
comme légèrement inférieure à celle réalisée à l’ultime. Nous pouvons même constater
que la différence entre SEP approchée et SEP exacte est assez négligeable. Nous adoptons
désormais SEP approchée dans le reste de nos calculs.

Ainsi, l’application du résultat exact de M&W obtenue ci-dessus nous permet de dé-
terminer l’indicateur de la volatilité des sinistres à un an dans le cadre de nos données :
q
ˆ ∑n ˆ
M SEP (0)
i=2 CRD i (n+1)/Dn
σprovisions =
RES
= 0.072146
σprovisions ≃ 7.21%

74
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Pn  
Notons que : RES = i=0 Ĉi,J − Ci,I−i

Ainsi, nous pouvons maintenant appliquer le choc afin de calculer le CSRP rovisions :

CSRP rovisions = 3σprovisions Vprovisions

= 3σprovisions M ESinistres
= 3 ∗ 7.21% ∗ 121 328 272
CSRP rovisions = 26 260 048 M AD

CSR Primes :

Le risque de prime représente le risque de sous-tarification, c’est à dire le risque que

les engagements pris envers les assurés aient été sous-évalués lors de la tarification des
différents produits. A posteriori, cela induirait que la prime demandée aux assurés sera
inférieure à la somme des prestations futures que l’assureur devra leur payer à la suite
des éventuels sinistres futurs.

Afin de calculer le CSR relatif à ce risque, il est indispensable d’estimer les écarts
type liés au risque de prime, et pour cela nous disposons de plusieurs méthodes (mé-
thode Log-Normale, Log-Normale simplifiée, méthode des moindres carrés,
méthode « Swiss Solvency Test »…). Nous détaillerons dans ce qui suit la méthode
Log-Normale simplifiée.

Aspect théorique
Notations et définitions :

• T : Nombre d’année d’historique (5 ⩽ T ⩽ 20) ;

• t : Indexation des années de survenance telles que t = 1, ..., T ;
• Xt : Primes acquises par l’exposition par année de survenance t ;
• Yt : Charge de sinistralité après la première année de développement par année de
survenance t ;
• β : Loss ratio attendu (S/P) ;
• σ 2 : Constante de proportionnalité de la variance de la charge de sinistralité.

La distribution de Yt est définie par la dynamique suivante :

p
Yt ∼ βXt + σ Xt ϵt

À partir de cette distribution, nous déduisons l’espérance et la variance de Yt :

E (Yt ) = βXt et V ar (Yt ) = σ 2 Xt

Hypothèses :
• La charge de sinistralité est proportionnelle au montant de primes acquises : E (Yt ) =
βXt ;
• Le loss ratio attendu est constant : β constant ;

75
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

• La variance de Yt est proportionnelle à la prime reçue : V ar (Yt ) = σ 2 Xt ;

• La distribution de Yt suit une loi Log-Normale de moyenne µt et de variance wt2 :
Yt ∼ LN (µt , wt2 ) ;
• La méthode du maximum de vraisemblance est appropriée.

Expression de l’espérance et la variance de la distribution de Yt :

L’espérance et la variance des variables aléatoires Yt sont définies par :
( 
E(Yt ) = exp µt + 0.5wt2






V ar(Yt ) = exp wt2 − 1 exp 2µt + wt2 = exp wt2 − 1 (βXt )2 = σ 2 Xt

Il est alors possible d’isoler les paramètres µt et wt2 de la loi de Yt :



 µt = ln (βXt ) − 0.5wt
2
 
σ2
 2
 wt = ln 1 + 2
β Xt
Fonction du critère d’estimation :
La fonction de vraisemblance est donnée par (avec f la fonction de densité de la loi
Log-Normale) :

