Vie 1

Analyse de la rentabilité de contrats d’assurance vie
à garanties complexes sous Solvabilité II

Thomas Anglade
Kévin Masset
Encadrants :
Marc Raymond
Benoît Menoni
Arthur Charpentier
Groupe de travail ENSAE - Mémoire d’actuariat
Année scolaire 2011-2012

28 mai 2012
2
ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Remerciements
Nous souhaitons remercier vivement les encadrants de ce groupe de travail Marc Raymond,
directeur du département actuariat de SIA Conseil, et Benoît Menoni, manager, pour leur accueil
chaleureux au sein de leur équipe, et leur encadrement régulier. Nous leur sommes reconnaissants
pour le temps qu’ils ont passé à nous guider, à nous aider et à répondre à nos questions tout au
long de cette année.
Nous tenons aussi à remercier Arthur Charpentier pour nous avoir proposé de travailler avec
SIA Conseil, et nous avoir orientés sur le choix du sujet de ce mémoire.
Nous sommes enfin reconnaissants envers le responsable de la filière Actuariat à l’ENSAE
ParisTech Donatien Hainaut, ainsi que toute son équipe enseignante, qui, à travers les différents
enseignements, nous a donné les connaissances nécessaires à la rédaction de ce mémoire. Nous
tenons en dernier lieu à remercier Xavier Milhaud, notre correspondant à l’ENSAE, qui s’est
toujours tenu à notre disposition pour répondre à nos questions.
I
II

Résumé
Comme la plupart des marchés, l’assurance vie est soumise aux règles de la concurrence : les
assureurs et les bancassureurs doivent perpétuellement rechercher des produits innovants pour
répondre aux exigences de leurs clients et faire face à la concurrence. Les Variable annuities
en sont un bon exemple. Mais elles ne sont pas seules : en effet depuis quelques années, les
acteurs du marché de l’assurance vie proposent des produits financiers multipliant les garanties
complexes. Les contrats à fenêtre ou les fonds à formule en sont un bon exemple. Sous couvert
d’un certain nombre de garanties, et conditionnellement à la performance d’un fonds, l’assuré
se voit offrir un rendement élevé, généralement fixé contractuellement. Dans ce mémoire, nous
souhaitons proposer une analyse actuarielle approfondie de ce type ces garanties, et donc de ces
contrats complexes. Nous souhaitons en particulier en étudier les stratégies permettant de faire
face à ces engagements, et le coût de ces dernières.
Mais la réforme Solvabilité II nous incite à aller plus loin dans notre démarche en mettant
en place un outil de simulation de type modèle interne. Nous proposons à ce titre un modèle de
taux d’intérêt qui prend appui sur le modèle à changement de régime, et s’inspire de la théorie
économique.
Nous montrons la nécessité d’une allocation dynamique du portefeuille d’actif afin de garantir
une performance intéressante quelle que soit la trajectoire de l’actif sous-jacent. En particulier,
une réallocation sur le principe des anticipations statiques donne de bons résultats. Dans le
cadre de contrats à durée fixe avec une formule de calcul de la performance liée aux valeurs
prises par l’indice sous-jacent sur la période, la méthode consistant à conserver une allocation
de portefeuille constante, domine toutes les autres stratégies étudiées.
Mots − clefs : Garanties financières complexes, contrat à fenêtre, fonds à formule, unités
de compte garanties, déflateurs, rendement, Solvabilité II, assurance vie, CPPI, OBPI, modèles
à changement de régime, anticipation statique, allocation d’actif, gestion de portefeuille.
III
IV

Abstract
As any other market, life insurance is governed by competition : banks and insurance com-
panies have to develop innovative products in order to satisfy their client’s needs, like Variable
Annuities. For the last few years, lots of contracts with highly-sophisticated guarantees have
been emerging, like window-contracts or formula-based contracts. They offer a lot of guarantees
and a high contractual yield, conditionnal on the performance of an underlying asset. The aim
of this actuarial thesis is to analyse the different types of guarantees in an actuarial manner,
and to determine the optimal strategies that allow the insurer to face his commitments.
This analysis is done in the Solvency II framework, with an internal model approach : we imple-
mented an asset and liability management simulation tool and an economic scenario generator,
in order to mesure the risk in a stochastic way. This tool includes a regime-switching interest
rate model based on economic theory of static anticipation, and a lognormal regime-switching
model for the risky asset.
In order to guarantee a good performance in the case of random-maturity contracts, we show
the need for a dynamic hedging strategy. We also show that the static anticipation principle
gives the best results. On the other hand, we prove that for fixed-length contracts, the constant
portfolio allocation is better than any other strategies. We use Monte-Carlo simulations to de-
termine the optimal allocation, and observe that futures contracts contribute to reduce the risk,
but also the average profitability.
Keywords : Complex financial guarantees, formula-based funds, structured funds, deflator,

yield , Solvency II, life insurance, portfolio strategy, CPPI, OBPI, regime-switching models,
static anticipation.
V
VI

Note de synthèse
Introduction
Dans cet article, nous proposons une analyse de la rentabilité des contrats à garanties com-
plexes dans le référentiel Solvabilité II. Les options et garanties des contrats retenues pour cette
étude sont les suivantes :
– Garantie plancher totale ou partielle.
– Calcul de la performance déduite de l’application d’une formule sur les rendements consta-
tés de l’indice de référence au cours de la durée de vie du produit.
– Garantie cliquet : certains contrats à fenêtre intègrent une garantie cliquet, déclinée selon
plusieurs variantes.
– L’option de rachat.
– Durée de vie du contrat : certains produits présents sur le marché possèdent une durée de
vie aléatoire, déterminée, elle aussi, selon la performance du sous-jacent.
– Plafonnement de la performance : l’assureur peut choisir de ne reverser qu’une partie de
la performance générée par le fonds à l’assuré.
Conscients des nombreux enjeux de ces produits d’assurance vie, nous veillons à faire cette
analyse à l’aune de la nouvelle règlementation du marché des assurances. En effet, la réforme
Solvabilité II contraint les assureurs à mettre en place un modèle interne pour déterminer le
montant de capital économique afin de faire face à un risque de perte de 99,5% à horizon d’un
an.
Le modèle interne permet de simuler le bilan de l’assureur sous l’angle des risques considérés,
ce qui nécessite une étude des modèles d’actifs de la compagnie, ainsi que leur calibrage et
l’implémentation dans un générateur de scénarios économiques. Ce générateur nous a permis de
déterminer le capital économique à horizon 1 an associé à ces produits (dont la durée de vie
est généralement proche de 8 ans). La valorisation des flux générés par ces contrats nécessite
de se placer en univers risque neutre, c’est pourquoi nous utilisons la méthode des déflateurs,
qui sont des facteurs d’actualisation stochastiques permettant d’intégrer la prime de risque et
de travailler dans un cadre Market consistent. Ces différents outils nous permettent de définir
les méthodes de gestion de portefeuille adaptées à la couverture des engagements de l’assureur.
Nous complétons donc notre étude en déterminant le coût des différentes garanties et l’allocation
stratégique optimale.
Voici un récapitulatif des différents points étudiés :
– la rentabilité et le coût de chaque garantie,
– l’impact réel de Solvabilité sur ces derniers points,
– l’allocation stratégique optimale,
– les sensibilités des paramètres du modèle.
Le plan de cette note de synthèse est organisé comme suit : l’étude des contrats à garanties
complexes (section 1) sous Solvabilité II passe par la mise en place d’un Générateur de Scénarios
Économiques (section 2) et d’un outil de gestion Actif/Passif (ALM) (section 3) qui permettent
d’évaluer la rentabilité des différentes garanties complexes (section 4), et enfin de conclure.
VII
VIII
1 - Une étude centrée sur les contrats à garanties complexes

Les contrats à fenêtre et les fonds à formule sont des exemples de produits d’assurance
à garanties complexes présents sur le marché de l’assurance. Nous présentons ci-dessous une
définition de ce terme ainsi qu’une étude de marché de ces contrats.
Définition générale des contrats à fenêtre

Un contrat à fenêtre, ou un fonds à formule 1 , est un produit de placement dont la durée et
les rendements sont contractuels et conditionnels à la performance d’un fonds, déterminée selon
une formule de calcul connue à la création du contrat. La durée de vie du contrat peut être
aléatoire et dépendre de la performance du fonds à chaque date anniversaire du contrat. Plusieurs
contrats proposent le mécanisme de sortie automatique suivant : si le niveau de l’indice sous-
jacent à la date anniversaire est supérieur à son niveau initial, le contrat s’arrête et la formule
de calcul est appliquée afin de connaître le montant reversé par l’assureur. Dans le cas contraire,
le contrat est prolongé d’un an, et ce, un nombre limité de fois (3 à 8 ans généralement). La
performance du produit étant partiellement décorrélée de celle du sous-jacent, ce contrat peut
exposer l’assureur à un risque. En effet, de nombreux produits fonctionnant selon ce mécanisme
proposent une revalorisation annuelle proche de 7% de l’épargne. Si le contrat s’arrête au bout de
4 ans avec une performance de l’indice égale à 10% sur cette période, l’assureur doit néanmoins
servir une revalorisation de 4 × 7% = 28%. A titre d’illustration, ce type de contrat à fenêtre est
schématisé sur le graphique 5.
Figure 1 – Schéma illustratif d’un contrat à fenêtre
Présentation des contrats à fenêtre présents sur le marché français

Nous présentons à présent dans le tableau récapitulatif 2 certains contrats présents sur le
marché 2 , et qui regroupent les différentes garanties généralement offertes.
1. Ce type de produit est abordé dans [53] et plus nettement dans [55] et [5]
2. Pour plus de détails sur les différents produits que nous avons étudiés, nous nous référerons à [77], [80], [79],
[78], [71], [72], [73], [74], [75], et [76]

IX
Triple horizon M98 Opportunité Zen

Vendeur LCL BNP Paribas Groupama
Sous-jacent Eurostoxx 50 Eurostoxx 50 Eurostoxx 50
Frais d’entrée 2,5% 5% (maximum) -
Frais annuels 3% 1,4% -
Durée 3 ans 2 ans et 4 mois 8 ans
Conditions de sortie Performance annuelle positive Aucune Aucune
1% tous les trimestres
Frais de rachat 0% Pas de rachat possible
3% sinon
Effet cliquet de 5.85%
98% × VL 3 + 65% de acquis chaque année
Nombre d’années de la moyenne
Performance de performance positive
contrat × 7,25% + VL des performances posi- (dans la limite de
tives 46.80%)
Dans la limite d’une
Garantie plancher baisse de 50% de l’in- 98% × VL 112% × VL
dice
Effet cliquet Non Non Oui
Plafond Oui Non Oui
Table 1 – Tableau récapitulatif de contrats à fenêtre offerts sur le marché
2 - Modèles d’actifs
Dans cette section, nous présentons la démarche adoptée pour l’analyse des contrats à garan-
ties complexes, puis nous introduisons les modèles d’actifs retenus et les déflateurs stochastiques
associés à cette modélisation.
Démarche
Pour étudier les garanties des contrats à fenêtre dans le référentiel Solvabilité II, nous avons
mis en place un générateur de scénarios économiques et un outil de valorisation des contrats
permettant notamment de calculer le capital économique 4 . Cette démarche peut être représentée
à l’aide du schéma 6.
Le générateur de scénario économique simule l’évolution d’une économie composée de deux

titres : un actif risqué de type action, et un actif sans risque obligataire. Nous avons donc
implémenté deux modèles que nous présentons dans le paragraphe suivant.
Le modèle action
Pour modéliser le cours de l’actif risqué, nous avons utilisé le modèle à changement de régime,
présenté par Mary Hardy (2001)[40]. Il présente l’avantage d’être simple, car directement déduit
du modèle de Black&Scholes[9]. Ce modèle est basé sur le postulat suivant : l’économie modélisée
évolue en alternant les phases calmes de croissance, et les phases de crise. Des études empiriques
4. Le capital économique est sous Solvabilité II le montant en fonds propres qui est nécessaire pour éviter la
faillite de l’assureur dans 99,5% des cas à horizon 1 an.

X
Figure 2 – Approche adoptée
ont montré que ce modèle s’ajuste bien aux données et aux cycles économiques. Il est décrit par
l’équation (5).
dSt
= µSηt dt + σηSt dBt . (1)
St
où Bt est le mouvement brownien, ηt est le régime qui s’applique à la période 5 [t; t + 1[, et µSη et
σηS sont des constantes, représentant respectivement la tendance et la volatilité de l’actif risqué
dans chacune des deux périodes.
Le modèle taux d’intérêt

Pour la modélisation des taux d’intérêt, nous proposons un modèle à changement de régime
avec un retour naturel à la moyenne de long terme bnat , une tendance cη et une volatilité σηT X
propres à chaque régime.
√
drt = [anat (bnat − rt ) + cηt rt ]dt + σηTtX rt dBt . (2)
Nous justifions et théorisons son emploi dans notre mémoire. En conservant les mêmes notations
que précédemment, notre modèle peut se réécrire sous la forme d’un modèle de Cox-Ingersoll-
Ross (CIR)[27] dans lequel chaque constante dépend du régime :
√
drt = αηt (βηt − rt )dt + σηTtX rt dBt (3)
anat bnat
avec αηt = anat − cηt et βηt =
anat − cηt
Dans cette modélisation, la corrélation entre l’actif sans risque et l’actif risqué est double.
– Les mouvements browniens sont corrélés linéairement.
5. Dans notre cadre, cette variable ne peut prendre que deux modalités car il n’y a que deux régimes possibles
dans l’économie

XI
– Il n’y a qu’un unique régime dans l’économie à un moment t donné : lorsque les actions
sont en crise, les taux d’intérêt le sont aussi.
Des probabilités de transition modélisent le changement de régime. Afin d’accroître les possibi-
lités du modèle, il pourrait être intéressant de disposer de probabilités de transition propres à
chaque actif, et corrélées entre elles.
Les déflateurs
Solvabilité II impose de calculer le capital économique à horizon 1 an. Cependant, la durée de
vie des contrats à garanties complexes est généralement bien supérieure à cet horizon (souvent
comprise entre 3 et 8 ans). Il faut dès lors se placer en univers risque neutre pour évaluer les
cash flows futurs générés par le contrat au-delà de la première année. Plusieurs méthodes sont
possibles, et nous avons choisi d’effectuer nos simulations sous la probabilité historique, puis
d’effectuer le changement d’univers grâce aux déflateurs stochastiques.
La méthode des déflateurs 6 est compatible avec la valorisation du capital économique sous
Solvabilité II. Elle consiste à appliquer une fonction d’actualisation stochastique qui tient compte
de l’aversion au risque contenue implicitement dans la valeur de marché des actifs risqués. Cette
approche est ainsi cohérente et réaliste au cours des simulations. Elle est cohérente avec les prix
observés initialement sur le marché [30], contrairement à l’approche sous probabilité risque neutre
qui n’est pas "Market Consistent" [29]. De façon mathématique, il est possible de caractériser de
façon unique 7 le déflateur grâce à la propriété suivante : le prix déflaté de tout titre de l’économie
est une martingale sous la probabilité risque neutre. En conservant les mêmes notations 8 , cette
caractérisation conduit à la formule (5.16).
K (s, rs , ηt )
Z t Z t 2 Z t Z t !
λ λ √
Dt =exp −(1 + ) rs ds − ds − rs dBs − K(s, rs )dBs⊥
2(σηTtX )2 0 0 2 σηTtX 0 0
(4)
√
λ rt S
rt − µSηt + σ ρ
σηTtX ηt
avec K(t, rt , ηt ) = −
1 − ρ2
p
σηSt
3 - Des stratégies de gestion de portefeuille

Les produits à garanties complexes sont indexés sur un indice de référence 9 . L’émetteur est
exposé à un risque lié à cet indice, ainsi qu’à un risque portant sur les taux d’intérêt. Il est donc
important qu’il mette en place une stratégie de gestion de portefeuille. Nous mentionnons ici les
différentes stratégies que nous avons analysées.
Stratégie Constant Mix
Cette stratégie considère l’investissement de long terme comme la meilleure stratégie. Une
proportion constante de la richesse α est investie dans l’actif risqué, et ce à chaque phase de
réallocation du portefeuille. Cette stratégie est intéressante si les phases de baisses et de fortes
volatilités sont compensées par les phases de rendement positif. Néanmoins, suivant les types de
garanties, cette stratégie peut devenir très risquée.
Stratégie Constant Proportion Portfolio Insurance (CPPI)
6. Décrite dans [61], [30] et [29].

7. Dans un marché en situation d’absence d’opportunités d’arbitrage
8. Par ailleurs, nous posons λ une constante dans l’expression du prix de marché du risque de taux.
9. Parfois sur un panier d’actions.

XII
Cette stratégie consiste à investir à tout moment une proportion constante de la richesse en
actifs risqués, proportionnelle à un "coussin", déterminée selon l’appétence au risque de l’assu-
reur. Le reste de l’épargne (le plancher) est investi en actif sans risque. Le plancher correspond
à la valeur actualisée de l’engagement au terme.
Stratégie Option Based Portfolio Insurance (OBPI)
L’OBPI est une stratégie de couverture des risques à l’aide d’une détention simultanée de
l’actif risqué et d’options financières sur ce dernier. Ces options permettent de couvrir les pertes
enregistrées. Nous implémentons par exemple une stratégie consistant à investir toute l’épargne
en actifs risqués, et acheter des options de vente afin de nous prémunir contre la baisse.
Stratégie Constant Mix avec anticipations statiques
Dans le cadre du modèle économique des anticipations statiques, nous proposons une stra-
tégie de gestion dynamique basée sur une réallocation massive du portefeuille lorsque les prix
passés semblent indiquer une période de crise, ou une reprise. Ainsi notre règle d’investissement
est définie de la façon suivante :
Si la performance de l’indice a été positive le dernier mois, nous adoptons une allocation stra-
tégique avec un pourcentage d’actions très important. Dans le cas contraire, nous adoptons une
démarche prudente et investissons la quasi-totalité de l’épargne en obligations. Nous nous don-
nons la possibilité d’investir plus que le montant de l’épargne en obligations, en vendant des
actions à découvert.
L’utilisation de contrats à terme
Confrontés au prix élevé des options, nous avons enfin étudié la possibilité d’utiliser des
contrats à terme 10 à des fins de couverture. En effet, en tant que contrat non optionnel, le prix
d’un contrat à terme est par définition nul lors de sa création.
4 - Résultats
Nous présentons dans cette section les résultats principaux mis en évidence lors de l’étude
de deux types de contrat :
– un contrat à durée fixe de 8 ans avec une performance corrélée à l’actif de référence.
– un contrat à durée aléatoire, de 3 ans au maximum.
Afin de comparer les stratégies entre elles, nous utilisons le processus suivant. Pour chaque simu-
lation, nous projetons les flux générés par le contrat. Nous définissons une mesure de rentabilité
permettant de valoriser ces flux. Nous obtenons donc une distribution des valeurs prises avec
cette mesure, dont nous évaluons le risque à l’aide d’une mesure de risque adaptée. Pour mesu-
rer le capital économique sous Solvabilité II, nous considérons la VaR à 99.5%. Nous choisissons
la New Business Value et éventuellement le RAROC 11 pour mesurer la rentabilité, et nous
intégrons également la Tail Value-at-Risk dans notre analyse.
Quelles sont les allocations optimales ?

Nous présentons ici nos résultats principaux pour nos deux types de contrats.
– Contrat à durée fixe égale à 8 ans : au terme du contrat, la performance est calculée
selon la formule suivante : L’assuré bénéficie d’une garantie plancher, et son capital est
revalorisé d’un pourcentage égal à 70% de la moyenne arithmétique des performances de
l’indice sous-jacent aux dates de constatation semestrielles. Lors du calcul de la moyenne,
10. Nous rappelons qu’il s’agit d’un engagement à acheter ou de vendre un actif à un prix fixé en date initial,
mais l’échange n’est concrétisé qu’à une date ultérieure.
11. Risk Adjusted Return On Capital

XIII
Figure 3 – Résultats donnés par la stratégie constant mix.
une performance n’est retenue que si elle est supérieure à toutes les performances enregis-
trées jusque-là. L’analyse des stratégies à allocations constantes nous amène à la conclusion
suivante : il n’y a pas stratégie qui domine toutes les autres, c’est-à-dire qui est optimale
en terme de New Business Value, de Value-at-Risk, et de Tail Value-at-Risk. Néanmoins,
ces deux critères de risques sont simultanément minimisés pour un investissement composé
à 17% d’actions et à 83% d’obligations. Nous représentons sur la figure 7.1 nos différents
indicateurs en fonction de l’allocation cible.
L’utilisation des contrats d’achat (de vente) à terme permet de couvrir l’assureur contre
le risque de hausse (de baisse) de l’actif risqué. La encore, il est impossible de trouver une
stratégie optimale pour les trois critères considérés, mais nous constatons que l’ajout de
contrats à terme 12 à la stratégie 83% d’obligations et 17% d’actions permet une diminu-
tion du risque supporté. Les stratégies CPPI ne fournissent pas de bons résultats pour ce
type de contrat, et ce quelle que soit la valeur du coussin. En effet, pour toute stratégie
CPPI, il est possible de déterminer une stratégie à allocations constantes présentant une
New Business Value plus élevée, ainsi qu’une Value-at-Risk et une Tail Value-at-Risk plus
faibles.
La méthode OBPI fournit des résultats intéressants en terme de rentabilité mais elle ex-
pose l’assureur à un risque de marché important, et conduit donc à un capital économique
(mesuré par la Value-at-Risk à 99.5%) trop élevé.
– Contrat à durée aléatoire : nous considérons ici un contrat dont le mécanisme de
fonctionnement est le suivant : La durée maximale du contrat est de 3 ans. A chaque fin
d’année, si le niveau de l’indice sous-jacent au contrat est supérieur au niveau initial, le
contrat se termine automatiquement et l’épargne de l’assuré est revalorisée de 7.25% par
an. Si le niveau de l’indice au terme du contrat est inférieur au niveau initial, l’assuré
12. En faible nombre

XIV
bénéficie d’une garantie plancher, sauf si la baisse est supérieure à 50%. Dans ce cas,
l’assuré récupère 200% de la valeur du fonds.
Les stratégies étudiées précédemment 13 fournissent de mauvais résultats avec une rentabi-
lité moyenne très faible voire négative et une Value-at-Risk très élevée, approximativement
5 fois supérieure aux montants obtenus pour le contrat à durée fixe.
Seule une stratégie dynamique permet dans ce cadre de trouver un compromis risque-
rentabilité acceptable : la stratégie Constant Mix avec anticipations statiques. La stratégie
optimale est la suivante : La composition du portefeuille est modifiée mensuellement. Si la
performance de l’actif risqué a été positive au cours du dernier mois, l’allocation cible est
de 84% d’actions et 16% d’obligations. Au contraire, si celle-ci a été négative, l’allocation
est de 129% en obligations et 29% en actions. L’assureur vend donc des actions à décou-
vert. La distribution des valeurs de rentabilité associées à cette stratégie est présentée dans
la figure 7.11.
Figure 4 – Distribution des New Business Value pour la stratégie Constant mix avec anticipa-
tions statiques, avec pactions = 84% et pobligations = 129%.
Quel coût pour les différentes garanties ?

A partir de ces résultats, nous pouvons analyser le coût des différentes garanties de la manière
suivante : Nous retirons la garantie du contrat, nous déterminons la nouvelle stratégie optimale,
et nous comparons les écarts en terme de rentabilité et de capital à immobiliser. Pour le contrat à
durée fixe, les résultats montrent que c’est le plafonnement de la performance à hauteur de 70%
de la moyenne arithmétique qui a le coût le plus important pour l’assureur : sans cette clause,
le contrat n’est plus viable économiquement. La garantie cliquet (ne retenir une performance
que si celle-ci est supérieure à toutes les performances retenues jusqu’ici) à un coût beaucoup
plus faible pour l’assureur. Pour le contrat à durée aléatoire, nous analysons le coût de chaque
pourcentage de revalorisation annuelle de l’épargne pour tenter de répondre à la question : que
se passe-t-il si le taux passe de 7.25% à 6.25% ou 8.25% ? Les résultats indiquent que l’évolution
de la rentabilité et du capital à immobiliser varie linéairement en fonction de ce pourcentage,
13. Allocations constantes, CCPI et contrats à terme

XV
et que le montant de capital est plus fortement impacté que la New Business Value moyenne.
Nous analysons aussi le coût de la garantie plancher dans la limite d’une perte de 50%.
Conclusion
Ce mémoire nous a donné l’opportunité d’analyser une classe spécifique de produits présents
sur le marché de l’assurance vie : les contrats à garanties financières complexes. Notre étude a
pour objectif de déterminer la stratégie optimale associée à chaque type de contrat, ainsi que
l’impact sur la rentabilité et le capital économique des garanties présentes dans ces contrats.
Pour répondre à ces questions, nous avons mis en place un outil de simulation. Ce dernier
comprend un générateur de scénarios économiques (GSE) et un outil de gestion actif-passif
(ALM). Le GSE permet de simuler l’évolution d’une économie à deux titres par l’intermédiaire
de modèles à changement de régime, reflétant l’instabilité actuellement observée sur les marchés
financiers. Le modèle ALM intègre différentes stratégies de gestion de portefeuille, adaptées aux
spécificités de chaque contrat. Les simulations effectuées dans le cadre de deux types de produits
(à durée fixe et à durée aléatoire) nous amènent à différentes conclusions.
– Dans le cadre des contrats à durée aléatoire, la stratégie dynamique basée sur la théorie
des anticipations fournit les meilleurs résultats. C’est celle qui permet de capter au mieux
le risque auquel est exposé l’assureur.
– La stratégie CPPI n’est optimale pour aucun des deux types de contrat : son fonctionne-
ment est trop rigide et non adapté aux contrats à garanties complexes.
– Pour les contrats à durée fixe (8 ans), la stratégie Constant mix fournit un bon compromis
entre risque et rentabilité. Le risque peut être diminué en intégrant des contrats à terme.
– L’utilisation de produits dérivés permet de générer une rentabilité importante sur les deux
types de contrats, mais elle expose l’assureur à un risque très élevé. Le capital économique
associé est donc trop important, ce qui pénalise la rentabilité.
– Les garanties présentes dans les contrats ont toutes un impact spécifique sur la rentabilité
et le capital économique.
Afin de compléter cette étude, il pourrait être intéressant de considérer le risque de défaut
et de contrepartie. Ces derniers peuvent prendre une place prépondérante dans les situations
de crise économique. Nous pourrions, par ailleurs, observer l’influence de l’introduction d’un ré-
gime intermédiaire dans la modélisation de l’actif, traduisant une situation calme de l’économie.
En outre, une comparaison plus poussée entre valeurs de capital à immobiliser au sens de la
formule standard de Solvabilité II et les valeurs de capital économique obtenues permettrait de
déterminer quel type de contrats à garanties financières complexes possède un réel attrait dans
le nouveau référentiel prudentiel européen.

XVI

Synthesis note
Introduction
In this article, we analyse the return on life insurance products with complex financial gua-
rantees in the Solvency II framework.
The Options and guarantees we studied are listed below.
– Partial or full capital guarantee.
– Guarantees on the return : the return is calculated with a contractual formula, taking as
inputs point-in-time values of the underlying asset.
– Ratchet guarantee : we observe different definitions of the ratchet guarantee, depending
on the contracts.
– The surrender withdrawal mecanism.
– Contract duration : some contracts have a random duration, depending on the underlying
asset.
– Fund return capped : insurers choose to give only a fraction of the benchmark returns.
This analysis has to be done in the Solvency II framework. As a matter of fact, Solvency
II penalizes the risks taken by the insurer, which reduces the profitability of these products. It
also encourages insurers to develop an internal model in order to measure the economic capital
required to guarantee the one-year solvency with a 99.5% probability.
This model requires the simulation of the insurer’s risky assets. To do so, we implemented an
economic scenario generator, which capture the market risk. This allowed us to determine the
one-year economic capital. The financial products have a larger maturity and we need to value
all the cash-flows that they will generate in order to build our estimation of next year liabilities.
This is why this study needs to be done under the risk-neutral world. Thanks to the state-price
deflators, we are able to switch between historical and risk-neutral probability measure. We then
define dynamic hedging strategies in order to study the optimal portfolio allocations and also
to quantify the cost of each financial guarantee. We also study the sensitivity of the results to
the model’s parameters.
To resume, the analysis of products with complex financial guarantees (section 1) under
Solvency II reform, needs an economic scenario generator (section 2) and an Asset and Liabilities
Management tool (section 3) in order to measure the profitability of these contracts (section 4).
1 - Formula based funds analysis
In order to study these complex financial guarantees, we focus on the profitability of a specific
financial product : formula-based funds. In this section, we define these products and perform a
brief market analysis.
XVII
XVIII
Formula-based fund definition

A formula-based fund 14 is an investment whose yield is conditionnal on the performance of
an underlying asset.
The product duration may be random and depends on the point-in-time performances of the
underlying index. Several products have the following mechanism : the contract ends automa-
tically if the underlying asset’s level is higher than his initial level at any anniversary date of
the contract. In order to know the final commitment of the insurer, we apply the contractual
formula. If the underlying asset’s level is lower, the contract lasts one more year (generally limi-
ted to 3 to 8 times). In this type of contract, the insurer bears a high-level risk. For example,
some products offer a 7% yearly-return when the contract ends. If it lasted 4 years with a 10%
performance of the underlying asset on this period, the insurer has to guarantee a 28% return
whereas he earned only 10% on the risky asset. The graph 5 illustrates this type of contracts.
Figure 5 – Example of formula fund.
Market analysis
In the table 2, we present some contracts we found on the life insurance market, and their
guarantees 15 . These contracts are a representative sample of the various products offered by the
insurers.
2 - Economic scenario generator

In that section, we present the approach we adopted in our analysis, we detail the way we
modelled the assets and the calculation of the state-price deflators.
14. This kind of product is mentionned in [53], [55] and [5].

15. For more details on these products, we can refer to [77], [80], [79] , [78], [71], [72], [73], [74], [75], and [76]

XIX

Issuer LCL BNP Paribas Groupama
Underlying asset Eurostoxx 50 Eurostoxx 50 Eurostoxx 50
Subscription fees 2,5% 5% (maximum) -
Annual fees 3% 1,4% -
Duration 3 year 2 years and 4 months 8 years
As soon as the bench-
mark
Automatic withdrawal
index performance - -
condition
at any anniversary
date is positive
1% every 3 months
Surrender charges 0% No possible withdrawal
3% else
Ratchet of 5.85% ear-
ned for each year
Number of year in the
98% × initial capital + with a positive
contract
Performance 65%× average positive performance ( maxi-
× 7,25% + initial capi-
returns mum
tal
46.80% for the whole
period)
Initial capital
Capital Guarantee (except for a decrease 98% × initial capital 112% × initial capital
greater than 50%)
Ratchet No No Yes
Maximal return Yes No Yes
Table 2 – Some formula funds in today market.
Approach
We implement an economic scenario generator and an asset and liability management tool in
order to estimate the economic capital 16 and to study the cost of the guarantees of formula-based
funds. The graph 6 illustrates this approach.
The economic scenario generator simulates the evolution of a two-asset economy : a risky
and risk-free security (equity and bond). In order to be coherent with the fluctuations of the
economy, we use two regime-switching models.
Equity modelling
We implemented the regime-switching lognormal model presented by Mary Hardy (2001)
[40] to simulate the price of the risky asset. This model is simple, close to the Black & Scholes[9]
one. It is based on the following statement : the evolution of the economy can be separated in
two phases : crisis periods and economic growth. Empirical studies showed that this model fits
the data and the business cycles. It is described by equation (5).
16. The Solvency II economic capital is the amount of equity capital which is required to avoid the insurer
bankruptcy in 99.5% cases on a one-year horizon.

XX
Figure 6 – Methodology
dSt
= µηt dt + σηt dBt . (5)
St
where Bt is the brownian motion, ηt is the regime at time t 17 with t ∈ [t; t + 1[ ; the trend µη
and the volatility σηT X are constants.
Interest rate modelling

For the interest rate modelisation, we propose a regime-switching model with a specific
long-term mean bnat , speed of reversion anat , trend cη and volatility σηT X for each regime :
√
drt = [anat (bnat − rt ) + cηt rt ]dt + σηTtX rt dBt . (6)
We present the theoretical aspects of this model in our actuarial thesis, and justify its imple-
mentation with the data collected on the financial markets. With the same notations, our model
can be rewritten as a two-regime Cox-Ingersoll-Ross (CIR)[27] model, with specific constants
for each regime (see (4.2)).
√
drt = αηt (βηt − rt )dt + σηt rt dBt (7)
anat bnat
with αηt = anat − cηt and βηt =
anat − cηt
In that modelisation, we introduced a double correlation between the risky and the risk-free
asset.
– Linear correlations of brownian motions.
– There is only one simultaneous regime : the crisis phases apply to both types of assets.
The regime-switching is modeled with a transition probability matrix. As an extension, it could
be interesting to have separated correlated transitions matrix for each asset.
17. In our case, there are two possibles regimes : this variable has two modalities.

XXI
State-price deflators
Solvency II requires to calculate one-year economic capital. Usually, the duration of these
type of contracts (3 to 8 years) is widely higher than this horizon. Therefore, we have to value
the cash-flows generated beyond the first year under the risk-neutral probability. To do so, we
do the simulations under the historical probabiliy and use the state-price deflators to switch to
the risk-neutral universe.
State-price deflators 18 are compatible with the valuation of economic capital under Solvency
II. They can be seen as a stochastic discount factor that reflects the risk implicitly included in
the price of the assets. This approach is Market consistent, and compatible with the initial
prices[30], whereas risk neutral probability is not. The deflator is unique and we can calculate it
thanks to its main mathematical property : The deflated price of every security of the economy
is a martingale under the risk-neutral probability. With the same notations 19 , the deflator is
given by the formula (5.16).
K (s, rs , ηt )
Z t Z t 2 Z t Z t !
λ λ √
2(σηTtX )2 0 0 2 σηTtX 0 0
(8)
√
λ rt S
σηTtX ηt
with K(t, rt , ηt ) = −
1 − ρ2
p
σηSt
3 - Portfolio strategies
Financial products with complex guarantees are based on a benchmark index. Thus, the
issuer is exposed to a significant market risk : growth or decrease of the interest rates or of the
benchmark asset price. It is therefore important to use an appropriate portfolio strategy.
Constant Mix strategy
This strategy relies on the hypothesis that the long run investment is the best strategy. This
strategy is also known as Buy and Hold. A constant proportion of the wealth is invested in the
risky asset, at every time. This strategy can be very risky according the guarantee offered by the
insurer. For instance, consider a 8% performance guarantee. If the benchmarck index is steadily
and the performance slightly positive around 1%, it would be hard to make 8% return.
Constant Proportion Portfolio Insurance (CPPI)
This is a method of portfolio insurance in which the investor sets a floor on the value of
his portfolio, then structures asset allocation around that decision. The two asset classes used
in CPPI are a risky asset, and a riskless asset. The percentage allocated to each depends on
the "cushion" value, defined as current portfolio value – floor value, and a multiplier coefficient,
where a higher number denotes a more aggressive strategy.
Option Based Portfolio Insurance (OBPI)
OBPI strategy is a hedging strategy that consists in simultaneously holding the risky asset
and options on this asset. These options are useful to hedge against adverse scenarios. For
instance, we implement a strategy where the wealth is invested in the risky asset and put
options. This allows us to benefit from an increase in the value of the asset, and to be hedged
against a decrease.
Constant Mix with static anticipation strategy
18. Described in [61], [30] and [29].
19. Moreover, we set λ the risk premium.

XXII
This dynamic strategy is inspired from the economic anticipation theory. It relies on a massive
portfolio reallocation when the market prices indicates a crisis period, or an economic growth.
The investment rule is defined by the following statement : If the benchmark return was positive
during the last month, we invest a large proportion of the portfolio in risky assets. In the other
case, we invest almost the whole savings in bonds, and possibly more than the whole savings by
short-selling the risky asset
Future contracts
While pricing the options, we realised that they might be very expensive. That’s why we
investigated the possibility of using futures contracts 20 as a hedging strategy. These are non
optional contracts and their initial price is therefore equal to zero.
4 - Results
This section presents the main results of our study, based on two types of contracts :
– an insurance product with a fixed eight-year duration and a profitability correlated to the
underlying asset.
– an insurance product with a random duration of three years maximum and a 7.25% per
year return.
In order to compare the different strategies, we use the following process : for each simulation,
we project the cash flows generated by the financial product. We define a profitability criterion
to value these cash-flows. We thus obtain a distribution of values and we estimate the risk of
this distribution with the help of an appropriate risk mesure. We choose the New Business Value
and the RAROC 21 to measure the profitability, and we also include the Tail Value-at-Risk in
our analysis.
What are the optimal allocations ?

The main results for the two types of products are detailed below :
– Fixed eight-year duration product At the end of the contract, the commitment of
the insurer is calculated as follows : There is a full capital guarantee. The yield of the
contract is equal to 70% of the average performances of the risky asset, calculated every
six months. A performance intervenes in the calculation only if it is higher than every past
performances. This a kind of ratchet guarantee.
For the Constant mix strategies, there is no optimal strategy (i.e with a higher New
Business Value, a lower Value-at-Risk and a lower Tail Value-at-Risk). Yet, we observe
that the 17% equity - 83% bond strategy minimizes both risk criterions. The graph 7.1
shows the value of the three indicators for different portfolio allocations.
Futures contracts enable insurers to hedge against the risk of asset price rising or decrea-
sing. We showed that once again there is no optimal strategy for the three indicators, but
that futures contracts contribute to reduce the market risk for the 17% equity - 83% bond
constant mix strategy. Results obtained with CPPI strategies are not good : for each value
of the cushion, it is possible to find a constant mix strategy with a higher profitability and
a lower risk.
Profitability results are good for OBPI methods, but in this case, the insurer bears a very
important market risk, which leads to a too high economic capital (99.5% Value-at-Risk).
20. futures contract is a standardized contract between two parties to buy or sell a specified asset of standardized
quantity and quality for a price agreed today (the futures price or the strike price) with delivery occurring at a
specified future date, the delivery date
21. Risk Adjusted Return On Capital

XXIII
Figure 7 – Constant Mix Strategy results.
– Random three-year duration product The mechanism of this product is more simple.
The contract lasts 3 years maximum. At the end of each year, if the underlying asset’s level
is higher than the initial level, the contract ends and the return is 7.25% per year. If the
level is lower, there is a capital guarantee only if the decrease is not bigger than 50%. In
this case, the insured gets 200% of the final value of the fund.
Constant Mix, CCPI and futures strategies are characterized by a very low or even ne-
gative global profitability and a huge risk taking. For instance, consider a strategy with
futures. The average expected return is negative for reasonable Value-at-risk - that is to
say around 20,000€. To get positive profitability, the insurer needs to bear a market risk
close to 100,000€.
In order to get better results, we have to consider a dynamic strategy : the Constant Mix
strategy with static anticipations. We found an optimum with a (-29% risky assets,129%
bonds) allocation if the former time period the benchmark performance was negative and
a (84%,16%) allocation else. The cash flows distribution is presented on graph 7.11.
What is the cost of the different guarantees ?

The cost of the guarantees is determined with the following process.
We reconsider the contract without the guarantee, we determine the new optimal portfolio strategy
and we measure the differences in terms of profitability and risk. For the fixed-duration contract,
results show that the guarantee which has the highest cost is the capping of the performance
(the insured gets only 70% of the performance) : without this guarantee, the contract is not
economically viable. The ratchet guarantee has a lower cost for the insurer. For the random-
duration product, we analyse the cost of each percentage of the performance in order to answer
to the following question : what happens if the annual rate is no longer 7.25% but 8.25% or

XXIV
Figure 8 – New Businessrai Value distribution for a Constant Mix strategy with static antici-
pations, with pequity = 83% and pbond = 129%.
6.25% ? We show that profitability and risk are linearly linked to this rate, and that the impact
is more important on the Value-at-Risk than on the New Business Value. We also analyse the
cost of the partial capital guarantee.
Conclusion
This actuarial thesis gave us the opportunity to study a specific type of life insurance pro-
duct : contracts with highly-sophisticated financial guarantees. Our study aims at determining
the optimal strategy for each contract, and the impact that these guarantees have on profitabi-
lity and economic capital.
To answer to these questions, we developped an economic scenario generator (ESG) and an
asset and liability management (ALM) tool. Thanks to the ESG, we simulate the evolution of
a two-securities economy with regime-switching models, coherent with the fluctuations we see
on financial markets today. The ALM model contains different portfolio management strategies,
adapted to the specificities of each contract. We have simulated the cash-flows generated by two
different products (fixed and random duration) and concluded that :
– For random duration contracts, the dynamic strategy based on economic theory of static
anticipations gives the best results. It is adapted to the risk beared by the insurer.
– CPPI is not optimal in both cases : it is not adaptable enough for these contracts.
– For fixed-duration products, the constant mix strategy is a good compromise between risk
and profitability. The risk can be reduced with future contracts.
– Using options leads to a good profitability, but exposes the insurer to a very high market
risk.
– Each guarantee has a specific impact on profitability and on the economic capital.
To go further, it could be interesting to model default risk, which can be very important during
crisis periods, or to introduce a third regime in the economy, corresponding to a stagnation
phase of the economy. Furthermore, we could compare the economic capital we calculated to
the capital required by the standard formula of Solvency II. This would tell us which contracts
are interesting for the insurer in this new prudential framework.

XXV
In order to study the cost and the best way for insurers to manage their risks on that type
of financial products with complex guarantees, we developed a simulation tool. The latter is
compounded by an economic scenario generator in which we have implemented two switching-
regime models to better fit the recent financial market data. In addition, portfolio management
strategies have been included into our ALM model. We also found that a dynamic performance
is needed and especially if the profitability served is uncorrelated with the benchmark one. CCPI
and Constant Mix strategies give especially poor results, contrary to our strategy with static
anticipations. Using options to hedge oneself is also a credible and reasonable solution.
However to consider that, it would have been necessary to develop a more complex model.
As a matter of fact, it could have been interesting to explore the default and counterpart risk
modeling in our study, as it would have been to do so by considering an asset modeling with
more than two regimes : one may have consider one for economic growth, another for recession
situations and a third one for intermediate situations.

XXVI

Table des matières
Remerciements I
Résumé III
Abstract V
Note de synthèse VII
Synthesis note XVII
Introduction 1
1 Contrats à garanties complexes et rentabilité 5

1.1 Étude du marché des contrats à garanties complexes . . . . . . . . . . . . . . . . 5
1.1.1 Définition générale des contrats à fenêtre . . . . . . . . . . . . . . . . . . 5
1.1.2 Une présence récente sur les marchés . . . . . . . . . . . . . . . . . . . . . 7
1.2 Analyse des contrats existants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Les fonds à promesse avec garantie partielle de capital et plafond . . . . . 7
1.2.2 Les fonds à garantie totale . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.3 Les fonds à garantie partielle . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.4 Risques communs de ces fonds . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.5 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Les garanties retenues pour l’étude . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Notions financières : rappels sur les options d’achats et de ventes euro-
péennes, américaines et asiatiques, sur un sous-jacent ou un panier de
sous-jacents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.2 Le marché à terme des produits agricoles . . . . . . . . . . . . . . . . . . 17
1.3.3 Un autre exemple de produits à garanties complexes : les Variable Annuities 21
1.3.4 La garantie plancher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.5 Le plafonnement de la performance . . . . . . . . . . . . . . . . . . . . . . 24
1.3.6 La garantie cliquet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.7 L’option de rachat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.4 La notion de rentabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4.1 De la difficulté à saisir la rentabilité financière . . . . . . . . . . . . . . . 28
1.4.2 Qu’est-ce qu’une mesure de risque ? . . . . . . . . . . . . . . . . . . . . . 29
1.4.3 La fonction objectif : comment mesurer la rentabilité ? . . . . . . . . . . . 31
2 La réforme Solvabilité II 33
2.1 Le passage de Solvabilité I à Solvabilité II : des différences majeures . . . . . . . 33
2.1.1 Solvabilité I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
XXVII
XXVIII TABLE DES MATIÈRES
2.1.2 Solvabilité II : généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.2 Solvabilité II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.1 Le modèle standard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.2 Le modèle interne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.3 Le modèle standard spécifié (Undertaking Specific Parameter USP) . . . . 41
2.2.4 Le modèle interne partiel . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3 Les modèles d’actifs 45

3.1 Monde réel, déflateurs ou risque neutre ? . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.1 Univers risque-neutre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.2 Univers monde réel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.3 Univers monde réel avec déflateurs . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Quelques concepts méthodologiques . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1 Les modèles autorégressifs dans un marché efficient . . . . . . . . . . . . . 47
3.2.2 Modèles stochastiques ou déterministes ? . . . . . . . . . . . . . . . . . . . 48
3.2.3 Modèles paramétriques ou non paramétriques ? . . . . . . . . . . . . . . . 48
3.2.4 Modèle d’actifs intégrés ou agrégés ? . . . . . . . . . . . . . . . . . . . . . 48
3.3 Les modèles d’actifs : les actions . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3.1 Le modèle log-normal et ses extensions . . . . . . . . . . . . . . . . . . . . 49
3.3.2 Les processus de diffusion hyperbolique généralisée . . . . . . . . . . . . . 51
3.3.3 La modélisation en série temporelle . . . . . . . . . . . . . . . . . . . . . . 52
3.3.4 Le modèle AR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.5 Le modèle GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4 Les modèles de taux d’intérêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.4.1 Les modèles d’équilibre traditionnels . . . . . . . . . . . . . . . . . . . . . 54
3.4.2 Les modèles d’arbitrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5 Actifs intégrés ou agrégés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.5.1 Modèle d’actifs intégrés : le modèle de Wilkie . . . . . . . . . . . . . . . . 58
3.5.2 Corrélation linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.5.3 Copules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4 La mise en place d’un Générateur de Scénarios Économiques 63

4.1 Quel modèle ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.1 Un modèle réduit à 2 actifs . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.2 Motivation du choix du modèle . . . . . . . . . . . . . . . . . . . . . . . . 64
4.1.3 Choix du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.1.4 Présentation du modèle de taux retenu . . . . . . . . . . . . . . . . . . . . 65
4.2 Calibrer les taux d’intérêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.1 Méthodes pour calibrer le modèle CIR 1985 . . . . . . . . . . . . . . . . . 67
4.2.2 Choix pour calibrer notre modèle . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.3 Calibrer les paramètres naturels . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.4 Calibrer les paramètres conjoncturels . . . . . . . . . . . . . . . . . . . . . 70
4.3 Le modèle retenu pour l’actif risqué : le changement de régime . . . . . . . . . . 70
4.3.1 Le prix de l’option de vente dans un modèle à changement de régime . . . 70
4.4 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

TABLE DES MATIÈRES XXIX
5 Du bon emploi des déflateurs 73

5.1 Qu’est-ce qu’un déflateur ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.1.1 Principes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.1.2 Propriétés mathématiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.1.3 Monde réel ou monde risque neutre ? . . . . . . . . . . . . . . . . . . . . . 74
5.1.4 Mesure risque neutre ou déflateurs ? . . . . . . . . . . . . . . . . . . . . . 75
5.2 Calcul des déflateurs dans le cadre de notre étude . . . . . . . . . . . . . . . . . . 75
5.2.1 Calcul du déflateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.2.2 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.3 Présentation des scénarios générés . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6 La mise en place d’un outil de gestion ALM 81

6.1 Introduction à la gestion dynamique . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.1.1 La diversification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.1.2 La notion d’efficience des marchés . . . . . . . . . . . . . . . . . . . . . . 82
6.1.3 La théorie moderne du portefeuille . . . . . . . . . . . . . . . . . . . . . . 83
6.2 Les méthodes stochastiques, où méthodes à approche directe . . . . . . . . . . . 84
6.2.1 Méthode Fixed Mix ou Buy and Hold . . . . . . . . . . . . . . . . . . . . 84
6.2.2 Une extension de la méthode Fixed Mix avec anticipation statique . . . . 85
6.2.3 Méthode CPPI : Constant Portfolio Proportion Insurance . . . . . . . . . 86
6.2.4 Méthode OBPI : Option Based Portfolio Insurance . . . . . . . . . . . . . 87
6.2.5 Une méthode alternative : utilisation des contrats à terme . . . . . . . . . 89
6.3 Les méthodes tychastiques, ou méthodes à approche inverse . . . . . . . . . . . . 90
6.3.1 Introduction : la théorie de la viabilité . . . . . . . . . . . . . . . . . . . . 91
6.3.2 Méthode VPPI : Viabilist Portfolio Performance and Insurance . . . . . . 91
6.4 Méthodes, garanties et hypothèses de la modélisation . . . . . . . . . . . . . . . . 91
6.4.1 Les méthodes implémentées . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.4.2 Les garanties modélisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.4.3 Les différents paramètres du modèle . . . . . . . . . . . . . . . . . . . . . 92
6.4.4 Les modes de calcul de la performance . . . . . . . . . . . . . . . . . . . . 94
6.4.5 Analyse de la rentabilité : 2 phases . . . . . . . . . . . . . . . . . . . . . . 94
6.4.6 Détermination du besoin en capital . . . . . . . . . . . . . . . . . . . . . . 94
6.4.7 Projection des flux générés par le contrat . . . . . . . . . . . . . . . . . . 94
7 La rentabilité des garanties complexes mises à l’épreuve 97

7.1 Les choix de modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.1.1 Les deux types de contrats retenus . . . . . . . . . . . . . . . . . . . . . . 97
7.1.2 La mesure de rentabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.1.3 La mesure de risque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.1.4 Les stratégies de gestion étudiées . . . . . . . . . . . . . . . . . . . . . . . 99
7.1.5 Valeurs retenues pour la simulation . . . . . . . . . . . . . . . . . . . . . . 99
7.2 Détermination de la stratégie optimale . . . . . . . . . . . . . . . . . . . . . . . . 100
7.2.1 Contrat à durée fixe de 8 ans . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.2.2 Contrat à durée aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.3 Analyse du coût des garanties sur la rentabilité des produits . . . . . . . . . . . . 111
7.3.1 Coût des garanties pour un contrat à durée fixe . . . . . . . . . . . . . . . 111
7.3.2 Coût des garanties pour le contrat à durée aléatoire . . . . . . . . . . . . 112
8 Conclusion 115

XXX TABLE DES MATIÈRES
9 Annexes 117
9.1 Simulation de variables aléatoires gaussiennes sous une dépendance de copule de
Clayton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
9.1.1 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
9.1.2 Approximation numérique de l’inverse de la fonction de répartion d’une
loi normale centrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
9.2 Méthode de simulation des Equations Différentielles Stochastiques . . . . . . . . 117
9.2.1 Méthode d’Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
9.2.2 Méthode de Maruyama . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
9.2.3 Méthode de Milstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9.3 Les fondements mathématiques de la méthode CPPI . . . . . . . . . . . . . . . . 119

Table des figures
1 Schéma illustratif d’un contrat à fenêtre . . . . . . . . . . . . . . . . . . . . . . . VIII

2 Approche adoptée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . X
3 Résultats donnés par la stratégie constant mix. . . . . . . . . . . . . . . . . . . . XIII
4 Distribution des New Business Value pour la stratégie Constant mix avec antici-
pations statiques, avec pactions = 84% et pobligations = 129%. . . . . . . . . . . . . XIV
5 Example of formula fund. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XVIII
6 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XX
7 Constant Mix Strategy results. . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXIII
8 New Businessrai Value distribution for a Constant Mix strategy with static anti-
cipations, with pequity = 83% and pbond = 129%. . . . . . . . . . . . . . . . . . . . XXIV
1.1 Schéma illustratif d’un contrat à fenêtre. . . . . . . . . . . . . . . . . . . . . . . . 6

1.2 Résultat d’une option de vente et d’achat. . . . . . . . . . . . . . . . . . . . . . . 16
1.3 Contrat fenêtre multi-périodes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4 Payoff du contrat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Payoff du contrat pour le producteur. . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6 Garantie plancher. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.7 Garantie plancher limitée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.8 Garantie plafond. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.9 Garantie cliquet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.10 Garantie cliquet modifiée dans le cas du contrat LCL Triple Horizon. . . . . . . . 27
1.11 Processus de mesure de la rentabilité. . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1 Les 3 piliers de Solvabilité II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.2 Décomposition du Solvency Capital Requirement étudié dans ce mémoire. . . . . 36
2.3 Exemple d’un emploi proscrit du modèle interne partiel. . . . . . . . . . . . . . . 42
4.1 Schéma illustratif d’un contrat à fenêtre. . . . . . . . . . . . . . . . . . . . . . . . 64

4.2 Variation des taux LIBOR 1 mois sur une période d’étude tronquée. . . . . . . . 69
4.3 Poids des taux LIBOR pour des γ de 0,6 à 1. . . . . . . . . . . . . . . . . . . . . 69
5.1 Scénario économique avec un horizon de simulation de 8 ans et un pas de temps

mensuel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.1 Garantie cliquet en pratique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

6.2 Flux générés par le contrat d’assurance. . . . . . . . . . . . . . . . . . . . . . . . 95
7.1 Résultats donnés par la stratégie constant mix. . . . . . . . . . . . . . . . . . . . 101

7.2 Distribution des NBV pour l’allocation 83% obligations - 17% actions. . . . . . . 101
7.3 Profil de risque de l’assureur pour des contrats d’achat à terme. . . . . . . . . . . 103
7.4 Profil de risque de l’assureur pour des contrats de vente à terme. . . . . . . . . . 104
XXXI
XXXII TABLE DES FIGURES
7.5 Résultats donnés par la stratégie CPPI. . . . . . . . . . . . . . . . . . . . . . . . 104

7.6 Profil du risque extrême supporté par l’assureur en fonction du nombre d’options
et du prix d’exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.7 Stratégie constant mix pour les contrats à durée aléatoire. . . . . . . . . . . . . . 107
7.8 Stratégie CPPI pour les contrats à durée aléatoire. . . . . . . . . . . . . . . . . . 108
7.9 Value-at-Risk pour les stratégies impliquant des contrats de vente à terme. . . . 109
7.10 Value-at-Risk pour la stratégie Constant mix avec anticipations statiques. . . . . 110
7.11 Distribution des New Business Value pour la stratégie Constant mix avec antici-
pations statiques, avec pactions = 83% et pobligations = 129% . . . . . . . . . . . . 110

Liste des tableaux
1 Tableau récapitulatif de contrats à fenêtre offerts sur le marché . . . . . . . . . . IX

2 Some formula funds in today market. . . . . . . . . . . . . . . . . . . . . . . . . . XIX
1.1 Tableau récapitulatif de contrats à fenêtre offerts sur le marché . . . . . . . . . . 13
2.1 Matrice de corrélation pour les scénarios de baisse des taux d’intérêt. . . . . . . . 38
2.2 Matrice de corrélation pour les scénarios de baisse des taux d’intérêt. . . . . . . . 39
2.3 Matrice de corrélation pour les scénarios de hausse des taux d’intérêt. . . . . . . 39
2.4 Matrice de corrélation inter-modulaire. . . . . . . . . . . . . . . . . . . . . . . . . 39
5.1 Comparatif Mesure risque neutre/ Déflateurs. . . . . . . . . . . . . . . . . . . . . 75
7.1 Les deux contrats modélisés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