Y
T
L (y1 , ..., yT |σ, β) = f (yt , σ, β)
t=1
( )
YT
1 − (ln(yt ) − µt )2
= √ exp
t=1
yt wt 2π 2wt2
La fonction de log-vraisemblance est alors donnée par :
( )!
YT
1 − (ln(yt ) − µt )2
ln (L (y1 , ..., yT |σ, β)) = ln √ exp
t=1
y t w t 2π 2wt2
!
X
T  √  (ln (yt ) − µt )2
= −ln yt 2π − ln (wt ) −
t=1
2wt2
Les paramètres σ et β sont donc calculés en maximisant la fonction de log-vraisemblance
ci-dessous (les parties de l’équation ne dépendant pas de σ et β peuvent être supprimées) :
!
XT
(ln (yt ) − µt )2
ln (L (y1 , ..., yT |σ, β)) = −ln (wt ) −
t=1
2wt2
Volatilité de l’erreur de tarification :
La volatilité de l’erreur de tarification est calculée par :

σ̂
σprime = p
Vprime

76
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Aspect pratique

Cette méthode suppose que les charges suivent une distribution log-normale. En utili-
sant le test de Shapiro-Wilk, nous obtenons le résultat R suivant :
Shapiro-Wilk normality test

data: log(table$[Link])
W = 0.86051, p-value = 0.153

Listing 8 : Test de normalité du log des charges ultimes

Nous remarquons clairement que la p − value est supérieure à 5%, ce qui nous pousse
à accepter l’hypothèse de la normalité.

Nous passerons ensuite au calcul des paramètres σ et β de la fonction de vraisemblance

après son optimisation, ce qui donne :
Call:
mle2(minuslogl = écart, start = list(beta = beta1, sigma = sigma1),
method = "Nelder-Mead", control = list(maxit = 5000,
trace = TRUE))

Coefficients:
beta sigma
0.3545558 614.0058320

Log-likelihood: 12.16

Listing 9 : Estimation des paramètres σ et β

Cela nous permet d’estimer enfin la volatilité du risque de prime qui est de :

σprimes = 6.34%

Ainsi, nous pouvons maintenant appliquer le choc afin de calculer le CSRP rimes :

CSRP rimes = 3σP rimes VP rimes

= 3 ∗ 6.34% ∗ 93 693 021, 44
CSRP rimes = 17 820 413 M AD

CSR Non Vie :

Le CSR relatif au risque de souscription non-vie se calcule selon la formule suivante :

sX
CSRN onV ie = Corrr,z CSRr CSRz Avec : r, z ∈ {P rimes, P rovisions, Catastrophe}
r,z

77
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Nous supposons que CSRCatastropheN onV ie = 0 et que la matrice de corrélation entre les
risques est la suivante :

Coeff. de corrélation Primes Provisions Catastrophe

Primes 1 0.5 0.25
Provisions 0.5 1 0.25
Catastrophe 0.25 0.25 1

Tab. 5.11 : Matrice de corrélation des risques de souscription non vie

Finalement, nous trouvons :

q
CSRN onV ie = CSRP2 rimes + 2 ∗ 0.5 ∗ CSRP rimes ∗ CSRP rovisions + CSRP2 rovisions
CSRN onV ie = 38 407 319 M AD

5.4.2 Marge de risque Non Vie

La relation de calcul de la marge de risque pour la souscription non vie est la même
que celle du cas de la souscription vie tout en se basant cette fois-ci sur le capital de
solvabilité requis non vie. Après projections du CSRN onV ie , nous trouvons :
M RN onV ie = 15 375 208 M AD

5.5 CSR
CSR de base (BCSR) :

Tout ce qui précède nous amène au calcul du CSR de base dont la relation principale
est la suivante :
sX
BCSR = Corrr,z CSRr CSRz
r,z

Avec : r, z ∈ {M arché, V ie, N on V ie, Concentration, Contrepartie}

Nous supposons que CSRConcentration = CSRContrepartie = 0 et que la matrice de

corrélation entre les risques est :

Coeff. de corrélation Marché Concentration Contrepartie Vie Non Vie

Marché 1 0 0.25 0.25 0.25
Concentration 0 1 0 0 0
Contrepartie 0.25 0 1 0.25 0.5
Vie 0.25 0 0.25 1 0
Non Vie 0.25 0 0.5 0 1

Tab. 5.12 : Matrice de corrélation des risques du CSR de base

78
Chapitre 5. Capital de Solvabilité Requis et Marge de Risque

Par conséquent, la valeur du CSR de base s’élève à :

q
arché + CSRV ie + CSRN onV ie + 2 ∗ 0.25 ∗ CSRM arché (CSRV ie + CSRN onV ie )
2 2 2
BCSR = CSRM
BCSR = 39 780 699 M AD

CSR opérationnel :

Selon la SBR, l’exigence de capital relative au risque opérationnel correspond à 30%

du capital de solvabilité requis de base.