7.2 Les allocations optimales pour la stratégie Constant mix. . . . . . . . . . . . . . 102
7.3 Stratégies optimales impliquant des contrats à terme. . . . . . . . . . . . . . . . . 102
7.4 Comment départager les stratégies pour lesquelles nous n’observons pas de domi-
nance explicite ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.5 Caractéristiques des stratégies Constant mix avec anticipations statiques optimales109
7.6 Ecarts de rentabilités et de risque en fonction de la présence de la garantie cliquet 112
7.7 Ecarts de rentabilités et de risque en fonction du plafonnement de la performance 112
7.8 Ecarts de rentabilités et de risque en fonction de la revalorisation annuelle de
l’épargne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.9 Ecarts de rentabilités et de risque en fonction de la présence de la garantie plancher113
XXXIII
XXXIV LISTE DES TABLEAUX

Introduction
Dans ce mémoire, nous traitons d’un type spécifique de contrats d’assurance vie 22 : les
contrats intégrant des garanties financières complexes 23 . Il n’existe pas de définition précise
et arrêtée de ce terme, c’est pourquoi nous considérons dans ce mémoire qu’un contrat entre
dans cette famille s’il constitue un placement dont la durée et les rendements sont contractuels
et conditionnels à la performance d’un fonds ou à celle d’actifs sous-jacents. Cette définition
est très large et permet d’englober tous les types de produits et de garanties étudiés dans ce
mémoire.
L’encours total de ces différents produits représente en France un montant égal à 53,7 mil-
liards d’euros 24 en 2011. Néanmoins, ce type de contrat possède un fort potentiel de déve-
loppement dans les années à venir, car il pourrait permettre aux assureurs de contourner la
période difficile que traverse actuellement l’assurance vie. En effet, les chiffres communiqués par
la Fédération Française des Sociétés d’Assurance 25 indiquent que la collecte nette des contrats
d’assurance vie s’élève à 7,6 milliards d’euros en 2011, soit environ 7 fois moins que les 51,1
milliards collectés en 2010. Ce chiffre est le niveau le plus bas enregistré sur l’ensemble de ces 20
dernières années. Dans le même temps, le livret A 26 connaît une dynamique inverse : la collecte
s’est élevée en 2011 à 17,4 milliards d’euros. Si l’on exclut l’année 2008 (collecte de 18,7 milliards
d’euros), ce chiffre est le plus important depuis 193 ans.
Le livret A est ainsi le grand gagnant de la tension extrême qui règne depuis plusieurs années
sur les marchés financiers pour plusieurs raisons. Alors que le taux de rendement des contrats
en euros 27 connaît une baisse régulière depuis 20 ans (de 8,40% en 1991 à environ 3% en 2011),
accélérée par la crise financière, celui du livret A est aujourd’hui de 2,50%. La proximité de
ces rendements ainsi que le climat anxiogène lié notamment à la peur des obligations grecques,
explique la compétition entre ces deux produits. En outre, une grande partie des rachats effec-
tués sur les contrats en euros peut être expliquée par la volonté des français d’investir dans les
placements immobiliers, qui restent une "valeur sûre" en temps de crise.
Dans ce contexte, il paraît aujourd’hui nécessaire pour les assureurs de proposer des produits
attrayants sur le marché de l’assurance vie et les contrats à fenêtre peuvent constituer une solu-
tion. En effet, un moyen d’augmenter le rendement des produits d’assurance vie est de partager
le risque avec l’assuré, ce que proposent les contrats à fenêtre. Constituant un intermédiaire
entre les produits en unités de compte (risque surtout supporté par l’assuré) et les supports
22. Nous définissons un contrat d’assurance vie comme un contrat par lequel, en contrepartie de primes, l’as-
sureur s’engage à verser à l’assuré une somme contractuelle, dépendante de la survie de ce dernier.
23. Dans la suite de ce mémoire, nous nous intéressons à des contrats qui reprennent ces garanties : les Contrats
à fenêtre.
24. Pour les fonds à formule recensés par l’AMF. On pourra notamment consulter [68]
25. Notée FFSA dans la suite de ce mémoire
26. Le livret A est un compte d’épargne français réglementé et défiscalisé créé le 22 mai 1818. Depuis le 1er
août 2011, il est rémunéré à hauteur d’un taux annuel de 2.25% et plafonné à 15300€
27. Les contrats en euros ou monosupports sont uniquement investis en fonds euro, c’est-à-dire dans des fonds
garantis par l’assureur, dont le montant est revalorisé chaque année d’un rendement égal à la somme d’un taux
minimum garanti et d’une participation aux bénéfices
1
2 LISTE DES TABLEAUX
en euros (risque essentiellement supporté par l’assureur), ces produits offrent une promesse de
rendement plus importante, en cédant une partie du risque de perte à l’assuré. Néanmoins, ces
contrats plus attractifs possèdent certains désavantages du point de vue de l’assuré :
– La durée d’investissement recommandée varie entre 2 et 10 ans et les rachats sont fortement
pénalisés, ce qui implique d’immobiliser son épargne pendant une période assez longue.
– Les méthodes de calcul de la performance étant parfois complexes, certains contrats sont
très opaques.
Du point de vue de l’assureur, d’autres obstacles rendent la commercialisation de ces produits

plus difficile que pour les contrats en euros ou en unités de compte :
– La performance des contrats étant conditionnée au comportement d’un fonds (en général
un indice sous-jacent), cela implique que l’engagement de l’assureur envers l’assuré est
inconnu au début du contrat et conditionnel à l’évolution des marchés financiers. Ainsi,
l’assureur peut avoir intérêt à mettre en place une stratégie de couverture dynamique
lorsqu’il vend ses contrats, ce qui requiert des frais de gestion importants.
– En général, la plupart des assureurs choisissent de sous-traiter la conception juridique et
financière ainsi que la gestion du produit auprès d’un gestionnaire d’actifs, ce qui a deux
conséquences : l’ajout d’un intermédiaire dans le cycle de commercialisation qui ne peut
que contribuer à augmenter l’opacité du contrat, ainsi que les frais associés, qui sont mé-
caniquement répercutés sur l’assuré.
Le processus de commercialisation d’un contrat à garanties financières complexes passe donc par
la recherche d’un compromis entre ces différentes contraintes. L’assureur va chercher à proposer
un produit suffisamment attractif pour l’assuré, mais qui ne l’expose pas à un risque trop im-
portant. Pour cela, il va tenter de proposer des garanties judicieuses dans ces contrats. Dans ce
mémoire, nous appelons garantie toute obligation contractuelle ou légale qui engage l’assureur
envers l’assuré lors de la vente du contrat d’assurance. Les principales garanties présentes dans
les contrats à fenêtre sont les suivantes 28 :
– la garantie plancher : Cette garantie stipule que l’assuré récupèrera au minimum l’épargne
initialement investie (nette de frais), quelle que soit la valeur des actifs de l’assureur en
représentation de ce contrat.
– la garantie cliquet : L’effet cliquet est une garantie qui permet à l’assuré de récupérer
un capital égal à la valeur de rachat la plus haute atteinte par les versements à une date
quelconque.
– la garantie plafond : La garantie plafond ou plafonnement de la performance, est une
clause qui spécifie une valeur de rachat maximale du contrat. Cette garantie est à l’avantage
de l’assureur.
– l’option de rachat : Dans un contrat d’assurance vie possédant une option de rachat,
l’assuré possède le droit de sortir du contrat à tout moment, en récupérant la valeur de
rachat de son épargne.
– le calcul de la performance : Il existe presque autant de modes de calcul contractuel
de la performance du contrat en fonction de l’historique des valeurs du sous-jacent de ce
contrat qu’il y a de contrats à garanties financières complexes sur le marché de l’assurance.
Toute la spécificité des contrats que nous étudions dans ce mémoire réside dans cette ga-
rantie, qui permet aux assureurs de laisser libre cours à leur imagination.
28. La présentation détaillée de ces garanties est effectuée dans le chapitre 1.3

LISTE DES TABLEAUX 3
En effet, il n’existe pas de réglementation sur le type de garanties que les assureurs peuvent pro-
poser dans leurs contrats, c’est pourquoi de nombreuses garanties très complexes apparaissent 29 ,
adaptées au profil de risque souhaité par l’assureur.
Dans le contexte actuel, ces garanties sont en réalité le plus grand atout des contrats à fe-
nêtre. En effet, les épargnants insatisfaits de la rentabilité des contrats d’assurance vie cherchent
des placements alternatifs et ont de grandes chances d’être séduits par ces contrats qui leur pro-
posent un rendement intéressant, qu’ils ne peuvent trouver nulle part ailleurs, ainsi que des
garanties qui correspondent à leur profil. Le défi pour l’assureur est donc de mettre en place
des contrats qui correspondent aux attentes des différentes classes de la population française :
la constitution d’une retraite pour les personnes en fin de carrière, d’un capital pour celles qui
planifient un investissement futur etc. Les épargnants savent qu’ils ne pourront plus profiter de
placements garantis à taux intéressants et sont donc enclins à supporter plus de risque qu’aupa-
ravant. L’objectif est alors de quantifier cette tolérance au risque et de bâtir le produit possédant
les caractéristiques adaptées, afin de séduire les particuliers qui se trouvent actuellement dans
une situation d’indécision. La vente de ces contrats constitue donc une perspective très intéres-
sante pour les assureurs, qui peuvent espérer un redressement de la collecte s’ils parviennent à
en exploiter tout le potentiel. A la rencontre des milieux de la finance et de l’assurance, leur
modélisation nécessite une large gamme de compétences et constitue un défi passionnant pour
les actuaires et les Asset Managers.
Pour chacune des garanties offertes, l’assureur (ou le gestionnaire de portefeuille) met en place
une stratégie dynamique de couverture optimale, qui lui garantit la capacité de pouvoir honorer
ses engagements, quelle que soit l’évolution des variables sous-jacentes sur lesquelles portent ces
garanties. Dans ce contexte, l’objectif de ce mémoire est double et nous nous attacherons à :
– analyser l’impact de ces différentes garanties sur la rentabilité des contrats ;
– déterminer la stratégie dynamique de couverture optimale associée à un contrat (et donc
à des garanties) donné.
Afin de répondre à ces questions, il nous sera nécessaire de définir le terme de rentabilité et donc
la mesure qui correspond le mieux à cette analyse. Une fois cette mesure définie, il est possible de
piloter la rentabilité, ce qui amène à nous interroger sur l’acteur économique qui en bénéficiera.
En effet, il est possible de se placer à plusieurs niveaux : le point de vue l’assureur, celui des
salariés, des fournisseurs, des clients, de l’état ou de l’actionnaire. C’est le point de vue de ce
dernier qui est privilégié par le référentiel Solvabilité II, qui adopte une vision économique. Nous
modéliserons donc le capital que l’assureur doit immobiliser lorsqu’il commercialise ces contrats,
ainsi que la stratégie optimale associée.
L’organisation de notre présentation :

Après avoir présenté le marché français des contrats à garanties financières complexes (cha-
pitre 1) ainsi que la réforme Solvabilité II (chapitre 2) et une revue de littérature des différents
modèles d’actifs existants (chapitre 3), nous exposerons la façon dont nous avons choisi de traiter
ces contrats : notre étude se base sur un générateur de scénarios économiques (chapitre 4), avec
un usage des déflateurs (chapitre 5) et sur un outil de gestion actif-passif 30 (chapitre 6) qui nous
ont permis de déterminer la stratégie optimale pour les différents types de contrats et l’impact
sur la "rentabilité" des garanties offertes par l’assureur (chapitre 7).
Il est à noter que ce mémoire se veut proche de la réalité économique et des pratiques ac-
tuelles du marché de l’assurance, c’est pourquoi nous nous sommes inspirés de contrats proposés
par les assureurs pour déterminer les différents paramètres de notre étude.
29. Nous pouvons penser par exemple au contrat Premium Multigestion, détaillé dans la section 1.2.3
30. Nous parlerons de modèle ALM (Asset and Liability Management) dans la suite de ce mémoire

4 LISTE DES TABLEAUX

Chapitre 1
Contrats à garanties complexes et

rentabilité
Dans ce premier chapitre, nous présentons les différentes caractéristiques d’un contrat à
fenêtre. Pour cela nous analysons, dans les deux premières parties, les différents produits qui
sont commercialisés et qui intègrent des garanties complexes. Dans une troisième partie, nous
décomposons les garanties que nous avons retenues et que nous étudions dans ce mémoire. Enfin,
nous nous intéressons à la rentabilité de ces contrats (partie 4).
1.1 Étude du marché des contrats à garanties complexes

Tout d’abord, pour évaluer l’étendue de l’emploi des garanties complexes dans les marchés
financiers, il faut délimiter de ce que nous entendons par ce terme. Apportons pour cela quelques
éléments de définition.
1.1.1 Définition générale des contrats à fenêtre

Définition 1.1.1
Un contrat à fenêtre est un produit de placement dont la durée et les rendements sont contrac-
tuels et conditionnels à la performance d’un fonds ou à celle d’actifs sous-jacents.
Le contrat à fenêtre est ainsi un produit générique qui peut offrir plusieurs types de ga-
ranties comme la garantie de performances minimales 1 , plafonnées, fixes ou faisant appel à un
mécanisme de cliquet 2 .
Des noms différents pour une même réalité

La dénomination des "contrats à fenêtre" semble ne pas s’être encore complètement stabilisée
dans la littérature financière et actuarielle. C’est ainsi que nous pouvons trouver tantôt celle de
«contrat à fenêtre», d’«unités de compte garanties»[53], d’«unités de compte structurées» ou
encore de «fonds à formule». En assimilant les contrats à fenêtre avec les fonds à formule, citons
une seconde définition donnée dans la revue de l’AMF 3 [5], puis illustrons-la avec le graphique
1.1 p.6.
1. Couramment appelée garantie plancher
2. Cela correspond à l’augmentation de la garantie de la performance du contrat, conditionnellement à un
événement qui déclenche l’application de ce mécanisme. Cette hausse est acquise définitivement.
3. L’autorité des Marchés financiers.
5
6 Étude du marché des contrats à garanties complexes
Définition 1.1.2
« Un fonds à formule est un fonds dont l’objectif est d’offrir une performance conditionnelle
définie en fonction de l’évolution d’un indice, d’un panier d’indices ou de valeurs ou d’une
composante de ces indices ou valeurs. Pour cela, l’OPCVM 4 s’engage à atteindre, à une date
déterminée, un montant obtenu par l’application mécanique d’une formule de calcul prédéfinie,
reposant sur des indicateurs de marchés financiers ou d’instruments financiers. »
Figure 1.1 – Schéma illustratif d’un contrat à fenêtre.
Dans ce mémoire, nous choisissons de conserver le terme de «contrats à fenêtre». Pour une
meilleure classification, la distinction de [55] peut être utile. Les fonds à formule peuvent regrou-
per deux autres types de fonds que nous précisons ci-après : les «fonds à promesse» et les «fonds
protégés 5 ». Or si les fonds à promesse sont des contrats à fenêtre, ce n’est pas nécessairement
le cas des fonds protégés. Définissons donc ces termes afin de mieux cerner les différents types
de produits et de garanties qu’il est possible de trouver sous cette terminologie.
Définition 1.1.3
Un fonds à promesse est un fonds à formule à l’échéance duquel et conditionnellement à la
réalisation de conditions (en termes de performance du sous-jacent), une certaine performance
est garantie.
Définition 1.1.4
Les fonds protégés ou à garanties partielles sont des fonds qui garantissent uniquement une
partie du capital, en échange d’une perspective de performance supérieure au sous-jacent.
Le sous-jacent ou l’indice de référence doit être de type action, indice ou panier de ces derniers
pour pouvoir être classé comme un fonds à formules d’après la définition de l’AMF.
Remarque. Un troisième type de placement peut être mis en lumière dans notre classification :
il s’agit des fonds à garantie totale. Or ces derniers ne correspondent pas tous, non plus, à des
4. L’abréviation OPCVM signifie Organisme de Placement Collectif en Valeurs Mobilières. Il s’agit d’une entité
qui gère un portefeuille dont les fonds investis sont placés en valeurs mobilières
5. Ou encore OPCVM à garanties partielles.

1.1 Une présence récente sur les marchés 7
contrats à fenêtre : [55] note que l’AMF estime que moins de 50% des fonds garantis corres-
pondent à la définition donnée par l’AMF des fonds à formule et que seuls 33% de ces derniers
ne sont pas des fonds garantis. Afin d’être considérés comme tels, leur performance financière
doit être définie en fonction du cours d’un indice, d’une action ou d’un panier.
A l’aide des définitions retenues, nous pouvons établir un aperçu de ces produits d’assurance
vie qui ont été vendus récemment.
1.1.2 Une présence récente sur les marchés

Les contrats à fenêtre se sont développés ces dernières années car ils constituent un moyen
pour les assureurs de relancer la collecte en assurance vie en proposant des produits plus at-
trayants que les supports classiques, dont le rendement a connu une baisse importante.
Néanmoins, on observe un recul de ce type de contrat fin 2011, dû à un contexte financier
difficile et des performances constatées moins attrayantes que prévues.
Horizon des produits vendus
D’après l’AMF[68], les fonds à formule représentent au 31 décembre 2011 près de 53,7 mil-
liards d’euros d’encours, soit une diminution de 13,2% par rapport à l’année précédente (61,9
milliards d’encours pour 709 produits). Le nombre de produits sur le marché a lui aussi diminué
de 6,7% en 2011 après une baisse de 1,27% en 2010 et s’élève aujourd’hui à 662.
Avant de présenter l’ensemble des produits présents sur le marché, présentons les acteurs qui
interviennent sur ce marché. La plupart des banques, des bancassurances (BNP Paribas, LCL,
Caisse d’épargne...) et des sociétés d’assurances vie ( Swiss Life, Groupama, ...) proposent des
contrats à fenêtre à leurs clients.
Toutefois, ces institutions jouent davantage le rôle d’intermédiaire financier auprès d’Asset
Managers qui supportent le risque sous-jacent et à qui ils achètent de grandes quantités d’instru-
ments financiers. Seules les sociétés majeures d’assurance vie peuvent l’envisager 6 . L’assureur
supporte alors un risque de souscription : celui de ne pas avoir pu revendre ces actifs à ses assurés
et de devoir les conserver dans son bilan. Dans le cadre de notre travail, nous considérons que
l’assureur vend pour son propre compte les contrats à fenêtre.
1.2 Analyse des contrats existants

Afin de clarifier la situation, nous avons regroupé les différents contrats suivant les distinc-
tions abordées précédemment : les fonds à promesse d’une part et les fonds à garanties, partielles
ou totales, d’autre part.
1.2.1 Les fonds à promesse avec garantie partielle de capital et plafond

Nous avons retenu deux exemples de fonds à promesse avec une garantie partielle de capital
et une performance conditionnelle plafonnée du fonds : le contrat Objectif juillet 2011 de Swiss
Life[77] et le contrat triple horizon du LCL[72]. Ces deux fonds sont gérés par des gestionnaires
d’actifs (Crédit Agricole CIB et Amundi, respectivement).
6. Éventuellement par l’intermédiaire d’une société ad hoc.

8 Analyse des contrats existants
Indice de référence et sous-jacent

Les deux produits possèdent le même indice de référence : l’Euro Stoxx 50 hors dividendes. Ce
dernier permet de déterminer les conditions qui s’appliquent pour la gestion et la rémunération
du contrat.
Remarque. L’Euro Stoxx 50 est un indice boursier, créé en 1998, qui regroupe 50 actions de
sociétés selon leur capitalisation boursière au sein de la zone Euro. Il est également parfois
appelé "Dow Jones Euro Stoxx 50".
Cependant les fonds dans lesquels est investi le capital ne correspondent pas forcément à cet
indice. En particulier, d’autres supports comme des obligations, des instruments financiers (en
particulier des options d’achat et de vente), d’autres indices ou actions, sont potentiellement
utilisés pour permettre d’assurer le rendement promis.
La maturité
La maturité de ce type de fonds indique la date maximale d’existence de ce fond. La durée de
vie du contrat Triple Horizon est de 3 ans, celle d’Objectif Juillet 2011 de 8 ans 7 . Les contrats
d’assurance définissent cependant des dates de constatation annuelles durant lesquelles un rachat
automatique peut avoir lieu et qui servent de dates de référence pour le calcul des performances
de l’indice.
Les garanties et les options

Les deux contrats n’apportent pas de garantie de capital en cas de baisse de l’actif de réfé-
rence de plus de 50% au jour anniversaire du contrat. Dans un tel cas, seule la valeur liquidative 8
est reversée pour le contrat Triple horizon, alors que pour l’Objectif Juillet 2011, le client reçoit
200% de la performance de l’indice multipliée par la valeur liquidative 9 . Lorsque la variation
est strictement négative et est comprise entre -50% et 0%, la valeur liquidative initiale, c’est à
dire le montant investi dans le fonds hors frais de commission ou frais d’entrée, est reversée. Les
frais de souscription diminuent donc la garantie partielle de capital : le montant investi n’est
pas celui garanti. Ces frais sont de 2,5% pour le contrat Triple horizon.
Lorsque la performance est positive ou nulle par rapport à la valeur liquidative initiale aux
dates définies dans le contrat, la rémunération diffère. Un mécanisme de rachat automatique 10 a
également lieu, dès la première année pour le Triple horizon et dès la 3ème année pour l’Objectif
Juillet 2011, les coupons en cas de performance positive sont acquis. Dans les deux cas, la per-
formance de l’indice de référence est plafonnée. La sur-performance du fonds est donc réservée
au gestionnaire de celui-ci (assureur, banque ou asset manager).
Pour le contrat triple horizon, la valeur liquidative finale est égale à la valeur liquidative ini-
tiale majorée d’un coupon de 7,25% par année écoulée avec performance positive ou nulle (mais
la sortie du fonds est alors automatique), contre 7,4% pour l’Objectif Juillet 2011 de Swiss Life.
Ces coupons sont acquis définitivement et sont ajoutés quoiqu’il arrive à la valeur liquidative du
fonds.
Afin de formaliser ce que nous venons de voir, adoptons les notations suivantes de cette
section :
7. Par exemple, le 12/08/2019 est la date de maturité du fonds Objectif Juillet 2011.
8. La valeur liquidative correspond au prix de la part du fonds possédée lorsqu’il est vendu, multiplié par le
nombre de part.
9. C’est-à-dire le nombre de part détenue par l’assuré multiplié par la valeur d’une part.
10. Lors du rachat automatique, le contrat s’arrête automatiquement et l’assuré récupère la valeur de son
épargne

1.2 Les fonds à garantie totale 9
– rk : le rendement de l’indice de référence entre la date initiale et l’année k. Nous posons

que r0 = 0.
– 1pos
k : l’indicatrice valant 1 en cas de performance positive à l’année k de l’indice de référence
par rapport à sa valeur à la date initiale du contrat. On a en particulier que 1posk = 1rk >0 .
– V Lt : la valeur liquidative à l’année k. Pour k = 0, il s’agit de la valeur liquidative initiale
hors frais de souscription. Pour tout autre k, il s’agit du montant que l’assuré percevrait
s’il avait investi directement dans l’indice de référence en date initiale et donc avant que
les garanties de performance ou de sécurité ne s’appliquent.
– V LF : la valeur qui est reversée aux clients.
– T : la maturité du contrat.
– ck : le coupon annuel servi l’année k (exprimé en pourcentage de la valeur liquidative
initiale).
Dès lors la valeur liquidative du contrat Triple horizon peut se formuler d’après l’équation (1.1)
et celle de l’Objectif Juillet 2011 d’après l’équation (1.2) .
3 k−1
V LFT ripleHorizon = (1 + ck )V L0 1pos (1 − 1pos
i )
X Y
k
k=1 i=1
3
+ 1k=3 (1 − 1pos
i )(10≥r3 ≥−50% V L0 + 1r3 <−50% V L3 ) (1.1)
Y
i=1
2 8 k−1
V LFObj.juill.2011 = ck × V L0 1pos
k + (1 + ck )V L0 1pos (1 − 1pos
i )
X X Y
k
k=1 k=3 i=3
8
+ 1k=8 (1 − 1pos
i )(10≥r8 ≥−50% V L0 + 200% × (V L8 ) × 1r8 <−50% ) (1.2)
Y
i=1
Nous pouvons remarquer que la formule peut ainsi se généraliser dans l’équation (1.3) où f (.)
est une fonction positive ou nulle donnée et j représente les années d’accumulation de coupons
sans sortie automatique.
j T k−1
V LF = ck × V L0 1pos
k + (1 + ck )V L0 1pos (1 − 1pos
i )
X X Y
k
k=1 k=j i=j
T
+ 1k=T (1 − 1pos
i )(10≥rT ≥−50% V L0 + f (V LT ) × 1rT <−50% ) (1.3)
Y
i=1
En cas de rachat au cours de l’année et suivant les dates de constatation, les frais de sortie
sont de 1 à 3% (contrat Triple Horizon). Ces frais s’appliquent à la valeur liquidative du fonds
(avec coupons). Il en résulte une baisse de la performance réelle proposée aux clients : en cas de
sortie la première année, le gain est de 3%, de 9,95% la seconde année (pour 2 ans) et de 16,7%
pour trois ans (avec une performance positive la dernière année).
1.2.2 Les fonds à garantie totale

Nous étudions à présent six fonds qui présentent la même garantie totale de capital, tout en
étant indexés sur un panier d’actions ou d’indices :
– le contrat Opportunité Zen de Groupama[79]
– le contrat FructiZen 4 de la Banque Populaire[76],
– le contrat Garantie Emergents 2019 du Crédit mutuel[78],
– le contrat Capital Locker de la Caisse d’épargne[71],

– le contrat M98 de BNP Paribas[73],

– le contrat LBP Responsable Garantie octobre 2012 de la Banque Postale[74].
Les gestionnaires d’actifs sont respectivement SG Option Europe, Natixis Asset Management,
CM-CIC Asset Management, Natixis Asset Management, BNP Paribas Asset Management et
La Banque Postale Asset Management.
Les indices de référence sont l’Euro Stoxx 50 pour les contrats Opportunité Zen, FructiZen 4,
Capital Locker et M98 et le S&P-BRIC 40 pour le contrat Garantie Emergents 2019. Un panier
de 20 actions de l’espace économique européen est retenu pour le LBP Responsable Garantie
octobre 2012.
Remarque. Le S&P-BRIC 40 est un indice constitué de 40 actions d’entreprises cotées dans 4
marchés émergents : le Brésil, la Russie, l’Inde et la Chine. Il est réputé refléter la croissance de
ces marchés financiers.
Toutefois, il est intéressant de souligner que le sous-jacent principal du fonds Garantie Émer-
gents n’est pas investi dans le S&P-BRIC 40, mais pour des raisons d’accessibilité du produit au
plan d’épargne action (PEA) dans des valeurs appartenant à l’indice CAC40. Des instruments
financiers divers sont utilisés dans ces fonds. D’une manière générale, le sous-jacent diffère de
l’indice de référence puisque le fonds est complété par des instruments financiers de toute sorte
(swaps, obligations publiques et privées, actions, options...).
La maturité
Ces contrats ne sont pas pourvus de mécanisme de rachat automatique. La date de fin du
contrat n’est plus aléatoire. Les trois premiers contrats ont une durée de 8 ans. Le Capital Locker
a une maturité de 6 ans. Le M98 a une durée de vie plus courte de 2 ans et le contrat LBP
Responsable Garantie octobre 2012 a une durée de 2 ans et 4 mois.
Les garanties et les options
Ces contrats possèdent une garantie de la valeur liquidative initiale hors frais de souscription.
Néanmoins, il est important de noter que les frais de souscription peuvent être légèrement plus
élevés : de 3% à 6% pour le contratGarantie Emergents 2019, de 2,5% à 4% pour FructiZen 4
et de 2 à 3% pour LBP Responsable Garantie octobre 2012 .
Comme précédemment nous formalisons les garanties en performance et en capital de ces

contrats. Nous rajoutons dans nos notations :
– Ratio : une constante comprise en 0 et 1 qui est généralement appliquée sur la performance
moyenne finale.
– N le nombre de période par année où la performance de l’indice est relevée.
– rksup le rendement de l’indice de référence entre la date initiale et l’année k tel que tous les
rendements précédents sont inférieurs ou égaux à ce dernier.
Pour le contrat Garantie Emergent (voir l’équation (1.4)), une moyenne arithmétique du
niveau de l’indice à chaque trimestre (N = 4) entre la date d’investissement et la maturité
(T = 8) est calculée. La performance est définie à partir de cette moyenne et de la valeur de
l’indice en date initiale. Un ratio de Ratio = 60% est alors appliqué à cette performance pour

1.2 Les fonds à garantie totale 11
déterminer la valeur du coupon délivré lors du rachat du fonds. Ce coupon est positif ou nul.
PT ×N
1
NT k=1 V Lk − V L0
V LFEmergeant = V L0 + V L0 × Ratio × 1 1
PT ×N
V Lk −V L0

V L0 NT k=1
>0
V L0
×N
1 TX
!
= V L0 + V L0 × Ratio × (1 + rk ) − 1 1 1 PT ×N (1+r )−1>0
N T k=1 NT k=1 k
×N
1 TX
!
= V L0 + V L0 × Ratio × rk 1 1 PT ×N r >0 (1.4)
N T k=1 NT k=1 k
Le contrat M98 est présenté comme un contrat à garantie partielle du capital dans la bro-
chure financière communiquée à l’AMF. Cependant, il présente davantage de points communs
avec les contrats appartenant à la catégorie des fonds à garantie totale : en effet, la valeur liqui-
dative est de 98% du capital investi et les performances s’ajoutent à ce montant garanti. Cela
correspond donc à la situation précédente à l’exception que des "frais d’entrée supplémentaires"
sont intégrés implicitement. La performance de l’indice sous-jacent est constatée semestrielle-
ment, puis une moyenne de ces performances est calculée et l’on reverse Ratio = 65% de cette
valeur (ou un coupon nul si celle-ci est négative). Sa formulation est donc similaire à celle du
contrat Garantie Emergents 2019 .
Le contrat FructiZen 4 (cf. équation (1.5) ) possède aussi un rendement lié à la performance
moyenne arithmétique de l’indice de référence, ramené à un ratio de 75%, avec une différence
cependant dans le calcul de la performance moyenne finale. En effet, celle-ci est calculée semes-
triellement (N = 2) à partir des performances aux dates de constatations - toujours par rapport
à l’indice en date initiale - mais pour le calcul de la moyenne, seules les performances positives
et supérieures à celles déjà sélectionnées sont retenues.
 