CSRop = 30% ∗ BSCR

CSRop = 11 934 210 M AD

CSR :

La sommation de ces deux montants nous fournit la valeur finale du CSR que la
compagnie d’assurance devrait faire preuve de respecter :

CSR = BSCR + CSRop

= 39 780 698, 88 + 11 934 209, 66
CSR = 51 714 909 M AD

En suivant la méthode standard , nous retrouvons une valeur du CSR égale à 51 741
909 DHS . Ceci signifie que la compagnie devrait viser à avoir des fonds propres de ce
montant pour pouvoir honorer ses engagements dans l’année à venir sans risque de ruine
avec une probabilité de 99,5%.

79
Conclusion générale

L’Autorité de Contrôle du secteur des assurances et de la prévoyance sociale (ACAPS)

vise à travers la nouvelle réforme SBR à imposer des exigences qui tiennent compte de la
nature, de la taille et de la complexité du secteur des assurances, ce cadre réglementaire
est un atout considérable pour le secteur d’assurance au Maroc de par son ambition qui in-
citera les entreprises d’assurance à améliorer leurs connaissances en matière de gestion de
risque et ses diretives qui permetteront d’améliorer leur productivité et leur compétitivité.

Il fut donc important de tester l’impact de la nouvelle réforme sur les compagnies
d’assurance. Nous avons focalisé notre étude sur son premier pilier qui expose les
exigences quantitatives qui doivent être mises en vigueur. L’étude réalisée ici s’est fixé
comme objectif l’évaluation de ces exigences pour un produit d’assurance vie et une
garantie d’assurance non vie. Nous avons adopté une démarche méthodique en passant
par des étapes clés.

En premier lieu, nous avons procédé à la construction de la courbe des taux régle-
mentaire qui servira à l’actualisation des flux futurs dans le cadre de l’évaluation des
engagements. Nous avons ainsi pu construire la courbe empirique et avons enrichi notre
étude par une modélisation théorique de notre taux d’actualisation qui nous servira à
évaluer le risque de taux un peu plus tard.

En second lieu, nous avons valorisé les engagements pour un produit d’assurance
vie : Décès Emprunteur, et en non vie, nous avons opté pour la branche Véhicules
à usage de tourisme – Corporel. L’étude de ces produits exige l’évaluation des
meilleures estimations en faisant appel aux méthodes de provisionnement pour la branche
non vie et en se basant sur nos connaissances techniques et actuarielles cultivées grâce
au cours d’Assurance Vie.

Effectivement, pour le calcul de la meilleure estimation non vie, nous avons exposé en
détail cinq méthodes de provisionnement de sinistres et les différentes options qui peuvent
être utilisées avec une approche à la fois déterministe et stochastique. La méthode Chain
Ladder, bien que simple et classique, a été mise en avant suite à notre analyse. Ensuite,
en ce qui concerne le produit Décès Emprunteur, nous avons projeté les flux du passif
pour enfin calculer les provisions techniques prudentielles et avons pu testé la sensibilité
de la meilleure estimation des engagements aux phénomènes du remboursement anticipé
et de la résiliation.

80
Conclusion générale

Enfin, nous nous sommes servis de ces résultats pour pouvoir déterminer le capital de
solvabilité requis, ainsi que la marge de risque. Il est irréfutable que la circulaire émise
est l’un des projets les plus ambitieux de l’ACAPS. Néanmoins, cette dernière présente
toujours quelques lacunes, notamment par rapport aux taux de choc à appliquer, ce qui
nous a poussé à les estimer selon des modélisations stochastiques pour certains à adopter
les taux appliqués par la Solvabilité II. Ce travail peut donc être le point de départ
d’une évaluation plus scrupuleuse des exigences quantitatives sous la SBR en attendant
l’aboutissement de l’étude d’impacts quantitatives 2 (EIQ2).