TX×N
1
V LFF ructizen4 =V L0 + V L0 × Ratio ×  PT ×N rk 1rk ≥rsup  (1.5)
k=1 1rk ≥r sup
k=1
k−1
k−1
La logique d’ Opportunité Zen (cf.équation (1.6) ) est assez proche de celle des contrats
présentés dans la section précédente, mais il n’y a pas dans ce cas de risque de perte en capital,
ni de mécanisme de sortie. Le coupon annuel en cas de progression ou de stabilité de l’indice par
rapport à son niveau initial est de ck = 5, 85%. Mais le coupon total versé est égal au maximum
entre 12% et la somme des coupons annuels. Le rendement annuel brut actuariel varie ainsi entre
de 1,42% et 4,90%.
TX
=8
!
V LFOpp.Zen =V L0 + V L0 × max 12%; ck 1pos
k (1.6)
k=1
Le contrat Capital Locker présente des caractéristiques plus spécifiques, même si le fonction-
nement global reste similaire. En effet, la valeur liquidative finale s’obtient à partir de la valeur
liquidative initiale majorée d’un coupon positif ou nul, égal à un Ratio de 50% de la moyenne
arithmétique des performances de l’indice 11 , toutes minorées de -10%. Formellement, la garantie
de ce contrat peut s’écrire suivant la formule (1.7).
11. Toujours relativement à la valeur liquidative initiale.

×N
1 TX
!
V LFCapitalLocker =V L0 + V L0 × Ratio × (rk 1rk >−10% − 10%1rk ≤−10% )
N T k=1
× 1PT ×N (r (1.7)
k=1 k 1rk >−10% −10%1rk ≤−10% )>0
De façon comparable, le contrat LBP Responsable Garantie octobre 2012 reverse un cou-
pon plafonné à 8,6%, égal à la somme des moyennes arithmétiques des performances annuelles
positives 12 de chaque action, elles-même majorées à hauteur de 4,3%. La formule (1.8) de ce
produit nécessite d’introduire la performance rkm pour désigner le rendement (hors dividendes)
de l’action m du panier à M actions entre la date initiale et k.
T M
1 X
!
V LFResp.Garantie =V L0 + V L0 × min 8, 6%; min(4, 3%; rkm 1rkm ≥0 ) (1.8)
X
k=1
M m=1
1.2.3 Les fonds à garantie partielle

Nous abordons à présent les fonds à garantie partielle. Pour ce type d’investissement, l’assuré
n’est pas protégé contre une perte modérée en capital, mais l’est contre une perte extrême,
contrairement aux fonds à promesse. Nous avons sélectionné un contrat distribué par ARCA
patrimoine et émis par la Société Générale Option Europe : le contrat Premium multigestion 3
[80].

L’indice utilisé est l’Indice Premium Diversifié 3 qui vise à conserver une volatilité égale à
3% à l’aide d’un investissement dynamique quotidien entre le marché monétaire et différents
fonds. L’opacité de cet indice est assez importante, ce qui peut être problématique pour la
commercialisation du produit auprès du grand public.
La maturité Avec une échéance en décembre 2021, ce fonds a une maturité de 10 ans. Il ne
comporte pas de mécanisme automatique de rachat.
Les garanties et options

Les frais d’entrée sont de 4,5% et des frais annuels supplémentaires de gestion de 1,2% s’y
ajoutent. Le capital est garanti à 90% de la valeur liquidative initiale (VLI). Soit la valeur
de référence finale, que l’on notera VRF, la moyenne des 5 plus hautes valeurs de l’indice de
référence aux dates de constatation, avec V RF ≥ V RI. L’engagement de l’émetteur est alors
défini par la formule suivante :
Engagement = V LI × ([1, 2 × V RF ] − 0, 3)
1.2.4 Risques communs de ces fonds

Ces produits d’assurance présentent tous des risques financiers, qui peuvent être supportés
par l’assureur, par l’Asset manager ainsi que par l’assuré. Nous pouvons notamment citer :
Le risque de marché : l’évolution du prix des actifs de référence a un impact sur les
performances. Nous incluons dans cette catégorie le risque de crédit (spread) et le risque
de taux (variations des taux d’intérêt).
12. Elles sont considérées nulles autrement.

1.2 Synthèse 13
Le risque de contrepartie : Dans le cas ou des instruments financiers sont achetés par le
gestionnaire, la baisse de la qualité de la signature de la contrepartie diminue la valeur de
ces instruments et peut mettre en danger la solvabilité de l’émetteur du contrat à fenêtre.
Le risque lié à l’inflation : les actifs ne sont généralement pas indexés sur l’inflation. Un
risque d’érosion monétaire est donc présent.
1.2.5 Synthèse
D’une manière générale, il est possible de dégager certaines généralités quant à l’étude de
ces différents contrats, ce qui nous permettra par le suite de fixer les paramètres utilisés pour
la modélisation. Les frais d’entrée varient pour la plupart entre 1 à 6% et sont légèrement su-
périeurs pour les fonds à garantie totale. Les frais de gestion sont variables, très faibles pour les
fonds à promesse et peuvent monter jusqu’à 2% pour certains contrats. Les rachats anticipés
ou en cas de décès sont fortement pénalisés par des taux de sortie compris entre 3% et 5%,
ainsi que des clauses qui annulent toutes les garanties en capital. La durée de vie du contrat
varie de 2 à 10 ans. La période de souscription est comprise dans une fenêtre de temps assez
courte, ce qui peut éventuellement permettre aux gérants du fonds d’adopter une stratégie en
fonction des anticipations du marché. On trouvera dans le tableau 1.1 p.13. des éléments de syn-
thèse de quelques contrats représentatifs qui ont été présentés dans la sous-section précédente 13 .

Vendeur LCL BNP Paribas Groupama
Sous-jacent Eurostoxx 50 Eurostoxx 50 Eurostoxx 50
Frais d’entrée 2,5% 5% (maximum) -
Frais annuels 3% 1,4% -
Durée 3 ans 2 ans et 4 mois 8 ans
Conditions de sortie Performance annuelle positive Aucune Aucune
1% tous les trimestres
Frais de rachat 0% Pas de rachat possible
3% sinon
Effet cliquet de 5,85%
98% × VL 14 + 65% de acquis chaque année
Nombre d’années de la moyenne
Performance de performance positive
contrat × 7,25% + VL des performances posi- (dans la limite de
tives 46,80%)
Dans la limite d’une
Garantie plancher baisse de 50% de l’in- 98% × VL 112% × VL
dice
Effet cliquet Non Non Oui
Plafond Oui Non Oui
Table 1.1 – Tableau récapitulatif de contrats à fenêtre offerts sur le marché
Les fonds à promesse avec un taux de rendement prédéterminé et conditionnels possèdent

des mécanismes de sortie automatiques et une absence de garantie sur le capital, au-delà d’une
13. On note VL la valeur liquidative initiale du contrat dans ce tableau.

14 Les garanties retenues pour l’étude
baisse de plus de 50% de la valeur de l’indice.

Les fonds à garantie totale ont des durées de vie longues 15 proches de 8 ans et reversent
une majoration du capital, calculée sur la base d’une moyenne de performances, généralement
plafonnée à 50 ou 75%.
Les indices de référence globaux, comme l’Eurostoxx 50, sont privilégiés. Cela permet d’ac-
croître la visibilité du produit auprès des consommateurs. Dans la plupart des cas, ces indices
sont nets de dividendes : l’investisseur renonce donc à son droit de recevoir directement les di-
videndes des indices et des actions dont il possède fictivement 16 des parts.
Ces fonds exposent leur émetteur et l’investisseur à des risques similaires : le risque de mar-
ché, de contrepartie, ainsi que le risque d’inflation.
1.3 Les garanties retenues pour l’étude
Dans cette section, nous allons présenter les différentes garanties financières qui sont intégrées
dans les contrats à fenêtre que l’on peut trouver sur les marchés. Ces garanties apportent plus de
sécurité, permettent de séduire les assurés et ainsi de populariser les contrats. En contrepartie,
elles contribuent à augmenter l’engagement de l’assureur envers les assurés et donc le risque
supporté par celui-ci. Lors de l’ajout d’une garantie dans un contrat, l’assureur peut prendre
deux décisions.
– Premièrement, il peut choisir de supporter le risque en modélisant celui-ci et en mettant

en place une stratégie dynamique qui lui permettra de modifier la composition de son
portefeuille en fonction de l’évolution du (des) facteur(s) sous-jacent(s) à ce risque.
– Deuxièmement, il peut décider de couvrir ce risque sur les marchés financiers, en intégrant
dans son portefeuille les produits dérivés qui lui permettent de répliquer les flux de porte-
feuille qui correspondent à son engagement.
Les garanties que nous présentons dans cette section peuvent être répliquées par des options
disponibles sur les marchés financiers. Ainsi, nous tenterons par la suite de faire le parallèle avec
la théorie des options afin de mieux comprendre ce processus de réplication. Avant cela, nous
allons présenter deux secteurs pour lesquels les garanties présentes dans les contrats à fenêtre ont
un fort intérêt pratique : le marché des Variable Annuities et le marché des produits agricoles.
Nous faisons au préalable un rappel relatif à certaines notions financières qui seront utiles pour
mieux comprendre ces exemples. Le lecteur familier avec ces notions pourra passer directement
à la section suivante : le marché à terme des produits agricoles.
1.3.1 Notions financières : rappels sur les options d’achats et de ventes eu-
ropéennes, américaines et asiatiques, sur un sous-jacent ou un panier
de sous-jacents
Définition 1.3.1
Dans cette section, nous appellerons instrument financier un droit à percevoir des flux financiers
aléatoires dans le futur.
15. Pour les contrats étudiés.

16. L’indice de référence est différent du sous-jacent.

1.3 Notions financières : rappels sur les options d’achats et de ventes européennes,
américaines et asiatiques, sur un sous-jacent ou un panier de sous-jacents 15
Notions générales
En finance, une option est un produit dérivé 17 qui établit un contrat entre l’acheteur et le
vendeur, en donnant le droit mais non l’obligation au détenteur d’acheter (option d’achat) ou
de vendre (option de vente) un actif sous-jacent à un prix spécifié contractuellement (appelé le
strike).
Lorsque l’acheteur dispose de ce droit à une date unique fixée (appelée maturité), l’option est
de type européenne. S’il dispose de ce droit à tout moment entre la date d’achat et la maturité,
on parle d’option américaine. Lorsque le prix d’exercice de l’option est défini comme la valeur
moyenne pondérée de l’actif sous-jacent sur intervalle de temps donné, on parle alors d’option
asiatique.
D’après la théorie des options, la valeur à un instant donné d’une option est égale à la
valeur actualisée de l’espérance sous la probabilité risque-neutre du résultat 18 de cette option à
maturité. Le prix payé par l’acheteur de l’option (noté p dans la suite) est appelé la prime de
l’option.
Options européennes
Dans le cas d’une option européenne, l’acheteur ne peut exercer son droit qu’à la date de
maturité. A cette date, le résultat de l’option est donné ci-après.
– Pour une option d’achat, l’assureur possède un avantage compétitif si le prix du sous-
jacent est supérieur au prix d’exercice et il n’exercera son option que dans ce cas-là. Le
résultat de l’option est alors S − K, où S est le prix du sous-jacent et K la valeur du prix
d’exercice. Dans le cas où S ≤ K, il n’est pas intéressant d’exercer l’option et le résultat
est donc nul. Globalement, le résultat est donc donné par l’expression :
R = M ax(S − K, 0) = (S − K)+
– De façon symétrique, le résultat de l’option de vente est donné par l’expression :
R = M ax(K − S, 0) = (K − S)+
Au final, le bilan de l’opération, tenant compte de la valeur de la prime de l’option, est résumé
par le graphique 1.2 p.16.
Options américaines
Comme nous l’avons dit ci-dessus, l’acheteur d’une option américaine dispose du droit d’exer-
cer l’option à tout instant jusqu’à la maturité. Au moment d’exercer l’option, le résultat de
celle-ci a la même forme que celui d’une option européenne à maturité. On peut donc se réfé-
rer au graphique 1.2 p. 16, qui est valable tout le temps. Une option américaine a une valeur
supérieure par rapport à son équivalent européen car elle confère à son acheteur un droit plus
large. Néanmoins, il est possible de montrer que l’exercice d’une option d’achat américain n’est
jamais optimal : il est toujours plus avantageux de vendre cette option ou de la détenir jusqu’à
maturité.
17. Un produit dérivé est un instrument financier dont la valeur dépend du prix d’un ou plusieurs autres
produits, appelé sous-jacent.
18. C’est-à-dire du gain ou de la perte réalisé par l’acheteur.

Figure 1.2 – Résultat d’une option de vente et d’achat.
Options asiatiques
Pour les options asiatiques, le résultat de l’option à maturité dépend de la moyenne arith-
métique (ou éventuellement géométrique) de l’actif sous-jacent durant une période de temps
prédéterminée. Ainsi, si la période de référence de cette option s’étend entre les dates [t1 , t2 ], le
résultat de l’option à la maturité T sera : (où St est le prix de l’indice sous-jacent à la date t)
– pour une option d’achat
Pk=t2
k=t1 Sk +
(ST − )
t2 − t1
– et pour une option de vente :

Pk=t2
k=t1 Sk
( − ST )+ .
t2 − t1
Un des avantages des options asiatiques est qu’elles permettent de protéger l’acheteur d’un
changement important dans la valeur du sous-jacent à une date proche de l’exercice, car les cours
observés à des dates passées ont toujours une influence sur la valeur de l’option 19 . Remarquons
que les options européennes constituent un cas particulier des options asiatiques, où la moyenne
n’est calculée que sur une seule valeur (celle observée à maturité).
19. Car elle dépend du calcul de la moyenne arithmétique.

1.3 Le marché à terme des produits agricoles 17
Options panier
Une option panier est une option dont le résultat porte sur une combinaison linéaire du cours
de plusieurs sous-jacents. De façon formelle, cela signifie que l’actif sous-jacent de cette option
peut s’écrire comme
n
St =
X
ai Sti
i=1
avec :
– n : le nombre d’actifs sous-jacents

– Sti : le prix à l’instant t de l’actif sous-jacent i
– ai : le coefficient lié à l’actif sous-jacent i
Ce genre d’options permet de couvrir un portefeuille de façon précise ou de spéculer sur

plusieurs sous-jacents de façon simultanée. L’évaluation de ce type d’option est plus complexe
car elle nécessite de disposer d’informations sur tous les sous-jacents de façon individuelle, ainsi
que sur leurs corrélations mutuelles.
1.3.2 Le marché à terme des produits agricoles

Afin d’illustrer la complexité potentielle des garanties financières "cachées" dans les contrats
à fenêtre, nous pouvons ici nous intéresser à un exemple : le marché à terme du porc. En effet,
les intervenants de ce marché font naturellement face à un risque important : celui de voir le
cours du produit baisser et de ne pas vendre leur production au prix attendu. Afin d’éliminer
ce risque, ils peuvent entrer dans un contrat qui joue le rôle d’une assurance en les indemnisant
dans les situations de perte.
Aux États-Unis, les produits dérivés dépendant du prix du porc se sont fortement développés
depuis les années 1980 : ils ont connu une augmentation de 83% entre 1980 et 2001 et assurent
donc une fonction de transfert du risque : du producteur au vendeur du contrat. Nous allons
maintenant présenter un exemple de contrat à fenêtre relatif au prix du porc, dont le coût des
garanties proposées peut-être évalué en valorisant des options financières complexes. Cet exemple
constitue juste une illustration du lien entre les garanties du contrat et les options financières,
mais nous ne nous attachons pas ici à effectuer tous les calculs de valorisation de ces options.
Description du contrat
Dans notre cas, le producteur s’engage à fournir hebdomadairement un nombre spécifié de
porcs et ce, pendant une durée d’un an (52 semaines). Ce contrat est une succession de 52 sous-
contrats à fenêtre. Chaque semaine, le producteur est rémunéré pour la livraison des porcs en
fonction de la règle de décision suivante. Un plafond et un plancher sont définis chaque semaine
et on distingue alors deux cas de figure :
– Premièrement, le prix du porc se situe à l’intérieur de la fenêtre. Dans ce cas, le producteur

vend sa production au prix courant et supporte le risque.
– Deuxièmement, le prix du porc se situe hors de la fenêtre et le producteur reçoit alors
une fonction du prix courant et de la valeur de la borne considérée (le plafond si le prix
est supérieur à celui-ci et le plancher si c’est l’inverse). Ces deux fonctions représentent
la façon dont le producteur et le vendeur du contrat se partagent les gains et les pertes
réalisés. Une représentation schématique de ce contrat est présentée dans la figure 1.3
p.18. Dans notre cas, le plafond, de valeur P laf ondt à l’instant t et le plancher, de valeur

Figure 1.3 – Contrat fenêtre multi-périodes.
P lanchert à l’instant t, sont variables et dépendent de façon prédéfinie de deux autres va-
riables sous-jacentes intervenant dans le processus d’élevage des porcs : le soja et le maïs.
Ceci se traduit par les équations ci-dessous :
P lanchert = f (pc,m,t , ps,m,t )

P laf ondt = P lanchert + ∆
Pj=t Pj=t
j=t−m+1 pc,t j=t−m+1 ps,t
avec pc,m,t = et ps,m,t =
m m
où
– pc,t le prix du maïs et ps,t le prix du soja à l’instant t,
– m le nombre de semaines utilisées dans le calcul de la moyenne glissante,
– f la fonction de lien spécifiée par le contrat,
– ∆ la largeur de la fenêtre, constante durant toute la durée du contrat.
Modélisation du contrat
En observant l’expression ci-dessus, nous pouvons tirer plusieurs conclusions quant à la mo-
délisation du contrat par le biais de produits dérivés. D’abord, la spécification d’un plancher et
d’un plafond pour chaque fenêtre (à date fixée) implique le recours à des options d’achat et de
vente.
Enfin, nous pouvons déduire du calcul des bornes de la fenêtre par des moyennes arithmé-
tiques glissantes effectuées sur plusieurs sous-jacents que ces options d’achat et de vente sont

1.3 Le marché à terme des produits agricoles 19
des options asiatiques sur panier.
Dans un premier temps, intéressons-nous à la modélisation de chacun des 52 sous-contrats

séparément : du point de vue du producteur, le contrat est bénéfique si le prix descend sous la
valeur du plancher. Au contraire, si le prix passe au-dessus de la valeur du plafond, un manque-
à-gagner (qui peut s’interpréter comme une perte) est réalisé. Ce contrat peut donc être vu
comme un portefeuille composé de positions longues sur des options de vente (possédant toutes
le même prix d’exercice) et de positions courtes sur des options d’achat (avec un prix d’exercice
identique). Le prix d’exercice de l’option de vente correspond au plancher et, de même, celui de
l’option d’achat correspond au plafond.
Afin de déterminer le nombre d’options à inclure dans le portefeuille, nous pouvons ici faire
l’hypothèse que les pertes et les gains sont partagés à 50% entre les deux parties du contrat. Du
point de vue du producteur, cela se traduit de la façon suivante : le nombre de porcs sur lequel
sont basées les options est égal à la moitié du nombre porcs vendus. Sur le graphique 1.4 p.19,
nous représentons le payoff du contrat, correspondant au payoff à maturité d’un portefeuille
composé de :
– Vente de n porcs,
– n2 positions longues dans des options européennes de vente de prix d’exercice K1 ,
– n2 positions courtes dans des options européennes d’achat de prix d’exercice K2 ≤ K1 .
Figure 1.4 – Payoff du contrat.
De façon équivalente, nous pouvons aussi représenter le payoff du contrat du point de vue
du producteur dans la figure 1.5 p.20.
Ce graphique 1.5 p.20 illustre bien l’intérêt du contrat : le producteur renonce à un profit
potentiel lorsque le cours du porc à maturité est supérieur au prix d’exercice de l’option d’achat.
En contrepartie, il est protégé des pertes qui surviendraient si le cours tombait sous le prix de
l’option de vente. La fonction de transfert de risque est donc bien assurée.
Penchons-nous maintenant sur la méthode de valorisation de ce contrat. Nous sommes en

Figure 1.5 – Payoff du contrat pour le producteur.
présence d’un accord entre les deux parties, sans aucun paiement initial, ce qui implique que la
valeur du contrat à l’origine doit être nulle. Nous en déduisons alors la relation :
P rixOptiondevente(S0 ,P lancher,T ) = P rixOptiond0 achat(S0 ,P laf ond,T )

avec S0 le prix du porc à la date d’évaluation
et T la maturité de l’option d’achat et de l’option de vente
Deux solutions s’offrent alors à nous : la première consiste à fixer la valeur du plafond et à
en déduire la valeur du plancher à partir de l’équation ci-dessus et du modèle de valorisation
utilisé pour évaluer le prix des options ; avec la seconde, nous fixerons la valeur du plancher et
nous en déduirons celle du plafond, toujours à partir de cette relation.
Revenons maintenant au contrat considéré dans sa globalité. D’après ce qui précède, nous
déduisons que la valeur du contrat équivaut à la valeur d’un portefeuille qui serait composé de
52 positions longues sur des options de vente asiatiques sur panier et 52 positions courtes sur
des options d’achats asiatiques sur panier. De plus, sachant que la valeur du contrat doit être
nulle au moment de sa création 20 , nous pouvons en déduire la relation suivante :
t=52 t=52
DF (t0 , t) × E[max(P lanchert − P orct , 0)] = DF (t0 , t) × E[max(P orct − P laf ondt , 0)]
X X
t=1 t=1
avec : t0 la date de création du contrat, P orct le cours du porc à l’instant t
et DF (t1 , t2 ) le facteur d’escompte donnant la valeur en t1 d’une unité monétaire perçue en t2 .
20. En effet, au moment de la création du contrat, les deux parties s’engagent librement à s’échanger des flux
qui, évalués à la date courante, sont équivalents. Le coût pour rentrer dans un tel contrat est donc nul sous
l’hypothèse d’absence d’opportunités d’arbitrage.

1.3 Un autre exemple de produits à garanties complexes : les Variable Annuities21
Supposons alors que la fonction de lien entre le prix du soja, du maïs et la valeur du plancher
soit la suivante :
pc,m,t + ps,m,t
P lanchert = f (pc,m,t , ps,m,t ) = α ×
2
avec : α un paramètre spécifié par le contrat.
Nous pouvons alors en déduire une méthode pour déterminer la largeur de la fenêtre :
– Étape 1 : Modéliser le cours du soja, du maïs et du porc sur la période considérée (ici un
an).
– Étape 2 : Modéliser les facteurs d’escompte sur la période.
– Étape 3 : Spécifier la valeur du plancher (ou du plafond).
– Étape 4 : Évaluer la valeur des termes E[max(P lanchert − P orct , 0)] à toutes les dates,
qui représentent les payoffs d’ options de vente asiatiques arithmétiques sur panier.
– Étape 5 : Évaluer la valeur des termes E[max(P orct − P laf ondt , 0)] à toutes les dates,
qui représentent les payoffs d’options d’achats asiatiques arithmétiques sur panier.
– Étape 6 : Déduire la valeur de la fenêtre de l’égalité ci-dessus.
1.3.3 Un autre exemple de produits à garanties complexes : les Variable

Annuities
Les contrats à fenêtre que nous nous proposons d’étudier dans ce mémoire sont des produits
qui s’inspirent d’un type de contrat apparu dans les années 1980 sur les marchés américains et
japonais : les Variable Annuities. Ces contrats se sont fortement développés depuis leur création,
en intégrant au fur et à mesure de plus en plus de garanties. Chaque ajout de garantie permet
une sécurité plus importante du point de vue de l’assuré et augmente donc le risque supporté
par l’assureur. Nous pouvons distinguer quatre types de garanties, qui permettent de répondre
aux différents profils d’épargnants.
GMDB : Garantie minimale en cas de décès
Cette garantie 21 prévoit le versement d’un capital minimum défini à la souscription en cas
de décès de l’assuré. Elle s’adresse aux assurés désireux de protéger les autres membres de leur
famille. Cette garantie, que l’on dénomme couramment garantie plancher, est à rapprocher d’une
option de vente sur l’indice sous-jacent 22 .
GMAB-GMSB : Garantie minimale en cas de vie au terme
Il s’agit d’une garantie 23 sur l’épargne, à une date fixée à l’avance, en cas de vie ou en cas
de rachat : cette option s’adresse à des assurés qui désirent constituer un capital en vue d’un
projet futur, intervenant à une date connue aujourd’hui. Elle est encore une fois à rapprocher
d’une option de vente, pondérée par la probabilité de décès du bénéficiaire.
21. GMDB signifie Guaranteed Minimum Death Benefits.

22. En se plaçant du point de vue de l’assureur.
23. Le sigle GMAB remplace Guaranteed Minimum Accumulation Benefits et GMSB pour Guaranteed Minimum
Surrender Benefit.