81
Bibliographie

• Solvabilité basée sur les risques (SBR) : Spécifications techniques de la seconde

étude d’impacts quantitative (EIQ2), ACAPS, Version 01/10/2020

• Étude comparative de la nouvelle norme marocaine Solvabilité Basée sur les Risques
(SBR) et la norme Solvabilité II, AYOLA Komi Maza-Balo T, Octobre 2020

• IFRS 17: Enjeux et application à un contrat décès emprunteur, Salma KADIM &
Abdoulaye KONE, Septembre 2020

• Évaluation de l’incertitude dans le provisionnement d’une société d’assurance non-

vie monobranche, Christine BUI, 2016

Webographie

• https ://[Link]/

• http ://[Link]/

• https ://[Link]/

• http ://[Link]/

Cours

• F. Marri, ASSURANCE VIE, INSEA, 2020

82
Annexes

83
Annexe A

Courbes ZC

Maturité Taux ZC Marché Taux ZC Vašíček Taux ZC CIR

1 2.32% 2.33% 2.31%
2 2.37% 2.40% 2.37%
3 2.37% 2.47% 2.42%
4 2.38% 2.54% 2.48%
5 2.40% 2.61% 2.53%
6 2.44% 2.67% 2.59%
7 2.50% 2.74% 2.65%
8 2.56% 2.80% 2.70%
9 2.66% 2.87% 2.76%
10 2.72% 2.93% 2.82%
11 2.76% 2.99% 2.88%
12 2.83% 3.05% 2.94%
13 2.91% 3.11% 3.00%
14 2.99% 3.17% 3.07%
15 3.07% 3.23% 3.13%
16 3.16% 3.28% 3.20%
17 3.24% 3.34% 3.26%
18 3.30% 3.39% 3.33%
19 3.38% 3.45% 3.39%
20 3.45% 3.50% 3.46%
21 3.54% 3.56% 3.53%
22 3.63% 3.61% 3.60%
23 3.72% 3.66% 3.67%
24 3.82% 3.71% 3.75%
25 3.92% 3.76% 3.82%
26 4.03% 3.81% 3.89%
27 4.14% 3.86% 3.97%
28 4.25% 3.91% 4.04%
29 4.37% 3.95% 4.12%
30 4.50% 4.00% 4.20%

Tab. A.1 : Détail de l’estimation de la courbe zéro-coupon

84
Annexe B

Hypothèses de Chain-Ladder

(H1) : Pour vérifier l’hypothèse (H1), nous allons comparer fij à f¯.j . Nous obtenons ainsi
les figures suivantes :

Fig. B.2 : Vérification de l’hypothèse (H1) de Chain-Ladder

85
Annexe B. Hypothèses de Chain-Ladder

D’après ces figures, nous constatons que les fij à f¯.j ne sont pas complètement
confondus surtout pour j = 0, cependant l’écart entre l’évolution des deux par année de
développement est assez négligeable. Nous pouvons conclure la stabilité des facteurs de
développement et par conséquent l’hypothèse (H1) de Chain Ladder est vérifiée.

(H2) : Cette hypothèse porte sur la linéarité entre les paiements cumulés. Il s’agit donc
de vérifier si les points (Ci,j , Ci,j+1 ) sont sensiblement alignés sur une droite passant par
l’origine. Pour cela, nous avons tracé les figures suivantes :

Fig. B.4 : Vérification de l’hypothèse (H2) de Chain-Ladder

À partir de ces graphes, nous constatons que les points (Ci,j , , Ci,j+1 ) sont presque
alignés sur une même droite et c’est seulement pour les premières années de développe-
ment que certains points se détachent de la droite de régression. De ce qui précède, nous
concluons que l’hypothèse H2 de Chain Ladder est presque vérifiée.

86
Annexe C

Hypothèses de Mack

(H1) : Pour vérifier l’hypothèse d’indépendance des paiements cumulés (H1), nous allons
utiliser un test d’indépendance en comparant les facteurs de développement individuels
à la médiane par année de survenance.

La première étape consiste à déterminer les facteurs de développement individuels :

0 1 2 3 4 5 6 7 8
2010 4.309 1.979 1.699 1.324 1.176 1.112 1.045 1.029 1.021
2011 4.691 2.285 1.602 1.376 1.220 1.092 1.048 1.031
2012 4.007 2.228 1.779 1.415 1.173 1.086 1.055
2013 4.024 2.478 1.946 1.318 1.121 1.077
2014 4.179 2.768 1.566 1.267 1.109
2015 5.642 2.418 1.722 1.199
2016 4.787 2.735 1.449
2017 5.792 2.233
2018 4.115

Tab. C.1 : Triangle des facteurs de développement individuels

Nous remplaçons dans l’étape suivante par 1 tous les facteurs de développement indi-
viduels supérieurs ou égaux à la médiane et par 0 sinon. Nous obtenons donc le triangle
suivant :

0 1 2 3 4 5 6 7 8
2010 1 0 1 1 1 1 0 0 1
2011 1 0 0 1 1 1 1 1
2012 0 0 1 1 1 0 1
2013 0 1 1 0 0 0
2014 0 1 0 0 0
2015 1 1 1 0
2016 1 1 0
2017 1 0
2018 0

Tab. C.2 : Triangle des valeurs affectées aux facteurs de développement individuels

87
Annexe C. Hypothèses de Mack

Pour chaque année de développement j, nous considérons les variables suivantes :

• βj : Nombre d�occurence de 0 pour l’année j ;

• γj : Nombre d�occurence de 1 pour l’année j ;

• θj : Le minimum entre βj et γj ;

D’après Mack, θj suit asymptotiquement une loi binomiale de paramètres

1 nj − 1
B(nj = βj + γj , p = ). Nous notons : mj = .
2 2
L’espérance et la variance de cette variable s’écrivent :


  

 nj (nj − 1)! nj


 E[θj ] = 2 − m !(n − 1 − m )! ∗ 2nj
j j j

  

 − − nj (nj − 1)

 V ar[θj ] = n j (n j 1) (n j 1)!
 − ∗ + E[θj ] + E[θj ]2
4 mj !(nj − 1 − mj )! 2n j

La statistique de test est donc définit par :

P P
j θj − E[ j θj ]
t= q P
V ar[ j θj ]
hP i P hP i
Sous l’hypothèse (H0), nous donnons : E θj = E[θj ] et V ar θj =
P j j j

j V ar[θj ].

Les résultats obtenus sont regroupés dans le tableau suivant :

j βj γj θj nj mj E(θj ) V ar(θj )
0 4 5 4 9 4 3.27 22.12
1 4 4 4 8 3.5 2.84 16.73
2 3 4 3 7 3 2.41 12.13
3 3 3 3 6 2.5 1.98 8.31
4 2 3 2 5 2 1.56 5.25
5 2 2 2 4 1.5 1.15 2.93
6 1 2 1 3 1 0.75 1.31
7 1 1 1 2 0.5 0.36 0.36

Tab. C.3 : Résultats du test d’indépendance

La statistique calculée est donc

(20 − 14.32)
t= √ = 0.68 < 1, 96
69.15
Nous acceptons ainsi l’hypothèse d’indépendance (H0).

88
Annexe C. Hypothèses de Mack

(H2) : Cette hypothèse est la même que celle validée précédemment dans le cas de Chain
Ladder. Elle suppose la linéarité des règlements cumulés par année de survenance.
(H3) : Elle s’interprète graphiquement par le fait que pour une année de déroulement j
données la représentation des points (Ci,j ; Di,j ) doit être non structurée.

Fig. C.2 : Vérification de l’hypothèse (H3) de Mack

Des graphes ci-dessus, nous constatons qu’aucune tendance n’est observée et ce pour
toutes les années de développement. L’hypothèse est clairement vérifiée.

89