GMIB : Garantie de rente minimale à une date fixée

Cette garantie 24 , dont de nombreuses variantes existent, permet à l’assuré de bénéficier de
façon certaine d’un reversement du capital constitué sous forme de rentes. Il s’agit donc d’une
solution idéale pour la préparation d’un complément de retraite. D’un point de vue financier,
la modélisation de ce contrat est plus complexe et fait intervenir différentes options financières,
notamment une série d’options de vente, dont le prix d’exercice est variable et dépendant de
différents facteurs.
GMWB-GMLB : Garantie de revenus temporaires

Grâce à cette garantie 25 , l’assuré peut disposer de revenus minimum définis à l’avance, quelle
que soit la trajectoire de l’épargne par la suite. Le profil des assurés intéressés ainsi que les options
financières sous-jacentes sont à rapprocher du cas précédent.
1.3.4 La garantie plancher

Fonctionnement de la garantie
On appelle communément garantie plancher, l’option qui permet à l’assuré d’avoir la certi-
tude de récupérer au moins le montant initialement investi à la fin du contrat (ou un montant
spécifié contractuellement). Cette garantie permet donc un partage des risques entre l’assureur
et l’assuré. Elle convient aux profils d’investisseurs qui désirent profiter des rendements des
marchés action tout en bénéficiant d’une protection de leur capital. Elle a été introduite aux
Etats-Unis dans les années 1980, dans le cadre de contrats de protection décès spécifiques : les
GMDB.
Cette garantie s’adresse à des assurés désireux de constituer un capital en vue de leur re-
traite, tout en ayant la certitude de protéger leurs proches en cas de décès. La garantie plancher
n’est donc à l’origine qu’une assurance décès, intégrée dans les contrats d’assurance-vie, qui s’est
très fortement développée suite aux violentes chutes des marchés actions durant les dernières
décennies 26 . L’ajout de cette garantie dans un contrat d’assurance induit nécessairement des
frais mis en place par l’assureur afin d’en financer le coût.
Exemple 1.3.4.1 (Le coût de la garantie plancher pour l’assureur). Un contrat en Unités
de Compte 27 est souscrit par un assuré qui apporte initialement 100.000 euros. L’assureur va
alors investir cette somme sur les marchés financiers, selon la politique spécifiée par le contrat.
Supposons que la contre-valeur des titres ne soit plus, à la date de clôture du contrat, que de
70.000 euros. En supposant que le contrat comporte une garantie plancher, l’assureur devra
restituer la somme initiale, soit 100.000 euros. Le coût de cette garantie sera alors pour lui de
30.000 euros. Le graphique 1.6 p.23 permet de visualiser le coût potentiel de cette garantie pour
l’assureur.
C’est le coût moyen de cette garantie, ainsi que son impact sur la rentabilité du contrat que
nous nous efforcerons d’estimer par la suite. Notons qu’une extension de cette garantie existe :
la garantie plancher indexée, qui promet à l’assuré une revalorisation périodique du capital
minimum garanti.
24. GMIB signifie Guaranteed Minimum Income Benefits.
25. Guaranteed Minimum Withdrawal Benefit et Guaranteed Minimum Living Benefit
26. On pense notamment aux différents krachs boursiers, à l’effondrement de la bulle internet, à la crise de
crédits hypothécaires américains etc.
27. L’assureur investit directement l’épargne de l’assuré sur les marchés financiers : il joue un rôle d’intermé-
diaire.

1.3 La garantie plancher 23
Figure 1.6 – Garantie plancher.
L’option sécurité pour l’assureur
Dans le cas des contrats à fenêtre, certains assureurs proposent des contrats offrant une
garantie plancher atypique : celle-ci n’est valable que sous certaines conditions.
Exemple 1.3.4.2 (La garantie plancher atypique du contrat Objectif Juillet 2011 ). Prenons
l’exemple du contrat Objectif Juillet 2011 : dans ce contrat, l’assuré récupère au moins la valeur
initiale de son épargne 28 (c’est-à-dire qu’il bénéficie d’une garantie plancher) pourvu que la baisse
de l’indice sous-jacent soit inférieure à 50% (par rapport au niveau initial). Si la baisse constatée
est supérieure à ce seuil, l’assuré récupère 200% de la valeur finale de son épargne, éventuellement
majorée des coupons qu’il aura acquis durant le contrat. De cette manière, l’assureur diminue
son engagement envers l’assuré en lui faisant supporter une partie du risque.
L’assuré supporte ici le risque extrême, ce qui permet à l’assureur de ne pas se soucier
des "scénarios catastrophes" lorsqu’il évalue la valeur actuelle de son engagement. En termes
mathématiques, l’assureur n’a pas besoin de se concentrer sur la modélisation de l’extrémité
gauche de la distribution de l’indice sous-jacent. Ci-dessous dans la figure 1.7, nous présentons
une illustration du risque supporté par l’assuré dans un tel contrat.
Nous étudierons dans la suite l’impact de cette garantie et la façon dont elle peut permettre
d’améliorer la rentabilité du contrat du point de vue de l’assureur, en se protégeant contre les
risques extrêmes. Ce type de mécanisme revient, pour l’assureur, à couvrir le risque sur les
marchés financiers en achetant une option de vente sur l’indice considéré.
28. Capital hors frais de souscription. C’est ce que nous avions appelé la valeur liquidative initiale.

Figure 1.7 – Garantie plancher limitée.
1.3.5 Le plafonnement de la performance

Il est spécifié dans certains contrats à fenêtre présents sur le marché, que l’assuré peut recevoir
la performance effectuée par les placements, dans une certaine limite, c’est à dire que son gain
ne pourra jamais dépasser un plafond défini contractuellement. Nous pouvons en fait interpréter
ce plafonnement comme une garantie pour l’assureur qui s’assure ainsi un partage des bénéfices
dans les scénarios favorables. Comme le représente le schéma 1.8 p.25 , on distingue deux types
de plafonnement :
– Dans le premier cas, l’assureur et l’assuré se partagent les gains réalisés, sur une base
spécifiée contractuellement. C’est le cas du contrat Capital Locker, où l’assureur prend 50%
de la performance, calculée comme la moyenne arithmétique des performances constatées
semestriellement.
– Dans le second cas, l’assureur prend la partie de la performance supérieure à un seuil
donné. Du point de vue de la théorie des options, cette garantie se rapproche d’une option
d’achat, que l’assureur aurait acheté à l’assuré.
1.3.6 La garantie cliquet

La garantie cliquet permet de "cristalliser" les performances financières réalisées au cours du
contrat. Cette garantie assure le bénéficiaire du contrat de percevoir au final un capital égal à la
valeur de rachat la plus haute atteinte par les versements à une date quelconque. On parle com-
munément d’"effet mémoire" dans la mesure où quelle que soit la situation économique future,
le bénéficiaire connaît à tout moment le montant minimal qu’il se verra reverser au terme. En-

1.3 La garantie cliquet 25
Figure 1.8 – Garantie plafond.
core une fois, cette garantie provient du marché des Variable Annuities et nécessite un contexte
économique porteur car les investissements sont souvent réalisés sur des actifs très risqués afin
d’honorer les engagements pris par l’assureur.
En effet, cette garantie peut potentiellement coûter très cher à l’assureur dans certains cas,
comme nous pouvons le voir sur le graphique 1.9 p.26. Dans le scénario présenté dans la figure 1.6
p.23, l’épargne, portée par un excellent contexte financier, atteint une valeur importante, ce qui
augmente fortement l’engagement pris par l’assureur. Par la suite, on observe une décroissance
forte et on peut mettre en évidence le coût potentiel de la garantie, en supposant que l’assureur
ait investi toute l’épargne de l’assuré dans les marchés actions.
Lorsque l’assureur propose cette garantie dans un contrat, il se doit donc de couvrir ses en-
gagements en achetant les produits dérivés adéquats sur les marchés financiers. Généralement,
l’assureur couvre l’option financière en faisant appel à un gérant de portefeuille. Ce dernier
propose alors une stratégie dynamique de couverture, qui permet de modifier la structure de
l’investissement afin de répondre aux changements observés sur les marchés financiers. Cette
stratégie se décompose en plusieurs règles de décision qui permettent de modifier la composition
du portefeuille de façon régulière (quotidienne ou hebdomadaire en général).
Toute la valeur ajoutée du gérant de portefeuille est de mettre en place une stratégie suf-
fisamment réactive, qui permette de ne pas subir les changements défavorables, sans toutefois
modifier la structure du portefeuille trop régulièrement, car cela pourrait entrainer des coûts
de transaction trop élevés. Du point de vue de l’assuré, l’ajout d’un nouvel intermédiaire dans
le processus a pour conséquence l’augmentation des frais prélevés par l’assureur, en réponse à

Figure 1.9 – Garantie cliquet.
l’augmentation de ses charges.

Dans le cas des contrats à fenêtre que nous étudions ici, nous avons mis en évidence certains
types de garanties cliquet "modifiées". Nous pouvons notamment penser au contrat Fructizen4 :
Exemple 1.3.6.1 (La garantie cliquet "modifiée" du contrat FructiZen4 ). L’assuré récupère au
terme le capital initial majoré d’une performance égale à la moyenne arithmétique des perfor-
mances d’un indice, constatées semestriellement, avec la règle suivante : une performance n’est
retenue que si celle-ci est supérieure à toutes les performances précédemment retenues. Par ce
biais, l’assureur ne supporte pas le coût d’une garantie cliquet traditionnelle, car les meilleures
performances de l’indice sont "diluées" dans le calcul de la moyenne. Par ailleurs, cette perfor-
mance moyenne est majorée à 75%.
Un autre exemple d’extension de la garantie cliquet est celle proposée par le contrat Triple
Horizon.
Exemple 1.3.6.2 (La garantie cliquet "conditionnelle" du contrat Triple Horizon). Dès que la
performance de l’indice est positive par rapport au niveau initial, la sortie du contrat est auto-
matique et l’assuré perçoit la valeur initiale de son épargne, à laquelle s’ajoute une revalorisation
de (7, 25% × n), où n est le nombre d’années qui se sont écoulées depuis la création du contrat.
Nous sommes ici en présence d’un effet cliquet car, à chaque année supplémentaire que dure
le contrat, l’assuré sécurise une revalorisation de 7,25% de son épargne, pourvu que l’indice re-
monte au-dessus du niveau initial avant la fin du contrat. Il s’agit donc ici d’une garantie cliquet
conditionnelle à un évènement, ce qui, encore une fois, permet d’atténuer le risque supporté par
l’assureur en transférant une partie de celui-ci à l’assuré. Nous pouvons voir une illustration de
ce mécanisme sur le schéma 1.10 p.27.
Au même titre que l’option de rachat dont nous parlons ci-après, l’évaluation de la garantie
cliquet justifie le recours à un générateur de scénarios économiques stochastique, où les scénarios

1.3 L’option de rachat 27
Figure 1.10 – Garantie cliquet modifiée dans le cas du contrat LCL Triple Horizon.
extrêmes (ou "catastrophes") permettent d’appréhender totalement la perte potentielle que peut
subir l’assureur.
1.3.7 L’option de rachat

L’option de rachat garantit au bénéficiaire de récupérer tout ou partie de son épargne à
n’importe quel moment au cours de la durée de vie du contrat. Cette option est généralement
exercée lorsque l’assuré est confronté à un besoin de liquidité immédiat ou lorsqu’il estime que
le contrat n’est plus suffisamment rentable 29 . Lors du rachat, l’assureur peut subir une perte
liée au décalage entre les conditions de marché prévalant à la date du rachat et les actifs adossés
aux engagements pris. Il est particulièrement important pour l’assureur de tenir compte de cette
option car elle peut générer des pertes considérables. Afin de le mesurer, prenons un exemple.
Exemple 1.3.7.1 (Le coût de l’option de rachat pour l’assureur). Un assuré investit dans un
contrat d’assurance vie et dispose d’une option de rachat. A la création du contrat, les taux
obligataires sont de 3% et l’assureur propose une rémunération annuelle de l’épargne de 2%.
Deux ans après, les taux obligataires sont montés et atteignent 6%, un concurrent propose alors
un contrat similaire, avec une revalorisation annuelle du contrat de 5%. L’assureur risque alors
de se retrouver confronté à un rachat massif des assurés qui désirent investir dans le nouveau
contrat. Afin de donner aux assurés le montant de leur épargne, l’assureur doit dégager des
liquidités et donc vendre des obligations qui constituent en général près de 70% de son actif.
Mais, comme les taux obligataires sont montés, les obligations ont perdu de la valeur et l’assureur
29. Comparativement à ce que propose la concurrence ou tout simplement d’autres produits financiers.

28 La notion de rentabilité
réalise des moins-values de cessions. Il se retrouve ici confronté à une "double peine" : perte des
clients et réalisation de moins-values.
Cette double peine peut possiblement générer des pertes très importantes pour l’assureur et
le mettre en difficulté. Afin de prévenir toute situation d’insolvabilité qui pourrait découler d’un
rachat massif, le régulateur, l’état et l’assureur prennent des mesures de précaution permettant
de limiter le risque :
– Par l’intermédiaire de la réforme Solvabilité II, le régulateur impose aux assureurs de
prendre en compte le coût de cette option lors de la constitution de leurs provisions tech-
niques. Pour modéliser le coût de cette option, il est obligatoire de tenir compte de nom-
breux facteurs : le comportement des assurés et les événements qui influencent la décision
de rachat, la liquidité des actifs qui seront vendus afin de payer les rachats etc.
– L’état impose une fiscalité spécifique pour les contrats d’assurance vie : le montant racheté
est déductible d’impôt lorsque les dépôts ont été effectués au moins 8 ans avant la date du
rachat. Ceci permet de limiter les comportements de rachats excessifs et ainsi de permettre
aux assureurs de détenir leurs obligations jusqu’à maturité.
– Lorsqu’il commercialise un contrat à fenêtre, l’assureur met en place une stratégie à long
terme et se prémunit contre le risque de rachats en instaurant en général des frais im-
portants dans ce cas, voire en interdisant ceux-ci hors de certaines "fenêtres de rachat"
déterminées au départ.
1.4 La notion de rentabilité

Afin de prendre la décision d’investir dans un projet, l’actionnaire qui apporte le capital
à la compagnie d’assurance sera désireux d’évaluer la profitabilité de celle-ci. Se posent alors
plusieurs questions cruciales : "Comment mesure-t-on la rentabilité d’un projet ?", où encore
"Comment compare-t-on deux projets entre eux ?"
1.4.1 De la difficulté à saisir la rentabilité financière

Plusieurs critères interviennent dans ce choix : le rapport entre le montant investi et le mon-
tant espéré en retour, mais aussi le risque supporté, la durée d’immobilisation du capital, les
taux d’intérêt du marché (qui servent de base comparative), le rendement attendu par l’action-
naire etc.
En outre, le passage de Solvabilité I à Solvabilité II a profondément modifié la manière de
mesurer la rentabilité des produits d’assurance. En particulier, la question "Qu’est-ce qu’un ré-
sultat ?" ne trouve pas de réponse claire dans le référentiel Solvabilité II, dont l’horizon un an
ne permet de tirer le bilan d’une opération de façon simple. Sous Solvabilité II, les résultats
communiqués ne sont plus déterministes mais stochastiques, c’est à dire que l’on communique
une valeur de rentabilité à un niveau de risque donné. L’indicateur de rentabilité se transforme
donc en une variable aléatoire sous ce référentiel. Dans "La lettre Actuariat et Finance" du 2ème
semestre 2010[54], Planchet et coll. nous expliquent que la procédure de mesure de rentabilité
peut se décomposer en plusieurs étapes :
– Étape 1 : Choix d’une mesure de risque.

– Étape 2 : Choix d’une fonction objectif (indicateur que l’on souhaite optimiser).
– Étape 3 : Projection stochastique des flux du contrat.
– Étape 4 : Calcul de la valeur prise par la fonction objectif pour chacun de ces flux.

1.4 Qu’est-ce qu’une mesure de risque ? 29
– Étape 5 : Calcul de la valeur prise par la mesure de risque sur la distribution des valeurs
prises par la fonction objectif.
Figure 1.11 – Processus de mesure de la rentabilité.
Nous détaillons maintenant les termes "mesure de risque" et "fonction objectif" et en pré-
sentons les exemples les plus couramment utilisés par les acteurs du monde l’assurance et de la
finance.
1.4.2 Qu’est-ce qu’une mesure de risque ?

Définition et propriétés
Commençons par définir mathématiquement la notion de risque :
Définition 1.4.1
Soit (Ω, F, P) un espace mesurable probabilisé. Un risque est une variable aléatoire définie sur
(Ω, F) et notée X. Dans notre cas, il représente le gain final réalisé. Si X ≥ 0, nous parlons de
gain et dans le cas inverse de perte. Appelons Φ l’ensemble des risques définis sur (Ω, F, P).
Nous pouvons alors parler de mesure de risque :
Définition 1.4.2
Une mesure de risque λ est une fonction : λ : Ω −→ R assignant un nombre à toutes les variables
aléatoires définies sur (Ω, F, P).

Il est évident que les mesures de risques doivent vérifier certaines propriétés pour avoir du
sens aux yeux d’un investisseur : "plus le risque est important, plus la mesure de risque lui
accorde une grande valeur" ou encore "La diversification de deux risques diminue le risque global
supporté"... Ces remarques nous amènent au concept de mesure de risque cohérente :
Définition 1.4.3
Une mesure de risque est dite cohérente si elle satisfait les quatre propriétés suivantes :
1 : Monotonicité : (X ≤ Y presque sûrement) =⇒ (λ(X) ≤ λ(Y ))
2 : Sous-additivité : λ(X + Y ) ≤ λ(X) + λ(Y ), ∀(X, Y ) ∈ Φ2
3 : Homogénéité : λ(kX) = kλ(X), ∀k ∈ R+
4 : Invariance par translation : λ(X + c) = λ(X) + c, ∀c ∈ R
La sous-additivité est une propriété clé : elle signifie que l’investisseur a toujours intérêt à
diversifier son risque, car celui-ci ne pourra que diminuer s’il divise son investissement. Il est
ainsi moins risqué d’investir 50 en obligations françaises et 50 en obligations allemandes que 100
en obligations françaises. Néanmoins, nous présentons ci-dessous quelques mesures de risques
utilisées en pratique et nous remarquerons que la plus célèbre d’entre elles 30 , la Value-at-Risk
(valeur à risque) n’est pas cohérente.
Quelques exemples de mesures de risque

Parmi les mesures de risque les plus utilisées, nous pouvons citer : l’espérance, la Value-
at-Risk et l’Expected Shortfall 31 . Pour les définitions suivantes, nous notons X une variable
aléatoire définie sur (Ω, F, P) et à valeurs dans R.
Définition 1.4.4
L’espérance mathématique est définie par : E(X) = Ω X dP. Un investisseur qui base sa décision
R
sur l’espérance n’a aucune aversion au risque : les gains et les pertes ont la même importance
pour lui et il ne base sa décision que sur la valeur espérée de l’investissement.
Définition 1.4.5
Soit un niveau de confiance α ∈ [0, 1] et un horizon temporel t. Notons Xt les cash flows à horizon
t associés à un risque X. On définit alors la valeur sous risque par V aR(X, t, α) = inf{z | P (Xt ≥
z) ≥ 1 − α} 32 . La Valeur sous risque définit le montant maximum qu’un investisseur est prêt
à perdre sur une position, pour un horizon temporel et un niveau de confiance associé. Elle a
l’avantage de tenir compte de l’aversion au risque de l’investisseur mais elle n’est pas une mesure
cohérente.
Définition 1.4.6
Soit un niveau de confiance α ∈ [0, 1] et un horizon temporel t. Notons Xt la perte à horizon t
engendrée par le risque X. On définit alors l’expected shortfall par : ES(X, t, α) = E[Xt | Xt ≤
V aR(X, t, α)]. L’expected shortfall représente l’espérance de perte sachant qu’un seuil de perte
(la valeur sous risque) a été dépassé. Elle se concentre donc sur les scénarios catastrophes et
présente l’avantage de définir une mesure de risque cohérente.
30. C’est aussi la mesure réglementaire préconisée par le régulateur, notamment pour sa simplicité
31. Il est à noter que ces mesures de risques sont présentées séparément, bien qu’elles appartiennent toutes à
la classe des mesures de Wang, qui les généralise
32. Nous remarquons que la valeur sous risque correspond au quantile d’ordre α du risque X

1.4 La fonction objectif : comment mesurer la rentabilité ? 31
1.4.3 La fonction objectif : comment mesurer la rentabilité ?

La fonction objectif représente la valeur qu’accorde l’investisseur aux flux (encaissements et
décaissements) générés par le contrat. Adoptons les notations suivantes :
– CFint : un flux positif généré par le contrat à l’instant t
– t : un flux négatif généré par le contrat à l’instant t

CFout
– T : la date de maturité du contrat
– Fin = {CFin t , t ∈ [0, T ]} : l’ensemble des flux positifs générés par le contrat sur la période.
– Fout = {CFout t , t ∈ [0, T ]} : l’ensemble des flux négatifs générés par le contrat sur la
période.
– F = {Fin , Fout } : l’ensemble des flux générés par le contrat sur la période
– Θ : l’ensemble des paramètres que peut nécessiter la fonction objectif (taux d’actualisa-
tion...)
On peut alors définir la notion de fonction objectif.
Définition 1.4.7
Une fonction objectif o : (F × Θ) −→ R est une fonction à valeurs réelles qui associe un nombre
réel à tout ensemble de flux de F .
Les différentes fonctions objectifs que nous utiliserons dans le cadre de ce mémoire sont
présentées ci-après.
Nous notons DF (t, T ) le facteur d’actualisation donnant la valeur en t d’une unité monétaire
perçue en T .
La NBV : New Business Value
Définition 1.4.8
Soit I0 l’injection de capital initial liée à l’investissement, la New Business Value d’un investis-
t=T
sement f ∈ F est définie par : N BV (f, I0 ) = −I0 + DF (0, t) × (CFin ).
X
t t
− CFout
t=1
La NBV représente la valeur actuelle des flux excédentaires obtenus après avoir remboursé la
somme initiale investie au cours de la durée du contrat. De façon simpliste, la NBV peut fournir
un critère de décision pour l’investisseur qui serait le suivant :
– Si N BV (f, I0 ) < 0 : refuser le projet

– Si N BV (f, I0 ) = 0 : zone d’indifférence
– Si N BV (f, I0 ) < 0 : accepter le projet
Le TRI : Taux de rendement interne
Définition 1.4.9
Le taux de rendement interne r ∈ R d’un investissement est défini comme la valeur qui vérifie
t=T
X (CF t − CF t )
l’égalité suivante : −I0 + in in
= 0.
t=1
(1 + r)t

Le TRI , encore appelé taux de rendement actuariel, permet de savoir si un projet est rentable
mais il ne permet pas de comparer deux projets entre eux. La NBV reste préférable lorsque l’on
veut établir une relation d’ordre.
Le ROI : Return On Investment

Définition 1.4.10
Soit I0 l’injection du capital initial lié à l’investissement, le ROI de f est alors défini par
Resultatf
ROI(I0 , f ) = I0 où Resultatf est le résultat généré par l’investissement.
Exemple 1.4.3.1 (Calcul du ROI d’un investissement). Prenons l’exemple simple de l’inves-
tissement f0 suivant avec une injection de I0 = 1000 euros de capital, pour un reversement final
de Rf inal = 1050 euros. Le résultat est alors Resultatf0 = Rf inal − I0 = 50 euros et le ROI est
Resultatf0
donc : ROI(I0 , f0 ) = I0 = 50
1000 = 0.05 = 5%.
Le ROI est la mesure de l’efficacité d’un investissement en termes de rentabilité, c’est-à-dire

la capacité de l’investissement à se transformer en source de recettes. Il est néanmoins nécessaire
en pratique de définir de façon claire la notion de résultat.
Le RAROC : Risk Adjusted Return On Capital

Définition 1.4.11
E[Resultatf ]
Le RAROC d’un investissement f est défini par RAROCf = Capitalf où Capitalf est le
capital à immobiliser pour l’investissement.
∗∗∗
Nous avons présenté les différents types de produits financiers qui sont présents sur les mar-
chés. Des exemples simples, comme celui du marché à terme du porc ou ceux des contrats à
fenêtre étudiés, nous ont permis de poser le cadre de notre sujet notamment avec le panorama
des garanties à analyser. Les indicateurs clefs de la rentabilité que nous avons présentés vont,
quant à eux, nous fournir nos instruments de base pour pouvoir évaluer nos garanties. Cepen-
dant, nous nous intéressons à des contrats d’assurance vie. Nous devons donc nous placer dans
le contexte réglementaire de l’assurance en évaluant notamment nos produits à l’aide de modèles
internes partiels Solvabilité II. Nous présentons dans le chapitre suivant la réforme Solvabilité
II et en cela le cadre de notre étude.

Chapitre 2
La réforme Solvabilité II
Nous sommes conscients que la réforme a été fortement commentée ces dernières années et
qu’elle ne fait guère plus de mystères. Nous avons donc pris le parti d’en faire un bref rappel
et nous renvoyons les lecteurs curieux aux nombreux mémoires d’actuariat qui ont développé
la thématique ces deux dernières années 1 .Dans une première sous-partie, nous présenterons les
principales caractéristiques de Solvabilité I. Dans une seconde sous-partie, nous évoquerons la
réforme Solvabilité II et ce qu’elle apporte.
2.1 Le passage de Solvabilité I à Solvabilité II : des différences

majeures
La réforme Solvabilité II devrait entrer en vigueur d’ici le 1er janvier 2014, comme le note
la Fédération Française des Sociétés d’Assurances 2 . Elle a été adoptée par le vote du parlement
européen de la directive 2009/138/CE le 22 avril 2009[70] et a été publiée dans le journal officiel
de l’Union européenne le 17 décembre 2009. Tout comme la réforme Solvabilité I, elle vise à s’as-
surer de la solidité financière des compagnies d’assurances, mais elle apporte des changements
de taille, organisés autour de 3 piliers.
2.1.1 Solvabilité I
Solvabilité I repose comme Solvabilité II sur l’engagement des autorités des pays européens
à accompagner la mise en place d’un marché commun de l’assurance en Europe, en veillant à
s’assurer de la capacité des assureurs à faire face à leurs engagements envers leurs clients. Cet
effort commence dans les années 1970 3 et se concrétise par une synthèse en 1997 avec le rapport
Müller(voir[67] 4 ) qui débouche au début des années 2000 sur la réforme Solvabilité I.
Pour se protéger contre le risque d’insolvabilité de l’assureur, la réforme impose la constitu-

tion d’un certain montant de provisions techniques 5 déterminé prudentiellement, ainsi que des
règles de placements sûres pour les primes perçues 6 . Ainsi, afin de réduire les risques liés aux
aléas, l’assureur doit diversifier son portefeuille : il détiendra ainsi au maximum 65% d’actifs
1. On pourra notamment consulter le site de Frédéric Planchet qui regroupe ces mémoires [69].
2. On pourra consulter le site de la FFSA à ce sujet[66] et le site du régulateur [70].
3. En 1973 pour l’assurance non-vie et en 1979 pour l’assurance vie.
4. On se référera également à [2] pour plus de précisions.
5. Par exemple, les provisions mathématiques.
6. Dans le cadre de ce mémoire, nous supposerons que les actifs et sous-jacents que nous utilisons respectent
ces différentes règles.
33
34 Le passage de Solvabilité I à Solvabilité II : des différences majeures
mobiliers, 40% d’actifs immobiliers et 10% d’actifs hypothécaires 7 .

Afin de se couvrir contre le risque de contrepartie 8 , l’assureur doit diversifier son porte-
feuille, en veillant à limiter la part d’actifs provenant d’un même émetteur : 5% en général[2].
Dans notre outil de simulation, nous nous donnons la possibilité d’avoir autant d’actifs que voulu.
Enfin 9 , Solvabilité I impose une marge minimale de solvabilité : la Marge de Solvabilité

Règlementaire (MSR). Il s’agit du montant minimal de capital que l’assureur doit détenir à tout
instant. Elle est égale en assurance vie à un taux de rétention multiplié par la somme de :
– 4% des provisions mathématiques brutes de réassurance constituées en fonds obligataires.
– 1% des provisions mathématiques des contrats en unités de compte.
Le taux de rétention τrétention est défini comme le maximum entre 85% et le ratio entre les
provisions mathématiques nettes et brutes de réassurance, soit :
Provision Mathématiques Nettes de réassurance

τrétention = M ax 85%; . (2.1)
Provision Mathématiques Brutes de réassurance
Solvabilité I doit être considéré comme une première étape dans la construction et la conver-
gence d’un marché commun de l’assurance. La volonté politique 10 de favoriser cette convergence
des règles prudentielles ainsi que des normes comptables caractérise Solvabilité I, qui correspond
à la première étape d’une homogénéisation encore élémentaire 11 , poursuivie avec Solvabilité II.
2.1.2 Solvabilité II : généralités

A la volonté de favoriser l’unification du marché européen s’est ajouté avec l’éclatement de
la bulle informatique en 2001 puis la crise des crédits immobiliers américains et de la dette
souveraine depuis 2007, le souci d’assurer une plus grande solidité financière des compagnies
d’assurances. Tout comme avec les accords Bâle pour les banques, les gouvernements et les ac-
teurs européens se sont joints pour mieux contrôler et surveiller les établissements financiers
afin d’éviter leur faillite qui pourrait à l’instar de celle de Lehman Brothers perturber fortement
l’économie nationale, européenne, voire mondiale. C’est dans ce contexte que le projet de Solva-
bilité II voit le jour.
Le projet est bâti autour de 3 piliers, que nous avons représentés dans le graphique 2.1
p.35. Le premier s’attèle à déterminer des contraintes quantitatives permettant de garantir la
solvabilité des assureurs. Le deuxième invite ceux-ci à mettre en place une approche qualitative
dans la gouvernance d’entreprise et la gestion des risques avec un contrôle interne, des stress
tests et un processus de supervision externe. Enfin, le dernier pilier traite de la transparence
concernant les informations relatives à l’assureur et notamment à sa santé financière. Dans
le cadre de notre mémoire et de notre travail, seul le premier pilier nous intéresse. Nous en
développons de manière succincte dans les parties suivantes les éléments clés.
7. C’est-à-dire de prêts.
8. Risque lors d’un échange entre deux acteurs sur le marché que l’un d’eux fasse défaut et ne puisse assurer
les termes du contrat.
9. Pour les supports qui nous intéressent dans ce mémoire.
10. L’ EIOPA (European Insurance and Occupational Pensions Autority), anciennement appelé avant le 1er
janvier 2011 le CEIOPS (Committee of European Insurance and Occupational Pensions Supervisors - Comité
Européen des Contrôleurs des Assurances et des Pensions Professionnelles), définit ainsi dans ses recommandations
(CEIOPS-DOC-05/05)[21] de septembre 2005 comme objectifs de long terme (p.17) la convergence des systèmes
de solvabilité nationaux.
11. Notamment car elle s’adapte (trop) aux spécificités nationales

35
Figure 2.1 – Les 3 piliers de Solvabilité II.
2.2 Solvabilité II
Dans cette section, nous détaillons rapidement les différentes exigences de la réforme en terme
de capital économique. Mais interrogeons-nous d’abord sur les motivations de cette réforme. La
Commission Européenne souhaite protéger le secteur de l’assurance, qui est un des moteurs de
l’activité économique 12 et les épargnants européens contre le risque de défaut des assureurs,
c’est-à-dire le risque que ces derniers ne soient plus en mesure de faire face à leurs engagements
contractuels. Une solution pour y remédier est de contraindre les assureurs à immobiliser un
montant suffisant de capital afin de faire face à ce risque. Le régulateur propose ainsi aux
assureurs deux manières de calculer leur propre risque et le capital de solvabilité requis : à
l’aide de la formule standard ou d’un modèle interne. Dans le second cas, le modèle doit faire
l’objet d’une validation stricte de la part du régulateur : cela ne concerne que peu d’assureurs,
en particulier les grosses structures ([51] et [26]). La tendance est à l’élaboration de modèles
internes partiels 13 . Reprenons dans un premier temps les caractéristiques du modèle standard
pour introduire celle des autres modèles par la suite.
2.2.1 Le modèle standard

Commençons par aborder deux notions essentielles : le Capital Minimum Requis (MCR)
et le Capital de Solvabilité Requis (SCR), pour ensuite développer la méthode de calcul de ce
dernier.
Le Capital Minimum Requis (MCR)

Il s’agit du montant minimum de fonds propres requis pour que l’assureur ait le droit d’exer-
cer son activité. En deçà, le régulateur 14 prend le contrôle de la société et lui retire son agrément
d’assurance.
Le Capital de Solvabilité Requis (SCR) sous le modèle standard

Le SCR est l’élément central de la réforme Solvabilité 2. C’est le montant de fonds propres
qui est nécessaire que l’assureur doit détenir pour faire face à une perte significative avec une
probabilité de 99,5% à horizon de un an. Autrement dit, l’assureur ne doit théoriquement pas
12. En France, hors Sécurité Sociale, les primes collectées s’élèvent à près de 10% du PIB national.
13. Comme nous le verrons, le modèle interne est une solution intermédiaire entre la formule standard et le
modèle interne.
14. Il s’agit en France de l’Autorité de Contrôle Prudentiel (ACP).

36 Solvabilité II
faire défaut plus d’une fois tous les 200 ans. Pour déterminer le SCR, il faut donc s’intéresser
à la probabilité de ruine et plus généralement aux différents facteurs qui l’expliquent. Le SCR
est ainsi décomposé en une multitude de risques et défini comme la somme de 3 éléments :
tout d’abord, le Basic Solvency Capital Requirement (BSCR), puis le capital pour le risque
opérationnel (Op) et enfin un ajustement de capital pour tenir compte des effets des provisions
techniques 15 et des taxes différées.
Définition 2.2.1
Le risque opérationnel est défini par le comité de Bâle comme le risque de pertes directes ou
indirectes résultant d’une inadéquation ou d’une défaillance attribuable à des procédures, per-
sonnels, systèmes internes ou à des événements extérieurs. Un incendie où une panne électrique
qui rendrait inopérants les serveurs de la société en sont des exemples de réalisation.
Le BSCR se décompose, lui, en une multitude de sous-risques, de sous-modules, dont on

retrouvera les détails dans le QIS5[24] 16 , et dont on ne présentera que les éléments liés à notre
projet. Nous ne nous intéressons ainsi qu’à la modélisation et à la prise en compte du risque de
marché, du risque de défaut et du risque de vie comme indiqué dans le graphique 2.2 p.36.
Figure 2.2 – Décomposition du Solvency Capital Requirement étudié dans ce mémoire.
Risque de marché Le risque de marché représente l’exposition aux marchés financiers : la

détention d’un portefeuille d’actif par l’assureur est sujette aux variations de nombreuses
variables : le cours des actions, les taux d’intérêt, de change, le prix de l’immobilier etc. Il
comporte trois sous-catégories :
15. En particulier de la provision pour participation aux bénéfices.

16. Dans les recommandations techniques notamment à partir de la page 90.

2.2 Le modèle standard 37
(i) Le risque d’illiquidité, qui provient de la difficulté de trouver un autre acteur sur le
marché prêt à acheter l’actif que l’assureur veut vendre, ce qui entraîne une baisse de
la valeur des actifs.
(ii) Le risque de concentration, qui regroupe les risques liés à la corrélation entre les
risques et à l’existence d’une source commune au risque.
(iii) Le risque de spread, qui est défini par la Directive Solvabilité II à l’article 105-5-d 17
comme la sensibilité de valeur des actifs, des passifs ou des instruments financiers
aux changements affectant le niveau ou la volatilité des marges (spread) de crédit par
rapport à la courbe des taux sans risque.
Risque de défaut Il s’agit du risque qu’une contrepartie de l’assureur fasse défaut, comme par
exemple l’émetteur d’obligations qui sont dans le portefeuille.
Risque vie Nous pouvons considérer ce risque comme non central dans le cadre de notre projet,
en effet, en cas de décès, les contrats sont généralement transférés aux bénéficiaires, qui
peuvent exercer leur droit de rachat. Dans la mesure où les contrats à fenêtre sont des
contrats d’investissement permettant de revaloriser l’épargne dans un horizon de court ou
de moyen terme (2 à 8 ans), avec des frais importants et une suspension des garanties
offertes en cas de rachat, nous supposerons ce dernier négligeable dans le cadre de ce
projet ou du moins nous considérerons que le risque de mortalité est inclus dans le risque
de rachat.
Le calcul du SCR de marché
Le SCR est calculé par l’agrégation de nombreux sous-modules nécessitant chacun l’immo-
bilisation d’un montant de capital, évalué selon des règles propres.
Calcul du besoin en capital sous risque de taux d’intérêt. Ce sous-module 18 concerne

tous les actifs et passifs qui sont sensibles à une variation de la structure à terme des taux
d’intérêt ou de leur volatilité. Il s’agit de mesurer la variation des actifs nets des passifs (NAV)
suite à une hausse ou une baisse des taux. Les chocs à appliquer sont définis dans [24] et repris
par [7], ils dépendent de la maturité des investissements.
M archémouvement
taux = ∆N AV |choc après mouvement (hausse ou baisse)
Calcul du besoin en capital sous risque action. Il regroupe 19 tous les actifs et passifs
sensibles à une variation du prix des actions. Pour calculer le besoin en capital, il faut déterminer
la variation de la NAV pour chaque action. Les actions peuvent être séparées en deux catégories,
définies par le régulateur : un indice "global" qui comprend les actions des marchés régulés des
pays membres de l’OCDE 20 et de l’EEE 21 et un indice "autre" pour les autres actions. Les chocs
sont respectivement de 39% et de 49%, auxquels s’ajoute un effet d’ajustement limité à 10 points
pour limiter la procyclicité de la réforme[7].
17. Cité par Aidan et Moine [2].

18. Voir pour plus de détails [24] - SCR.5.15 à SCR.5.25 pp.110-112.
19. Voir [24] - SCR.5.26 à SCR.5.42 pp.112-116.
20. Organisation de Coopération et de Développement Economiques
21. Espace Economique Européen

38 Solvabilité II
M archéactioni = (∆N AV | choc sur l’action i )+

et
M archétotal
action = (M archéglobal 2 autre 2 autre global
action ) + (M archéaction ) + 0, 75 × M archéaction × M archéaction
Calcul du besoin en capital sous risque d’immobilier. Le besoin en capital pour risque
immobilier 22 est déterminé de façon simple et égal à la variation de la NAV suite à une chute
de 25% du marché.
Calcul du besoin en capital sous risque de spread. Ce sous-module s’intéresse aux actifs
et aux passifs sensibles à une modification du niveau ou de la volatilité des spreads de crédit
sur la structure à terme des taux sans risque. Trois types de produits sont visés et possèdent
chacun leur mode de calcul propre : les obligations, les produits dérivés de crédit et les produits
structurés de crédit. Encore une fois, il s’agit de déterminer la variation de la NAV suite à un
choc. Pour plus de détails, le lecteur pourra consulter [24] 23 .
Agrégation des différents sous-modules. Pour calculer le SCRmarché , il faut ensuite agré-
ger les besoins en capitaux pour les différents risques à l’aide des matrices de corrélation 24 (2.2)
(2.3) qui sont communiquées par le régulateur. La formule (2.2) est appliquée.
i,j Taux Actions Immobilier Spread Concentration Prime d’illiquidité

Taux 1
Actions 0,5 1
Immobilier 0,5 0,75 1
Spread 0,5 0,75 0,5 1
Concentration 0 0 0 0 1
Prime d’illiquidité 0 0 0 -0,5 0 1
Table 2.1 – Matrice de corrélation pour les scénarios de baisse des taux d’intérêt.
sX
SCRmarché = max hausse × M archéhausse × M archéhausse ;
Corrr,c r c
r,c
sX !
baisse
Corrr,c × M archébaisse
r × M archébaisse
c (2.2)
r,c
22. Voir [24] - SCR.5.43 à SCR.5.52 pp.116-117.

23. En particulier SCR.5.67 à SCR.5.52 pp.119-117.
24. Pour plus d’informations sur les méthodes de calcul du besoin en capital sous risque de concentration
et d’illiquidité et pour obtenir les matrices de corrélation complètes, le lecteur peut se référer au QIS5[24], en
particulier le SCR.5.5, p.108 ou encore à [7] I.1 et I.2

2.2 Le modèle standard 39

Taux 1
Actions 0,5 1
Immobilier 0,5 0,75 1
Spread 0,5 0,75 0,5 1
Table 2.2 – Matrice de corrélation pour les scénarios de baisse des taux d’intérêt.

Taux 1
Actions 0 1
Immobilier 0 0,75 1
Spread 0 0,75 0,5 1
Table 2.3 – Matrice de corrélation pour les scénarios de hausse des taux d’intérêt.
Le BSCR
Dans l’approche standard, le calcul du BSCR s’effectue en 3 étapes.
(i) Étape 1 Déterminer les SCR des différents modules (ici le SCR de marché, le SCR de défaut
de contrepartie et éventuellement le SCR vie) comme nous l’avons vu dans la sous-section
précédente.
(ii) Étape 2 Agrégation des SCR modulaires à l’aide de la matrice (2.4) p.39 25 ,
i,j Marché Défaut Vie

Marché 1
Défaut 0,25 1
Vie 0,25 0,25 1
Table 2.4 – Matrice de corrélation inter-modulaire.
(iii) Étape 3 Additionner les SCR modulaires agrégés au SCR intangible SCRintangible 26 , comme
indiqué dans (2.3). Dans le cadre de ce mémoire, nous ne tenons pas compte de ces actifs
intangibles.
25. Voir le QIS5[24] - SCR.1.32, p.96.

26. voir [24] SCR.2.25 p.100.

40 Solvabilité II
sX
BSCR = Corri,j × SCRj × SCRj + SCRintangible (2.3)
i,j
=(SCRmarché
2
+ SCRV2 ie + SCRDéf
2
aut
+ 0, 25 × SCRmarché × SCRDéf aut + 0, 25 × SCRmarché × SCRV ie
+ 0, 25 × SCRDéf aut × SCRV ie )1/2
Le risque opérationnel
Les événements relatifs au risque opérationnel pouvant mettre en péril l’assureur et le

rendre incapable d’honorer ses engagements, celui-ci se doit de mettre des capitaux de côté
pour y faire face. Le montant de ces derniers se calcule d’après la formule 2.4.
SCRopérationnel =min(0, 3 × BSCR; Op) × Expul (2.4)
où Op est le risque opérationnel de base pour tout contrat (hors assurance vie) dont le
risque d’investissement est porté par l’assuré 27 et où Expul est le montant des dépenses
("expenses") durant les 12 derniers mois en assurance vie dont le risque d’investissement
est porté par l’assuré.
Le calcul du SCR total
Les calculs intermédiaires ayant été réalisés, nous pouvons finalement donner l’expression
du Capital de solvabilité requis global, à l’aide de la formule (2.5).
SCRtotal = BSCR + SCRopérationnel + Ajustement (2.5)
2.2.2 Le modèle interne

Le régulateur encourage et laisse la possibilité aux compagnies d’assurance de créer leur
propre modèle interne. Un modèle interne doit constituer une alternative crédible au modèle
standard, dans la mesure où il permet de mieux tenir compte de la situation propre de l’assu-
reur, en améliorant la gestion du risque, en quantifiant les risques et en déterminant le capital
économique requis pour y faire face 28 . Il se doit d’intégrer tous les risques de la société d’assu-
rance. Ainsi il permet de déterminer la valeur nette de la firme et de ses engagements, de telle
sorte à pouvoir estimer la distribution des pertes et ainsi le capital nécessaire pour éviter sa
faillite dans 99.5 % des cas. Après validation du modèle, l’assureur doit continuer à calculer et à
fournir au régulateur les données d’après la formule standard pour une durée d’au moins 2 ans.
Pour pouvoir utiliser le modèle interne, ce dernier doit satisfaire plusieurs conditions[15].
Parmi celles-ci, nous pouvons notamment citer :
– la Validation du Use test - le modèle interne doit être utilisé au quotidien dans le
système de gouvernance de la compagnie, comme un outil de pilotage de la gestion du
risque et dans les processus d’évaluation et d’allocation du capital économique et de la
solvabilité[18].
27. [24] SCR.3.6 p.103.
28. Présentation du CEIOPS [14] - Solvency II Glossary (CEA/GC) : “A risk management system developed by
an insurer to analyse the overall risk position, to quantify risks and to determine the economic capital required to
meet those risks” .

2.2 Le modèle standard spécifié (Undertaking Specific Parameter USP) 41
– l’Application de tests statistiques de qualité - tous les risques doivent être couverts
et la loi de probabilité utilisée doit être adéquate, basée sur des techniques statistiques ou
actuarielles solides, avec des hypothèses crédibles et réalistes et des données appropriées
en accord avec toute l’activité de l’assureur.
– l’Application des standards de calibration - s’il est souhaitable d’utiliser une VaR
à 99,5% à horizon un an, des mesures de risque et un horizon de temps différents sont
autorisés, de même que certaines approximations, à condition qu’elles permettent une
protection contre la ruine au moins équivalente à celle de la formule standard.
– la Validation - le modèle a été validé par plusieurs méthodes, à la fois quantitativement
et qualitativement.
– le respect des normes de validation - ceci inclut le contrôle de la performance du
modèle, l’adéquation de ses paramètres, des données d’entrées et des résultats obtenus
comparativement aux données d’expérience, ainsi que de sa stabilité.
La littérature est très prolifique sur ce sujet. En particulier, pour déterminer le capital écono-
mique, le modèle des simulations dans les simulations est très populaire. Dans cette modélisation,
on effectue un premier jeu de simulations, appelées "primaires", des facteurs de marché. Celles-ci
sont réalisées en monde réel 29 , c’est à dire calibrées à partir de l’historique du prix des actifs sur
les marchés financiers pour déterminer les cash flows à horizon 1 an. Vient ensuite un second
jeu de simulations en monde risque neutre (avec une hypothèse martingale sur les sous-jacents)
pour évaluer le coût des engagements (passifs) et la valeur de l’actif.
Ces méthodes requièrent un temps de calcul important afin d’obtenir un estimateur robuste
du capital économique. Nous pouvons citer 3 méthodes innovantes permettant de réduire le coût
de ces simulations : les replicating portfolios 30 , la méthode de l’accélérateur des Simulations dans
les Simulations (SdS) 31 et la forme paramétrique 32 . Nous ne développerons pas ces approches
que nous n’avons pas utilisées au cours de notre travail.
2.2.3 Le modèle standard spécifié (Undertaking Specific Parameter USP)
Toutefois, entre la formule standard et le modèle interne, il existe des configurations inter-
médiaires. La plus proche de la formule standard est celle du modèle standard spécifié (USP).
Le régulateur reconnaît 33 que certains paramètres du modèle standard peuvent ne pas être en
adéquation avec les données réelles de tous les assureurs : en particulier certaines volatilités 34 .
Aussi autorise-t-il des amendements pour certains d’entre eux dans les sous-modules "révision"
et "réserve des primes" des modules SCR Santé, Vie et non-vie. Avant de pouvoir utiliser ses
propres paramètres, l’assureur se doit d’obtenir l’aval du régulateur 35 . Ce changement est dé-
finitif dans le sens où il n’est plus possible de revenir aux paramètres usuels, à moins d’une
seconde validation du régulateur.
29. Nous présentons ce concept dans les prochaines sections.

30. Cette méthode utilise un portefeuille d’actifs pour reproduire les cash-flows du passif. Le lecteur intéressé
pourra se reporter aux travaux de L. Devineau et M. Chauvigny[20].
31. Il s’agit d’accéder directement aux pires scénarios pour en déterminer le capital économique à l’aide d’un
algorithme développé par L. Devineau et S. Loisel dans [31] et [19].
32. Cette méthode utilise une fonction paramétrique linéaire qui tient compte d’effets croisés et d’effets multi-
plicatifs. Le véritable défi repose en fait sur le calibrage de la fonction proxy et sa validation. Le lecteur intéressé
pourra se référer aux travaux de L. Devineau et S. Loisel [32].
33. Pour plus de détails, le lecteur pourra consulter le rapport du EIOPA (CEIOPS)[23]
34. §3.16 de [23]
35. §3.23 de [23].

42 Solvabilité II
2.2.4 Le modèle interne partiel

Afin d’encourager les compagnies à améliorer la formule standard pour s’ajuster au mieux
au risque auquel elles font face, le régulateur autorise le développement d’un modèle interne
partiel. Ce dernier peut être vu comme une étape intermédiaire supplémentaire. D’une com-
plexité inférieure à celle du modèle interne, le modèle interne partiel constitue une avancée par
rapport au modèle standard avec USP. Il peut s’agir par exemple de modéliser des dépendances
non prévues dans la formule standard ou prendre en considération de nouveaux risques etc. 36 .
L’EIOPA, dans [22] 37 , insiste sur les différentes possibilités de simuler, avec un modèle interne
partiel, uniquement quelques modules (ex. celui du SCR de marché) et sous-modules de risque 38
(ex. le SCR du risque action).
En revanche, il est proscrit, de séparer les activités d’assurance (par exemple la vie, la non-vie
et la santé) et de modéliser entièrement avec un modèle interne complet une de ses activités (ex.
l’activité santé) et utiliser la formule standard pour le reste des activités d’assurance(l’activité
non-vie par exemple). L’assureur ne peut pas calculer son capital économique comme la somme de
capitaux économiques d’entités juridiques indépendantes et distinctes avec leur propre méthode
de calcul du SCR total. Une illustration permettant de mieux comprendre ce que le modèle
interne partiel ne doit pas être, est donné dans la figure 2.3 p.42.
A l’inverse du modèle interne, il n’est pas nécessaire de suivre une approche modulaire pour
Figure 2.3 – Exemple d’un emploi proscrit du modèle interne partiel.
le modèle interne partiel. Il est possible de considérer un horizon temporel différent, où une autre
mesure de risque 39 . C’est cette approche que nous avons suivie dans le cadre de notre travail
avec l’utilisation des déflateurs.
36. Dans le rapport du CEIOPS [22], §3.5 deux exemples de plus-value du modèle interne sont donnés : la possi-
bilité de modéliser des dépendances entre le risque de spread (qualité de la signature) et le risque de concentration
ou encore de modéliser d’autres risques non présents dans la formule standard.
37. Le lecteur intéressé pourra aussi consulter pp. 12-15 [22].
38. Abordés dans la section précédente sur le modèle standard.
39. Cf. §3.9. [22]

2.2 Le modèle interne partiel 43
∗∗∗
Nous souhaitons ainsi reproduire les conditions d’utilisation d’un modèle interne partiel dans
le cadre de notre mémoire. Or, afin de calculer les ratios de solvabilités et le montant du capital
économique, il est nécessaire de procéder à des simulations des actifs risqués afin reproduire
l’évolution de l’actif du bilan de la compagnie d’assurance. Il nous faut dès lors des modèles
d’actifs, ce que nous abordons dans les deux chapitres suivants. L’étape qui suivra consistera à
évaluer l’évolution du passif du bilan de l’assureur. Il sera alors possible de déterminer l’impact
de la réforme sur la rentabilité des produits à garanties complexes étudiés et surtout d’analyser
le coût de ces garanties.

44 Solvabilité II

Chapitre 3
Les modèles d’actifs
La question du choix du modèle de simulation des actifs est, à notre sens, fondamentale et ce
particulièrement à l’heure actuelle, notamment pour les marchés actions : les travaux de Black,
Scholes et Merton, publiés en 1973 1 , ont donné naissance à un modèle de simulation d’actifs
risqués couramment appelé modèle de Black-Scholes et basé sur la résolution d’une équation
différentielle stochastique satisfaite par le prix de l’actif sous-jacent du modèle. Ce modèle, qui
s’inscrit avec le modèle d’évaluation des actifs financiers 2 dans la continuité des travaux de
Harry Markowitz ayant donné naissance à la théorie moderne du portefeuille, est basé sur deux
hypothèses fortes :
Hypothèse gaussienne A tout instant t, le prix St de l’actif risqué suit une loi normale
N(µ, σ 2 ), dont la moyenne et la variance sont spécifiées au départ.
Absence d’opportunités d’arbitrage (AOA) Il est impossible d’acquérir une richesse cer-
taine dans une date future avec un investissement initial nul.
Ces deux hypothèses sont fortement discutables et ont été largement critiquées. L’hypothèse
d’absence d’opportunités d’arbitrage peut être justifiée par l’existence d’arbitragistes, qui ex-
ploitent les "faiblesses" des marchés financiers et les ramènent donc de façon permanente en
situation d’AOA. L’hypothèse gaussienne est donc la faiblesse principale de ce modèle. Le prin-
cipal détracteur de cette hypothèse est le mathématicien franco-américain Benoît Mandelbrot,
qui propose la modélisation des aléas boursiers par un "hasard sauvage" permettant d’intégrer
la discontinuité et la concentration des risques dans le temps, qui expliquent les changements
instantanés des prix et des informations essentielles. C’est sur la géométrie fractale que B. Man-
delbrot base cette modélisation.
Une structure fractale est une structure invariante par échelle. Cette propriété à une impli-
cation importante dans la modélisation financière : si une perte est gaussienne, plus elle devient
importante, plus la probabilité de subir une perte deux fois plus grande diminue (et ce, de fa-
çon exponentielle). A l’inverse, si une perte est "fractale", cette probabilité reste constante. De
cette manière, les évènements extrêmes ne sont jamais négligés. Les évènements comme le krach
boursier d’octobre 1987 3 et celui de la bourse islandaise 4 renforcent ces critiques : les marchés
financiers acquièrent très rapidement l’information et il est impossible de modéliser de telles
baisses avec une loi normale. Néanmoins, le modèle de Black-Scholes est aujourd’hui la référence
1. Ces travaux ont valu le prix de la banque de Suède en sciences économiques en mémoire d’Alfred Nobel
à Robert Merton et Myron Scholes en 1997. Fisher Black, décédé en 1995 et donc inéligible, a été cité comme
contributeur.
2. En anglais, Capital Asset Pricing Model, introduit par Jack Traynor, William Sharpe et John Lintner au
début des années 1960 suite aux travaux d’Eugène Fama portant sur la notion d’efficience des marchés financiers.
3. Qui s’est caractérisé par une baisse de 22.6% de l’indice Dow Jones de la bourse de New-York en une journée.
4. Qui avait ouvert en baisse de 76% après trois jours de fermeture en 2008, au cœur de la tourmente financière
mondiale liée à la faillite de Lehman Brothers.
45
46 Monde réel, déflateurs ou risque neutre ?
auprès des professionnels et des universitaires du fait de son caractère simple et pratique.
Dans ce contexte et étant donné l’actualité économique et financière, nous sommes persuadés
que le choix de modélisation des actifs risqués 5 est déterminant dans l’évaluation des contrats
à fenêtre, c’est pourquoi nous nous proposons d’effectuer une brève revue de littérature, pré-
sentant les différents modèles aujourd’hui utilisés par les actuaires 6 . Nous détaillons ci-dessous
les critères principaux qui permettent de différencier ces modèles, ainsi que leurs avantages et
leurs inconvénients. Cette section n’a pas pour ambition de déterminer le "meilleur modèle", car
il est fondamental de garder à l’esprit que celui n’existe pas et que la modélisation retenue doit
dépendre du type de produit étudié. Il est à noter que la communauté actuarielle est aujourd’hui
indécise quant à la modélisation qui permet de capter au mieux le risque action supporté par
l’assureur sous le référentiel Solvabilité II.
3.1 Monde réel, déflateurs ou risque neutre ?

Le choix du cadre de la simulation dans lequel nous nous plaçons pour réaliser nos valori-
sations a un impact majeur sur la modélisation des actifs, c’est pourquoi il est essentiel de se
poser dès à présent la question de l’univers de probabilité.
3.1.1 Univers risque-neutre

Dans l’univers risque-neutre, tous les investisseurs sont neutres au risque et les instruments
financiers sont valorisés selon le principe fondateur de la finance moderne : le prix d’un instru-
ment financier est égal à la valeur actualisée au taux sans risque de l’espérance sous la probabilité
risque neutre des flux monétaires liés à cet instrument. La procédure de calibration du modèle
s’inscrit alors dans une approche "forward-looking", c’est-à-dire que l’on considère que le prix de
l’instrument dépend non seulement de son état passé et de son environnement actuel, mais aussi
de son évolution future anticipée. Cette calibration se déroule alors comme suit : l’utilisateur
sélectionne un ensemble de produits dérivés représentatifs dont le prix est observable aujourd’hui
sur les marchés financiers et calibre les coefficients afin que les prix donnés par le modèle corres-
pondent avec les valeurs observées. Ce sont les prix de ces produits dérivés sur l’actif sous-jacent
qui reflètent les anticipations des investisseurs quant à son évolution future. On retrouve dans
cette famille le modèle lognormal notamment (modèle de Black-Scholes), qui suppose que les
log-rendements des actifs suivent une marche aléatoire, paramétrée par un mouvement brow-
nien sous la probabilité risque-neutre. Le changement de probabilité (passage du monde réel
au monde risque neutre) se fait grâce à une transformation mathématique et notamment au
théorème Girsanov, qui relie les deux mesures de probabilité.
3.1.2 Univers monde réel

Dans l’univers monde réel, au contraire, nous nous plaçons sous la probabilité historique qui
traduit la connaissance, les anticipations et l’aversion au risque des différents acteurs des marchés
financiers. Sous la probabilité historique, les investisseurs sont plus averses au risque en temps
de crise économique et demandent alors un rendement plus important pour le risque supporté.
Leurs décisions sont influencées par des facteurs extérieurs comme l’inflation et la structure de
la courbe des taux d’intérêt. Le modèle développé doit donc refléter ces différents mécanismes
économiques. Il est alors calibré à partir de données existantes : l’utilisateur s’efforce de faire en
sorte que le modèle puisse répliquer les rendements observés sur une période donnée, idéalement
5. Notamment les actions.
6. Le lecteur familier avec ces différentes formes de modélisation des actifs pourra passer directement au
chapitre suivant.

3.1 Univers monde réel avec déflateurs 47
assez longue et comportant des variations dans la situation économique. Cette approche est de
type « backward looking », utilisée dans le cadre des modèles ARCH et GARCH 7 par exemple.
3.1.3 Univers monde réel avec déflateurs

Avec les déflateurs, nous nous positionnons dans un univers monde réel. Le déflateur est un
facteur d’actualisation stochastique intégrant la prime de risque. Nous détaillons cet outil de
valorisation dans le chapitre suivant.
3.2 Quelques concepts méthodologiques

Dans cette section, nous allons présenter une revue de littérature des différents concepts
méthodologiques utilisés pour la modélisation du rendement de l’actif risqué.
Remarque. Il est à noter que cette section n’est pas indépendante des revues de littératures
effectuées pour les autres facteurs de risques (taux, immobilier. . . ), car de nombreux
modèles permettent d’intégrer directement la corrélation entre ces facteurs. Ces modèles
permettent par la suite de valoriser les différentes garanties financières que l’assureur a
vendues à ses assurés. Afin d’effectuer cette valorisation, il est possible de se placer dans
l’univers de probabilité risque neutre ou dans l’univers monde réel, de considérer tous
les facteurs de risques séparément ou de façon intégrée et de choisir parmi un panel de
modèles très vastes. Il est possible de classer ces modèles selon de nombreux critères :
paramétriques/non paramétriques – mono factoriel / multi factoriels – monde réel / risque
neutre – déterministe / stochastique - avec / sans corrélation des facteurs de risques (on
pense notamment à la corrélation action - taux d’intérêt).
Dans un premier temps, nous détaillons l’intérêt de ces différentes distinctions, ce qui per-
mettra de mieux comprendre les tenants et les aboutissants de la modélisation des actifs dans
notre cadre. Nous présentons ensuite les familles de modèles que nous avons citées ci-dessus,
ainsi que leurs applications et les ressources bibliographiques dans lesquelles elles apparaissent.
3.2.1 Les modèles autorégressifs dans un marché efficient

L’efficience des marchés est une notion importante qu’il est nécessaire de prendre en consi-
dération lors de la modélisation du cours d’un actif sous-jacent. Un marché est dit efficient si,
à une date donnée, le prix des actifs reflète l’intégralité de l’information relative à ce marché.
Par conséquent, la valeur de l’actif à l’instant t ne dépend que de cette valeur à l’instant t − 1.
Mathématiquement, nous pouvons reformuler cette hypothèse avec (3.1).
St1 − St1 −1 St − St2 −1

∀t1 , t2 ∈ [0, T ], rt1 = ⊥⊥ rt2 = 2 (3.1)
St1 −1 St2 −1
Cette hypothèse est étroitement reliée au concept de processus de Markov. Cela nous conduit
à une modélisation de type lognormale ou de Black-Scholes. A l’inverse, si nous supposons que
la dynamique des actifs possède une structure autorégressive, c’est-à-dire que le cours futur des
actifs est influencé par son évolution passée 8 , il est alors nécessaire de déterminer une fenêtre
glissante, à l’intérieur de laquelle les prix passés influencent de façon plus ou moins forte, la valeur
future de sous-jacent. Cette modélisation traduit l’idée que, à la suite des krachs boursiers, les
7. ARCH : AutoRegressive Conditional Heteroscedasticity et GARCH : Generalized AutoRgressive Condition-
nal Heteroscedasticity, voir ci-après la présentation de ces modèles.
8. Dans les derniers jours, semaines, mois. . .

48 Quelques concepts méthodologiques
marchés restent nerveux pendant une période résiduelle, durant laquelle la volatilité des actifs
est plus importante. Le modèle GARCH permet de modéliser ce phénomène, appelé « clusters
de volatilité ». Cette hypothèse conduit à des modèles de type AR, ARCH et GARCH que nous
développons ci-après. Cette distinction est traitée dans [39].
3.2.2 Modèles stochastiques ou déterministes ?

Les modèles stochastiques sont aujourd’hui très répandus dans le milieu actuariel car ils
répondent bien aux problématiques auxquelles sont confrontés les assureurs. Les techniques
actuarielles traditionnelles utilisaient pour la plupart des modèles déterministes mais ceux-ci
présentent différents inconvénients, que l’on peut rassembler sous la critique suivante : une
simulation de l’actif sous-jacent sur une unique trajectoire ne permet pas de capter l’intégralité
du risque généré par l’actif. De plus, les résultats obtenus ne seront pas évidents à interpréter
car ils n’apportent des informations que dans le contexte économique précis correspondant à
cette trajectoire. Il apparaît aujourd’hui nécessaire d’utiliser des modèles stochastiques, afin
d’intégrer le coût total des « options cachées » des passifs des assureurs. On pense ici notamment
à l’option de rachat. La décision de rachat dépend du contexte économique et peut, en cas de
rachat massif, avoir d’importantes répercussions pour l’assureur. La modélisation stochastique
est alors nécessaire pour capter et quantifier ces différents risques.
3.2.3 Modèles paramétriques ou non paramétriques ?

Le terme paramétrique signifie que des hypothèses sont effectuées sur la dynamique de l’actif
modélisé. En général, le cadre paramétrique permet d’obtenir des formules relativement pratiques
et élégantes quant au pricing de produits dérivés dépendant de l’actif modélisé. Ces hypothèses
peuvent être plus ou moins fortes et, malheureusement, sont parfois irréalistes et s’écartent de
la réalité financière. On pense notamment ici au modèle de Black-Scholes, qui permet d’obtenir
des formules fermées pour le pricing de produits dérivés vanille comme les options de vente et
d’achat.
Comme nous l’avons dit précédemment, cette modélisation permet donc une tarification aisée
des garanties financières vendues par l’assureur, dans le cas des Variable annuities par exemple.
A l’inverse, les modélisations non paramétriques ne supposent rien sur le processus de l’actif
et se proposent d’analyser les rendements historiques avec une approche « série temporelle ».
Dans la famille des modélisations non paramétriques, on distingue notamment les modèles AR,
MA, ARCH et GARCH qui sont régulièrement utilisés dans le domaine actuariel. Ces modèles
permettent de dégager la structure de la série considérée. Ils font appel à différents critères
spécifiques, qui nous amènent à étendre la réflexion sur la modélisation 9 .
3.2.4 Modèle d’actifs intégrés ou agrégés ?

La plupart des modèles caractérisent le processus de diffusion de l’actif risqué et permettent
d’intégrer la corrélation avec d’autres facteurs de risques (par exemple les actions et les taux
d’intérêt) a posteriori. La modélisation de chaque classe d’actif est donc effectuée de façon indé-
pendante et une technique d’agrégation doit être déterminée afin d’envisager une modélisation
globale de l’actif de l’assureur.
9. A titre d’illustration, nous pouvons mentionner :
– l’autocorrélation qui interroge sur la manière dont le rendement d’un actif et sa volatilité sont impactés
par les rendements précédents,
– la structure de la volatilité qui pose le problème de la volatilité non constante dans le temps et celui des
périodes de forte volatilité et de faible volatilité successives.

49
A l’inverse, les modèles intégrés proposent directement une compréhension globale, en te-
nant compte de toutes les variables économiques dès le départ, afin de les rendre cohérentes entre
elles. Le modèle le plus connu dans cette catégorie est le modèle de Wilkie, que nous présentons
ci-après, mais nous pouvons aussi noter le modèle de Mary Hardy, ainsi que le modèle de Hib-
bert Mowbray et Turnbull[45], qui est utilisé dans le mémoire « Replicating portfolio et capital
économique en assurance vie » [58]. Ces trois modèles sont basés sur l’inflation et la structure
des taux d’intérêt et permettent, par un mécanisme de cascade , d’en déduire les rendements et
les dividendes des actions.
3.3 Les modèles d’actifs : les actions

Dans cette section, nous abordons les modèles de simulations d’actions. Il faut garder à
l’esprit que certains de ces modèles sont également utilisés pour la modélisation de taux d’intérêt
(notamment le modèle log-normal) ou des actifs immobiliers 10 .
3.3.1 Le modèle log-normal et ses extensions

Il est aujourd’hui certain que le modèle lognormal (schéma de type Black et Scholes) ne
permet pas de capter tout le risque engendré par les actions. En effet, cette modélisation sous-
estime nettement les queues de distributions, notamment du côté gauche, qui représente le risque
de perte dont se soucie l’assureur. Nous verrons que certaines extensions ont été proposées au
modèle lognormal afin de remédier à ce problème : la modélisation avec volatilité stochastique
ou avec changement de régime.
Description du modèle lognormal standard

Le Modèle lognormal (3.2) part du principe que le logarithme népérien des rendements suit
un mouvement brownien géométrique 11 .
dSt
= µdt + σdBt (3.2)
St
– St est le prix de l’actif risqué à l’instant t.
– (Bt )t≥0 est un mouvement brownien standard.
– µ est la tendance annuelle.
– σ est la volatilité annuelle.
– dt est le pas de temps.
Il en résulte que, pour un intervalle de temps ∆t , nous avons (3.3).
∆St
∼ N(µ∆t ; σ∆t ) (3.3)
St
Comme nous l’avons vu, cette modélisation a une implication assez forte : les rendements
sont indépendants entre eux dans le temps.
Ce modèle a un avantage notoire : il est très simple à implémenter et l’estimation des dif-
férents paramètres par la méthode du maximum de vraisemblance est directe. Il sert de base à
10. Dans ce mémoire, nous ne traiterons pas de ce type d’actif.
11. Le lecteur intéressé pourra consulter l’ouvrage de Hull "Options, futures et other derivatives" [46] .

50 Les modèles d’actifs : les actions
une grande partie de la finance moderne : les modèles des agences de notation s’en inspirent for-
tement et est très utilisée pour l’évaluation d’instruments financiers comme les options vanilles.
En revanche, comme nous l’avons dit, il présente la faiblesse de ne pas capter certains mouve-
ments des marchés financiers comme la taille des queues de distributions, l’asymétrie (caractère
leptokurtique) et l’autocorrélation des processus. Sa simplicité, notamment due à l’hypothèse
de volatilité constante 12 , le pénalise beaucoup.
Extension du modèle lognormal : les changements de régime

Dans les mémoires « Rapprochement du concept de la valeur économique et du capital
économique en assurance vie »[43], « Calcul du capital économique en assurance vie »[51], ainsi
que « Recherche d’un modèle actuariel d’analyse dynamique de la solvabilité d’un portefeuille de
rentes viagères »[36], la modélisation lognormale est retenue. En effet, le modèle à changement de
régime rentre dans le cadre des extensions du modèle lognormal. Comme l’expliquent Campbell
et coll. [25],il est possible de généraliser le modèle lognormal en introduisant des processus
stochastiques à la place des paramètres µ et σ de l’équation 3.2 . Ceci peut s’écrire sous la forme
générale :
dSt
= µ(t, St )dt + σ(t, St )dBt .
St
Les fonctions µ(t, St ) et σ(t, St ) sont respectivement appelées fonctions de tendance (drift en
anglais) et de diffusion. Elles traduisent l’idée que les paramètres du modèle de Black-Scholes
peuvent changer selon le contexte économique. Par exemple, il est logique que la volatilité aug-
mente et que la tendance diminue durant les périodes de crise. Une illustration peut être trouvée
dans [7].
Le changement de régime consiste à dire que la volatilité des actifs peut prendre deux va-
leurs distinctes : l’une correspond à la situation « normale », où l’environnement économique
est stable, c’est-à-dire hors périodes de crises, de récession, etc. et l’autre correspond à la si-
tuation exceptionnelle, où les rendements des actions peuvent subir des perturbations violentes
et soudaines. Une probabilité de transition permet de passer d’un régime à l’autre et certaines
modélisations permettent de relier cette probabilité au niveau d’autres facteurs de risques du
modèle. Un modèle à changement de régime lognormal est présenté par Mary Hardy dans l’ar-
ticle « A regime-switching model of long term stock return »[40]. Plus généralement, ce type de
modélisation rejoint le cadre des processus à sauts, qui permettent de capter les changements de
régime soudains observés sur les marchés. Il est aussi possible de trouver dans la littérature des
modèles se concentrant sur la fonction de tendance, comme le modèle d’Ohrstein-Uhlenbeck, qui
est souvent utilisé pour la modélisation des taux d’intérêt.
Le modèle d’Ohrstein-Uhlenbeck
Le modèle d’Ohrstein-Uhlenbeck permet d’introduire une tendance linéaire dans le modèle,
à savoir :
dSt = γ(µ − St )dt + σdBt

avec :
– γ la vitesse de retour à la moyenne.

12. qui peut être mis en évidence à l’aide du smile de la volatilité.

3.3 Les processus de diffusion hyperbolique généralisée 51
– µ la moyenne long terme.
Comme dans le modèle lognormal classique, le processus se comporte en moyenne comme

sa tendance linéaire µt, mais la variation autour de cette tendance est plus sophistiquée. En
effet, quand le processus s’éloigne de cette tendance linéaire, il a tendance à y être ramené, de
façon plus ou moins rapide (en fonction du paramètre de retour γ). Ce modèle permet donc
d’introduire de l’autocorrélation dans les données et ne suppose plus l’indépendance des rende-
ments. Une limite de cette approche vient de l’autocorrélation d’ordre 1 qui est bornée entre les
valeurs -1/2 et 0. En outre, les autocorrélations d’ordres supérieurs sont toujours négatives,ce
qui motive à présenter ici d’autres modèles.
Dans l’article « Implementing Option pricing when asset return are predictable »[49], Lo
et Wang introduisent un modèle Ohrstein-Uhlenbeck bivarié qui s’inscrit dans la catégorie des
modèles à deux facteurs :
dSt = (λXt − γSt )dt + σS dBts

dXt = −δXt dt + σX dBtx
avec :
– γ≥0
– δ≥0
– λ des paramètres du modèle.
– σS la volatilité de St
– σX la volatilité de Xt
– (Bts )t≥0 et (Btx )t≥0 deux mouvements browniens standards tels que dBts dBtx = κdt où κ
est un paramètre de corrélation.
Cette modélisation permet, en jouant sur les paramètres, de créer des structures d’autocorréla-
tion plus complexes et qui conviennent en général mieux à la modélisation des rendements. Ce
type de processus présente encore quelques inconvénients que l’on peut corriger en introduisant
un processus d’Ohrstein Uhlenbeck multivarié : la fonction d’autocorrélation tend vers une li-
mite de -1/2 et ne peut changer de signe qu’une seule fois. De plus, le modèle ne permet pas
de tenir compte de variables économiques extérieures. Néanmoins, ce processus reste toute fois
relativement simple à mettre en œuvre et les paramètres sont estimables par le maximum de
vraisemblance.
3.3.2 Les processus de diffusion hyperbolique généralisée

Nous avons vu précédemment que le modèle standard lognormal était incapable de reproduire
les caractéristiques des actifs risqués et nous avons montré que des extensions étaient possibles
(modèle à changement de régime notamment). Une autre approche est envisageable : considérer
une famille de distribution plus large qui permette de prendre en compte ces caractéristiques.
C’est ce qui est proposé dans cette sous-section avec une brève présentation des processus hy-
perboliques généralisés. Un processus de diffusion généralisée hyperbolique est un processus de
diffusion qui converge vers une variable aléatoire de densité stationnaire et dont la distribu-
tion 13 appartient aux lois hyperboliques généralisées qui sont caractérisées par 5 paramètres
(X ∼ H(λ, α, β, δ, µ)). Cette loi a été introduite par Barndorff-Nielsen[6] en 1977. Elle constitue
une généralisation très importante d’un certain nombre de processus qui sont utilisés en finance
13. Dans l’immédiat, la présentation détaillée de la densité de la fonction ne présente pas beaucoup d’intérêt.

52 Les modèles d’actifs : les actions
de marché (distribution hyperbolique, variance gamma, normal inverse gaussian -NIG-).
Remarque. A titre d’indication, la distribution hyperbolique est donnée par la formule

(3.4).
γ q
exp(−α δ 2 + (x − µ)2 + β(x − µ)), (3.4)
2αδK1 (δγ)
où x ∈ R et γ 2 = α2 − β 2 et K1 est la fonction de Bessel modifiée de 3ème espèce et

d’indice 1.
Dans les paramètres de la loi, α mesure la pente, β l’asymétrie, δ l’échelle et µ la locali-
sation.
En particulier, la densité de la loi normale peut être obtenue sous certaines conditions sur
les paramètres de la loi hyperbolique 14 . De nombreux auteurs 15 ont souligné l’intérêt de ce type
de loi pour simuler des actifs financiers. Bibby et Sorensen[10] l’illustrent sur les rendements
journaliers de l’action IBM entre le 1er janvier 1990 et le 20 mars 2000. Rydberg présente le bon
ajustement empirique des données allemandes et danoises sur les NIG. Küchler et Neumann ont
ajusté sur une diffusion hyperbolique des actions allemandes de 1974 à 1992 dans [47].
Afin de générer un processus hyperbolique, une approche numérique est requise : il est
nécessaire de simuler des Équations différentielles stochastiques (EDS) car il n’y a pas de formule
fermée 16 . Bibby et Sorensen[10] proposent ainsi de considérer :
1 d

dXt = σ(xt ; θ) log[σ(xt ; θ)f (x)] dt + σ 2 f (x)−k dBt , (3.5)
2 dt
où k ∈ [0, 1] et f proportionnelle à la densité d’une loi hyperbolique et Bt est le mouvement

brownien.
Küchler[47] a mis en évidence une diffusion stochastique hyperbolique avec un coefficient de
volatilité constant en prenant k = 0 ou σ(xt ; θ) = σ ; ce qui donne :
1
" #
x−µ
dXt = σ 2 β − α p 2 dt + σdBt (3.6)
2 δ + (x − µ)2
3.3.3 La modélisation en série temporelle

L’approche série temporelle est une approche de type « backward-looking » dans laquelle
nous nous plaçons sous l’univers de probabilité monde réel et nous essayons, en observant les
rendements passés d’un actif donné, d’en dégager les tendances principales (tendance à long
terme, dynamique de la volatilité, corrélation entre les rendements, tendances saisonnières etc.)
et de les intégrer dans notre modèle afin de prévoir les rendements futurs. Nous présentons
maintenant les principaux modèles de séries temporelles présents dans la littérature (ARCH,
GARCH, MA,AR. . . ) et leurs applications dans les problématiques actuarielles.
3.3.4 Le modèle AR
Dans le modèle AR (Autoregressive Model), le processus possède une moyenne de long terme
µ, vers laquelle il a une tendance naturelle à revenir. Cette dernière est affectée par les valeurs
prises dans le passé, de manière plus ou moins importante. Le nombre de valeurs influençant le
14. En posant ζ = λδ, la loi normale est obtenue en faisant tendre √ 1 vers 1.
1+ζ
15. Citons Bibby et Sorensen (2001)[10],Eberlein et Keller et Küchler. Pour une bibliographie plus complète, le
lecteur pourra se référer au paragraphe introductif de [10]
16. Des méthodes de simulation telles que celles mentionnées en annexes pourront être utilisées.

3.3 Le modèle GARCH 53
retour à la moyenne est appelé ordre du processus. Un terme de bruit est ajouté dans le modèle,
dont la variance est constante. Nous pouvons écrire le modèle AR d’ordre 1 comme :
St = φSt−1 + t
avec :
φ un paramètre.
t un bruit blanc c’est-à-dire un processus tel que E[t ] = 0, E[(t )2 ] = σ 2 et E[t1 t2 ] = 0∀t1 6= t2 .
Ce modèle présente une fonction d’autocorrélation permettant de capter des phénomènes

relativement simples, mais il ne permet pas, en général, de modéliser des variations extrêmes
des actifs, comme le souligne Hardy dans [40].
Pour cette raison, nous pouvons introduire les modèles ARCH/GARCH qui permettent une
dépendance plus complexe.
3.3.5 Le modèle GARCH

Le modèle GARCH (Generalized Autoregressive Conditional Heteroscedasticity) permet de
tenir compte des variations de volatilité observées dans les séries temporelles. Ce phénomène,
connu sous le nom de clustering de la volatilité, se révèle de plus en plus à même d’anticiper
aujourd’hui ce qui se passe sur les marché. En effet, dans des situations de crise, la volatilité
observée est extrêmement dépendante des décisions politiques qui sont communiquées réguliè-
rement. Dans un modèle ARCH, la volatilité conditionnelle des rendements n’est pas constante.
Un modèle ARCH d’ordre p peut s’écrire :
Rt = t ht
p
ht = α0 + α1 Rt−1
2
+ ... + αp Rt − p2
avec :
– Rt le rendement à l’instant t de l’actif risqué.

– α1 , ..., αp une série de paramètres positifs.
Ainsi, la variance des rendements à une date donnée dépend des moments d’ordre 2 (compa-
rables à la variance) des rendements observés précédemment, pondérés de manière plus ou moins
forte. Après une crise, la volatilité observée dépend donc de cette crise pendant une période de
temps définie par le modèle (appelée fenêtre). En 1986, Bollerslev propose une généralisation
en introduisant les modèles GARCH, qui contiennent une dynamique auto-régressive dans l’es-
timation de la volatilité. Pour un modèle GARCH d’ordres p et q, la fonction ht s’écrit :
p q
ht = α0 + +
X X
2
αi Rt−i βj t−j
i=1 j=1
Comme le notent Yakoubov et al. dans [64], le principal reproche généralement fait à ces
modèles est de trop s’ajuster et donc de trop dépendre des données sur lesquelles ils sont estimés,
perdant ainsi leur pouvoir prédictif hors du cadre de ces données.

54 Les modèles de taux d’intérêt
3.4 Les modèles de taux d’intérêt

Une seconde composante essentielle de notre modèle d’actif repose sur la simulation des obli-
gations. Il est donc nécessaire d’aborder les modèles de taux d’intérêt et la construction du prix
des obligations zéro-coupons.
Comme nous l’avons évoqué précédemment, il est possible d’utiliser le modèle lognormal 17
des actions pour les taux courts ou encore taux courts instantanés. Nous rappelons que ces
modèles sont définis dans un univers risque neutre. Cependant, d’autres modèles sont mieux
adaptés, c’est ce que nous abordons dans cette section 18 . Deux types de modèle de taux existent :
– les modèles d’équilibre, d’une part, qui déduisent un modèle de taux à partir d’hypothèses
sur le comportement des taux observés,
– les modèles sans arbitrage, d’autre part, qui reproduisent un ensemble de prix et sont
cohérents avec la structure à terme observée 19 .
3.4.1 Les modèles d’équilibre traditionnels

Le modèle de Vasicek
Le modèle le plus courant dans la littérature est sans doute le modèle de Vasicek dont l’EDS
est donnée ci-dessous.
drt = a(b − rt )dt + σdBt
Ce modèle possède une solution analytique :
Z s
−as −as −as
rs = e r0 + b(1 − e ) + σe eat dBt ,
0
Il est alors possible d’en déduire que :
!
−as −as σ2
rs ,→ N e r0 + b 1 − e , 1 − e−2as
2a
ou encore que :
!
s→∞ σ2
rs → N b, .
2a
Nous pouvons alors mettre en évidence deux inconvénients majeurs : les taux d’intérêt
peuvent être négatifs et le modèle pose une hypothèse "forte" sur l’homoscédasticité 20 des per-
turbations.
Le prix des obligations zéro coupon s’écrit P (t, T ) = A(t, T )e−B(t,T )r(t) , avec les fonctions
A(t, T ) et B(t, T ) définies par
(B(t, T ) − T + t)(a2 b − σ 2 /2) σ 2 × B(t, T )2 1 − e−a(T −t)
!
A(t, T ) = exp − B(t, T ) =
a2 4a a
(3.7)
17. Qui se nomme alors modèle de Rendleman-Bartter.
18. [11] et [46] ont été utilisés pour la rédaction de ce chapitre.
19. La structure à terme observée est un paramètre exogène dans les modèles sans arbitrage, mais un résultat-
pour les modèles d’équilibre.
20. A long terme, la volatilité est constante et les covariances entre les taux sont nulles.

3.4 Les modèles d’équilibre traditionnels 55
Le modèle CIR de 1985

Le second modèle qui est très présent dans la littérature est celui de Cox-Ingersoll-Ross
(CIR) :
√
drt = a(b − rt )dt + σ rt dBt . (3.8)
Ce modèle n’autorise que des taux positifs puisque pour un taux négatif, le suivant n’est
pas défini. Pour s’assurer de la positivité, il existe une condition sur les paramètres qui doivent
vérifier :
2ab ≤ σ 2
Comme dans le modèle de Vasicek, les taux d’intérêt oscillent autour d’une tendance, c’est
la propriété de retour à la moyenne, grâce au terme b qui représente la moyenne de long terme
du processus. Sous ce modèle CIR, les taux d’intérêt suivent une loi du χ2 .
Ce modèle admet une formule fermée des prix des obligations, P (t, T ) = A(t, T )e−B(t,T )r(t) ,
avec les fonctions A(t, T ) et B(t, T ) qui sont définies par
) 2ab
2γe0.5(a+γ)(T −t) 2(eγ(T −t) ) − 1
(
σ2
A(t, T ) = B(t, T ) = (3.9)
(γ + a)(eγ(T −t) − 1) + 2γ (γ + a)(eγ(T −t) − 1) + 2γ
√
où γ = a2 + 2σ 2 .
Généralisation : les processus de diffusion Inverse Gaussienne Généralisée

Nous venons d’étudier précédemment différents types de modèle de taux, dont le modèle
CIR. Comme précédemment avec les processus hyperboliques généralisés pour les actifs risqués
de type action, nous pouvons trouver une distribution de probabilité qui permette de généraliser
le modèle CIR. Il s’agit de la famille des Inverses Gaussiennes Généralisées (Generalized Inverse
Gaussian - GIG). Cette dernière a comme fonction de densité 21 ∀x > 0 :
(γ/δ)λ λ−1 1
x exp[− (δ 2 x−1 + γ 2 )]
2Kλ (δγ) 2
Parmi les études d’ajustement du modèle aux données empiriques, nous pouvons citer Bibby
et Sorensen[10] qui ont étudié les taux d’intérêt du trésor américain 22 de juin 1964 à décembre
1989 23 . Sorensen[62] donne en particulier une forme générale d’EDS dont la solution est une
diffusion GIG.
drt = (v(rt )v 0 (rt ) + 1/4v(rt )2 × [(2λ − 1)rt−1 − γ 2 + δ 2 rt−2 ])dt + v(rt )dBt
où v(.) est une fonction possédant des propriétés de régularités. En particulier, pour v(r) = krα
avec α, k > 0, on a :
2(α−1)
drt = (β1 rt2α−1 − β2 rt2α + β3 rt )dt + krtα dBt
1
où β1 = k 2 (λ − 1) + k 2 α,
2
1
β2 = (kγ)2 ,
4
1
β3 = kδ
4
21. Définie sous des conditions restreintes pour les paramètres δ, γ et λ et où Kλ est toujours la fonction de
Bessel modifiée à l’ordre λ.
22. Réputés sans risque.
23. Les paramètres retenus dans l’étude sont :δ = 0, 2693, γ = 11, 23 et λ = −7, 0707

56 Les modèles de taux d’intérêt
Nous pouvons alors remarquer avec [10] que pour α = 21 et β3 = 0, le processus correspond
au modèle CIR de 1985. h Pour
n calculer leoiprix d’une obligation zéro coupon de nominal 1, on
RT
peut poser P (t, T ) = E exp − t r(s)ds .
Remarques générales
Nous venons de voir une généralisation du modèle CIR au travers des processus de diffusion
GIG. Cependant, les travaux de Chan et al.[16] nous incitent à aller dans une direction légèrement
différente. Ainsi si nous supposons que les taux d’intérêt vérifient l’EDS 3.10 :
drt = (α + βrt )dt + σrtγ dBt , (3.10)
nous avons une généralisation du modèle de Merton 24 , de Vasicek, de Cox-Ingersoll-Ross de

1980 25 et de 1985, de Dothan 26 , de Brennan-Schartz 27 , de l’élasticité constante de la variance
(CEV) 28 et du modèle lognormal. A l’aide d’une étude empirique sur les taux du trésor améri-
cain, les auteurs[16] concluent que le modèle de Dothan et celui de CIR(1980) s’ajustent mieux
que celui de Vasicek et de Cox-Ingersoll-Ross de 1985 et que le paramètre le plus important pour
différencier les modèles est le γ : les auteurs constatent que les modèles avec un γ ≥ 1 s’ajustent
mieux à la dynamique de la structure à court terme des taux d’intérêt.
Les modèles d’équilibre à deux facteurs
Nous avons signalé, pour les modèles CIR 1985 et Vasicek, la présence d’une constante dans
l’équation permettant un retour à la moyenne. Différents modèles proposent de remplacer cette
constante par un processus stochastique. Nous pouvons notamment citer le modèle simplifié de
Hull-White[46] à deux facteurs ou encore celui de Brennan et Schartz[12]. Le premier est donné
par :
drt = a1 (lt − rt )dt + σ1 dBt

dlt = a2 (µ − lt )dt + σ2 dBt
où µ, σ1 et σ2 sont des constantes
D’autres modèles à deux facteurs existent. Citons enfin Ahlgrim, D’Arcy et Gorvett[1] 29 :
rt = [(1 − φ)rt−1 + φ(lt−1 + γ)]eN1

lt = [(1 − α)lt−1 + ατ ]eN2
où φ, τ et α sont des constantes et N1 , N2 deux gaussiennes corrélées
1 1
N1 ,→ N(− σ12 ; σ12 ) et N2 ,→ N(− σ22 ; σ22 )
2 2
24. drt = αdt + σdBt

3
25. drt = σrt2 dBt
26. drt = σrt dBt
27. drt = (α + βrt )dt + σdBt
28. drt = βrt dt + σrtγ dBt
29. Les auteurs communiquent les paramètres utilisés pour simuler des bons du trésor de 10 ans (long terme)
et de 3 mois (court terme) : α = 0, 0034 ; τ = 6, 764% ; φ = 0, 0447 ; γ = −1, 299%, σ1 = 0, 03542, σ2 = 0, 07843,
le coefficient de corrélation entre les deux gaussiennes est de 0,54271, l0 = 4, 03% et r0 = 3, 36%.

3.4 Les modèles d’arbitrage 57
3.4.2 Les modèles d’arbitrage

Les modèles d’équilibre présentent cependant des défauts majeurs, à savoir qu’ils ne s’ajustent
pas parfaitement à la structure par terme actuelle et ne peuvent reproduire tous les prix observés.
En particulier, il est possible à l’aide d’un calibrage précis de retrouver la structure à terme,
mais cette dernière ne correspond pas parfaitement à celle observée. Or, comme le note [46],
une erreur de 1% sur le prix du sous-jacent peut entraîner une erreur de 25% sur le prix d’une
option.
Il est donc nécessaire que le modèle intègre cette structure par terme.
Le modèle de Ho et Lee
Le premier modèle d’arbitrage classique est celui de Ho-Lee donné par (3.11).
drt = Θ(t)dt + σdBt (3.11)

∂F (0, t)
avec Θ(t) = + σ 2 t.
∂t
et F(0,t) est le taux forward instantané pour l’horizon t, vu à la datet = 0
Comme pour les modèles CIR et Vasicek, une formule fermée pour le prix du coupon zéro
existe :
P (t, T ) = A(t, T )e−(T −t)r(t)

P (0, T ) 1

avec ln[A(t, T )] = ln − (T − t)F (0, T ) − σ 2 t(T − t)2
P (0, t) 2
Remarquons que ce modèle donne à rt une distribution normale, mais ne garantit ni la

positivité des taux, ni un retour à la moyenne.
Le modèle de Hull White à un facteur
Ce modèle est une extension du précédent 30 dans la mesure où il ajoute un retour à la

moyenne. Il est défini par l’équation 3.12.
drt = (Θ(t) − a(t)rt )dt + σ(t)dBt (3.12)

∂F (0, t) σ2t
avec Θ(t) = + aF (0, t) + (1 − e−2at ).
∂t 2a
P (t, T ) = A(t, T )e−B(t,T )rt
1n o
avec B(t, T ) = 1 − e−a(T −t)
a
Z Tn o
et A(t, T ) = 0.5σ 2 B 2 (s, T ) − Θ(s)B(s, T ) ds
t
Le taux d’intérêt suit là encore une loi normale, ce qui autorise des taux négatifs. Un autre
modèle, celui de Black-Karasinski, l’interdit 31 .
30. Pour a=0, on retrouve le modèle de Ho-Lee.

31. Le modèle régissant les taux instantanés, suivant désormais une loi log-normale est : dlnrt = (θ(t) −
a(t)ln(rt ))dt + σt dBt

58 Actifs intégrés ou agrégés
Extensions
De nombreux autres modèles, plus ou moins exigeants en terme de calibrage existent. Des
facteurs supplémentaires peuvent être introduits 32 , de même que des processus à saut (processus
de Lévy par exemple) pour mieux s’ajuster à l’expérience. Les possibilités sont nombreuses dans
la littérature. Nous pouvons notamment mentionner le modèle de Heath, Jarrow et Morton ainsi
que son adaptation pratique avec le modèle de marché LIBOR.
3.5 Actifs intégrés ou agrégés

3.5.1 Modèle d’actifs intégrés : le modèle de Wilkie
Dans [65], A.D. Wilkie présente en 1984 un modèle actuariel stochastique de simulation in-
tégrant plusieurs facteurs de risques : les actions, la structure par terme des taux d’intérêt et les
obligations d’États. Ces trois composantes étant fortement influencées par l’inflation.
Le modèle de Wilkie propose une structure en cascade au sommet de laquelle se trouve l’in-
dice des prix à la consommation, qui tient donc la position de variable directrice du modèle.
L’objectif n’est pas ici de rentrer dans les détails, mais de décrire brièvement ce modèle en in-
sistant sur la modélisation retenue pour les dividendes et les rendements des actions. L’indice
des prix à la consommation (IPC) est modélisé par la relation :
lnQt lnQt−1
= Qµ + α( − Qµ ) + Q
t
lnQt−1 lnQt−2
où Q Q
t ,→ N(0, qσt2 ) et qσt2 = β1 + β2 t−1
avec β1 , β2 des constantes
La modélisation est donc de type autoregressive d’ordre 1 et de moyenne Qµ . Par la suite

l’IPC impacte le rendement des actions Y de la manière suivante :
lnQt
ln(Yt ) = Yw × + Y nt
lnQt−1
où Y nt = ln(Yµ ) + Yα × Y nt−1 − ln(Yµ )) + Yt
où Yt = Ysd ,→ N(0, yσt2 )
avec Yα , Yw , Yµ , Ysd des constantes données
Les rendements dépendent donc directement de l’IPC et possèdent aussi une structure au-
torégressive d’ordre 1. Les dividendes des actions sont aussi une fonction de l’IPC :
Dd lnQt
ln(Dt ) =Dw ×
1 − (1 − Dd )B lnQt−1
lnQt
+ Dx + Dµ + Dy × Yt−1 + D
t + Db × t−1
D
lnQt−1
où D
t−1 = Dsd avec un bruit blanc ,
Dw , Dd , Dx , Dy , Db , Dµ , Dsd des constantes données
et B un opérateur de retard, défini par BXt = Xt−1 .
32. En particulier, le lecteur intéressé pourra consulter l’article [17] de sur une comparaison des modèles CIR à
k facteurs : avec les données prises par les auteurs, on retiendra le modèle CIR à 3 facteurs.

3.5 Corrélation linéaire 59
Cette modélisation 33 complexe permet notamment d’introduire de l’asymétrie dans les dis-
tributions. Nous avons ici une vision plus économiste, qui tente de prédire les rendements et
les dividendes des actions à partir de notre connaissance du marché et de nos intuitions sur les
mécanismes qui le régissent. Les processus sont donc paramétrés ici en univers monde réel en
analysant des séries passées, traitées grâce à des méthodes de type moindres carrés ou maximum
de vraisemblance.
Le modèle de Wilkie a inspiré de nombreux autres modèles "en cascade" : notamment dans
[64], où les auteurs développent un modèle tenant compte de plusieurs paramètres (dont l’infla-
tion) afin de modéliser le cours des actions. Un comparatif avec le modèle de Wilkie est d’ailleurs
effectué à ce titre.
3.5.2 Corrélation linéaire

Cependant, les modèles en cascade ne représentent pas pour autant une solution universelle
et adéquate à toutes les situations. D’une part, il faut accepter de poser des hypothèses de
causalité entre les actifs assez fortes. D’autre part, pour gérer deux actifs de même nature, un
modèle en cascade n’est pas forcément le plus intuitif. Nous voulons en effet pouvoir supposer
que deux actifs risqués sont totalement indépendants l’un de l’autre ou au contraire qu’il existe
une corrélation linéaire entre eux, c’est à dire qu’une certaine part de la volatilité du premier
s’explique par celle du second 34 . Le coefficient de corrélation de Pearson entre deux variables
aléatoires X et Y s’écrit comme suit dans (3.13).
cov(X; Y )
ρ(X, Y ) = (3.13)
σ(X)σ(Y )
Pour simuler des variables aléatoires corrélées, il faut créer une dépendance linéaire entre
elles : dans les modèles d’actif financier, cela revient à générer des mouvements browniens
! corrélés
1 ρ
par une matrice Σ. Dans le cas où il n’y a que 2 actifs corrélés 35 36 , Σ = . Il faut alors
ρ 1
utiliser la décomposition de Cholesky ! qui permet de trouver la matrice triangulaire L telle que
1 0
LL0 = σ, ainsi L0 = . Nous obtenons ainsi deux mouvements browniens corrélés
ρ (1 − ρ2 )1/2
Bt1 et Bt2 , à partir de deux processus de Wiener indépendants 1t et 2t :
!
0 1t 0
Bt = L ¯ =
ρt + ρ (1 − ρ2 )1/2 2t
1
Toutefois, la corrélation linéaire a ses limites et ses défauts. En effet, comme nous l’avons
mentionné ci-dessus, le coefficient de Pearson mesure la dépendance linéaire entre des variables.
Deux variables peuvent être fortement dépendantes l’une de l’autre sans que le coefficient de
corrélation ne soit important 37 . En outre, si des transformations non linéaires sont appliquées
aux variables, leur relation linéaire s’en trouve modifiée et il en va ainsi également de leur
coefficient de corrélation.
33. On peut retrouver cette modélisation dans le mémoire « Comparaison de modèles stochastiques d’allocation
d’actifs pour un portefeuille de prévoyance collective » de Noémie BOKOBZA.[8]
34. Le coefficient de corrélation correspond en effet à la racine carrée du coefficient de détermination dans le
cadre d’une régression linéaire.
35. Dans notre modèle, il s’agit de l’indice action sous-jacent au contrat fenêtre et des taux obligataires.
36. Le lecteur intéressé par une généralisation de la méthode de décomposition de Cholesky pourra se reporter
par exemple à [51].
37. Dans la littérature, on cite souvent l’exemple de la corrélation entre X et Y = X 2 , tels que si X est centré
et symétrique en 0, le coefficient de corrélation est nul.

Cependant dans le cadre d’un modèle de gestion actif/passif ayant pour but d’évaluer les
risques et le capital économique, le plus problématique vient peut-être de l’incapacité du modèle à
prendre en compte les phénomènes d’amplification et de très forte dépendance en cas de sinistres
ou d’événements extrêmes. Par exemple, la faillite d’une banque d’investissement majeure comme
Lehman Brothers ou d’un Etat peut installer durablement le doute sur les marchés financiers, ce
qui augmente la valorisaton du risque de défaut d’autres agents (banques ou Etats par exemple),
indépendamment de la hausse liée au climat économique. La corrélation linéaire peut modéliser
la seconde hausse, mais pas la première. Des coûts financiers supérieurs pour se refinancer sont
exigés des autres agents qui peuvent alors se retrouver dans un risque avéré de défaut à leur
tour. Le cercle vicieux a démarré. On parle alors de dépendance de queues 38 . C’est ce type de
dépendance que vise à modéliser les copules.
3.5.3 Copules
Les copules sont des outils statistiques plutôt récents : elles ont été introduites par Abe Sklar
en 1959 mais n’ont réellement commencé à être utilisées dans le domaine des statistiques qu’au
milieu des années 1980, notamment grâce aux travaux de Genest et McKay 39 . Elles font partie
des modèles intégrés qui permettent une corrélation directe des facteurs de risques financiers.
Comme l’explique Thierry Roncalli dans [57], les copules permettent d’isoler la dépendance
entre différentes variables aléatoires et s’intègrent dans un processus de gestion des risques mul-
tiple. Il existe plusieurs types de copules qui peuvent être bi ou multidimensionnelle (notamment
les copules archimédiennes, normales, de Student, de valeurs extrêmes. . . ) qui permettent un
choix assez large dans la paramétrisation de la dépendance des valeurs extrêmes.
L’un des intérêts majeurs des copules est qu’elles permettent d’introduire de la dépendance
entre variables aléatoires dont il est possible de spécifier les distributions marginales et donc
le comportement indépendamment des autres facteurs de risque du modèle. Nous allons ici
présenter les énoncés mathématiques fondamentaux qui permettent d’introduire le concept de
copule.
Définition 3.5.1
Une copule C est une fonction de répartition définie sur le cube unitaire de dimension n et dont
les n lois marginales suivent une loi uniforme sur l’intervalle [0; 1].
Propriété 3.5.1.1. Citons quelques propriétés et autres points d’intérêt :
– C(1,1,...,1,ui ,1...1)=ui , ∀i ∈ [[0; n]] et ui ∈ [0; 1].

– La copule est invariante à des transformations monotones de ses marginales
– Le choix de C a un impact sur la distribution jointe, mais les lois marginales ne dépendent
pas de C.
Le théorème central des copules a été présenté par Sklar en 1959.
Théorème 3.5.2. Théorème de Sklar. Soit F une fonction de répartition de Rn → R dont les
lois marginales sont F1 ,..,Fn . Soit C la copule de dimension n telle que ∀xi ∈ R F (x1 , x2 , ...xn ) =
C(F1 (x1 ), F (x2 ), ..., Fn (xn ))., alors si les lois marginales F1 ,..,Fn sont continues, la copule C est
unique et C(u1 , ..., un ) = F (F1−1 (u1 ), ..., Fn−1 (un )).
38. Notons que la non prise en compte des relations non linéaires peut conduire ainsi à une surestimation des
bénéfices de la diversification.
39. Le lecteur intéressé pourra consulter à ce propos « The joy of copulas : bivariate distributions with uniform
marginals »[38].

3.5 Copules 61
Toutefois, il faut choisir, paramétrer et déterminer la copule la mieux adaptée à la problé-

matique.
Remarque. A titre d’illustration, Lecuyer[48] rappelle l’exemple pris par Embrechts, Lindskog et
McNeil[37]. Une compagnie d’assurance possède 5 contrats et nous nous intéressons 40 au nombre
de fois où tous ces contrats excèdent chacun un niveau de perte de l’ordre du quantile 99% de
la distribution de perte. Les auteurs comparent la copule normale avec la copule Gumbel. La
probabilité d’avoir une telle perte simultanée est 8 fois plus grande pour la copule de Gumbel.
Il ne faut donc pas négliger le choix de la copule.
Nous pouvons donc légitimement nous interroger sur le choix de la copule à utiliser. Armel[4]
montre que la copule qui permet le mieux de s’ajuster aux variables économiques, est la copule de
Clayton. L’ajustement est bon dans la mesure où elle permet de donner un poids plus important
aux événements extrêmes de pertes. Elle présente ainsi une forte asymétrie le long d’une tendance
nette (correspondant à la première bissectrice). Elle présente par ailleurs l’avantage d’être facile
d’usage et ne contient qu’un paramètre à estimer. Il s’agit d’un cas particulier des copules
archimédiennes, données par :
n
C(u1 , ..., un ) = φ−1 ( φ(ui ))
X
i=1
où pour une copule de Clayton, avec a>0 et φ(u) = (u−a − 1)/a
Le lecteur intéressé pourra se référer à l’annexe pour consulter l’algorithme de génération

d’un échantillon de lois dépendantes sous une copule de Clayton.
∗∗∗
Nous avons présenté une revue bibliographique des modèles de simulation d’actifs que nous
pouvons utiliser dans notre mémoire. Nous avons implémenté plusieurs d’entre-eux dans notre
programme, mais nous ne voulons en choisir qu’un seul pour conduire notre analyse des contrats
à garanties complexes. Afin de s’ajuster au mieux aux données, il nous faut déterminer les
modèles qui reproduiraient le mieux la réalité économique et calibrer ceux-ci. C’est la démarche
que nous entreprenons dans le chapitre suivant.
40. Les auteurs, de fait, estiment la probabilité d’avoir un pay-off auprès d’un réassureur.


Chapitre 4
La mise en place d’un Générateur de

Scénarios Économiques
Nous avons étudié dans le chapitre précédent de nombreux modèles d’actifs 1 . Pour notre
générateur de scénarios économiques, nous devons en choisir un, le calibrer et l’implémenter.
Nous abordons donc à présent ces trois points.
4.1 Quel modèle ?

Dans cette section, nous abordons les modèles d’actifs que nous utilisons pour notre généra-
teur de scénarios économiques ainsi que les hypothèses sous-jacentes que nous posons.
4.1.1 Un modèle réduit à 2 actifs
Nous étudions les garanties complexes d’un produit d’assurance vie à support risqué, il n’est
donc pas utile de reproduire tous les actifs que nous pouvons trouver dans le bilan d’une com-
pagnie d’assurance, notamment pour l’immobilier dont nous ne tiendrons pas compte. En effet,
les actifs immobiliers sont des actifs de long terme. Pour le type de produit financier étudié, cela
ne nous semble pas adéquat 2 .
L’inflation est un facteur qui peut aussi être important au sein d’un modèle ALM. Pour les
mêmes raisons que pour l’immobilier 3 et dans la mesure où le prix des actifs, les rendements
et les engagements sont donnés en valeur nominale, nous avons pris le parti de ne pas nous en
préoccuper.
Par simplicité 4 , nous choisissons de retenir le modèle de la corrélation linéaire comme lien de
dépendance entre notre actif risqué et notre taux obligataire, avec un coefficient de corrélation
noté ρ.
1. Dans notre programme java, nous avons implémenté différents types d’actifs (lognormal, hyperbolique gé-
néralisé, CIR, Vasicek et modèle à changement de régime). Nous n’en utilisons cependant qu’un pour toutes nos
simulations.
2. Par ailleurs, cela aurait exigé un travail de calibration supplémentaire qui nous aurait éloignés d’autant plus
de l’objet de ce mémoire.
3. Importance majeure sur le long terme, moins sur du court terme.
4. Et car cela n’est que secondaire dans notre étude.
63
64 Quel modèle ?
4.1.2 Motivation du choix du modèle

Nous souhaitons sélectionner un modèle qui s’ajuste aux données observées sur les marchés
financiers. Comme nous l’avons vu dans le premier chapitre, la plupart des contrats d’assurance
vie étudiés avaient comme indice de référence l’Eurostoxx 50, qui est indexé sur des entreprises
de la Zone Euro, dont un grand nombre de valeurs du CAC40. Afin de disposer d’un historique
suffisamment profond, nous nous sommes tournés vers ce dernier indice, qui évolue de façon très
similaire à celle de l’Eurostoxx 50.
En ce qui concerne le taux sans risque, Hull[46] note que le taux utilisé dans la pratique par
les marchés financiers est le taux LIBOR et au-delà d’un an, la courbe des taux est prolongée à
l’aide des taux swaps. Nous le sélectionnons donc comme notre actif sans risque.
Définition 4.1.1
Le taux LIBOR est le London InterBank Offered Rate, il correspond au taux moyen auquel
les grandes banques londoniennes se prêtent entre elles. C’est le taux de référence du marché
monétaire de plusieurs devises.
En nous intéressant à l’évolution des taux LIBOR et de leur rendement et à l’évolution du

CAC40, nous constatons une augmentation de la volatilité des taux LIBOR en cas de baisse 5 ,
ainsi qu’une concordance avec l’évolution des marchés des actions. La figure 4.1 p.64 illustre ce
fait stylisé sur la période récente (entre 1997 et 2012). La période de référence qui a été prise
peut sembler courte, cependant, il faut noter le changement de nature 6 des marchés financiers
qui s’est opéré à partir des années 1990,en termes de mobilité des capitaux, de volumes ou
d’échanges.
Figure 4.1 – Schéma illustratif d’un contrat à fenêtre.
Pour tenter de mieux comprendre cette relation, intéressons-nous au taux LIBOR. Il corres-
pond au taux le plus utilisé dans les contrats swaps[46]. Il est utilisé dans les échanges inter-
bancaires de court terme. Ce taux est directement influencé par le taux directeur des banques
5. Cette remarque semble moins nette en cas de hausse.
6. Ce changement a été permis par la révolution informatique notamment.

4.1 Choix du modèle 65
centrales, où les banques peuvent se refinancer. Or ces dernières sont attentives au risque de
récession 7 ou au taux d’inflation. Dans notre modèle, contrairement à celui de Wilkie, nous ne
nous intéressons pas à ce dernier. La banque centrale agit contre la récession économique en
diminuant fortement ses taux directeurs. Or celle-ci se traduit généralement par une chute des
marchés actions, puisque les investisseurs peuvent anticiper alors des difficultés financières plus
importantes 8 . Or d’après la théorie économique, la capitalisation boursière d’une entreprise re-
flète sa valeur passée, présente et future. En conséquence, les marchés boursiers plongent en cas
de récession. Cette baisse peut être rapide et importante : comme en 2000/2001 et en 2007/2008.
4.1.3 Choix du modèle

Parmi tous les modèles action que nous avons étudiés, nous avons une préférence pour le
modèle à changement de régime de [40] qui modélise le passage à une période de crise et qui
permet de corriger les biais 9 de la distribution lognormale du modèle de Black and Scholes. Il
s’agit par ailleurs d’un modèle qui reste simple.
Il est légitime sur la base de nos constations empiriques et théoriques précédentes de distin-
guer les deux relations : la forte volatilité des taux d’intérêt et la chute des marchés boursiers
d’une part et la variation légère des taux d’intérêt avec la stabilité ou la croissance des marchés
actions. Ces relations sont simples et gagneraient à être complexifiées notamment en intégrant
une notion comportementale dans les décisions de la banque centrale. Elles permettent toutefois
de refléter une partie considérable des phénomènes de variation des taux et des actions sur les
marchés. Nous souhaitons donc intégrer un modèle de taux à changement de régime que nous
présentons ci-après. Dans le modèle que nous implémentons, nous considérons une relation forte
dans la tendance des actifs risqués et sans risque puisque nous posons que les périodes de crise
ont les mêmes conséquences et sont simultanées sur les deux marchés. Il serait possible de gé-
néraliser cette hypothèse en considérant des probabilités de transition différentes pour les deux
régimes et plus ou moins corrélées.
Par ailleurs, nous corrélons linéairement les mouvements browniens de nos deux actifs pour
conserver la dépendance liée aux chocs mineurs sur l’économie et sur le cours de l’actif risqué.
Nos deux modèles sont donc intégrés l’un avec l’autre par le biais de cette corrélation linéaire
des browniens et par les probabilités de transition.
4.1.4 Présentation du modèle de taux retenu

Nous posons en premier lieu les hypothèses que nous désirons pour ce modèle.
Hypothèses. Les hypothèses de notre modèle sont données ci-dessous :
i Les taux d’intérêt sont strictement positifs.

ii La tendance de long terme du taux d’intérêt est strictement positive.
iii Il existe une tendance naturelle bnat du processus vers laquelle ce dernier oscille à long
terme avec une vitesse naturelle de retour à la moyenne anat . Le lecteur saisira en ces
7. La Banque centrale européenne n’a pas cet objectif. Cependant, en cas de récession, l’inflation diminuant
et le risque de déflation augmentant, elle peut être amenée à agir sur les taux. Cette situation est notamment
arrivée durant la crise financière de 2007.
8. Par exemple, la récession économique provoque une contraction de la demande des ménages et donc une
baisse des recettes des entreprises. Les taux d’intérêt auxquels elles empruntent peuvent augmenter avec leur
probabilité de défaut.
9. En particulier concernant les queues de la distribution.

66 Quel modèle ?
termes ("long terme" et "naturel" ) leur connotation dans la théorie économique. Ainsi tout
comme Milton Friedman à propos du chômage naturel, dans une économie à l’équilibre à
long terme 10 , le processus des taux d’intérêt converge vers une tendance de long terme.
iv Les ajustements de la banque centrale perturbent temporairement les taux sans risque mais
n’affectent pas la tendance naturelle de long terme, ni la vitesse de retour à la moyenne
qui pourra être alors considérée comme naturelle.
v La banque centrale agit en cas de récession économique en baissant fortement les taux
d’intérêt tant que la situation économique ne redémarre pas. Il en découle que la banque
centrale réagit mécaniquement 11 et que la volatilité est forte dans ces conditions-là. La
banque centrale stabilise alors ses taux directeurs pour agir sur l’économie réelle, ce qui
a pour effet de diminuer la volatilité du rendement. Dans cette configuration, la banque
centrale devient acteur du système.
vi La surchauffe de l’économie et l’inflation sont modélisées à travers la croissance de l’ac-
tif risqué action. La banque centrale augmente alors les taux d’intérêt pour les limiter.
La volatilité reste faible 12 . Elle reprend l’initiative et les taux observés sont de nouveau
contraints. Mais les anticipations rationnelles du marché provoquent aussi l’éclatement
des bulles financières 13 qui est modélisé par le retournement de tendance dans le modèle
à changement de régime.
vii Les taux directeurs de la banque centrale agissent directement sur les taux sans risque du
marché. Les taux LIBOR reflètent ces taux sans risque ainsi que ces taux directeurs.
viii La volatilité du processus des taux d’intérêt dépend de la valeur de ces taux.
Il découle des hypothèses (iii) et (iv) que la tendance naturelle de long terme et la vitesse
naturelle de retour à la moyenne sont des constantes fixes quelles que soient les conditions du
marché. En revanche, les points (v) et (vi) incitent à considérer l’existence d’une volatilité dis-
tincte suivant l’état du monde dans lequel nous nous plaçons (crise ou stagnation et croissance
des actifs risqués). Par ailleurs, les hypothèses (v) et (vi) supposent que l’action de la banque
centrale a un impact sur l’évolution du processus et en particulier sur sa tendance temporaire
c : tant à la hausse en cas de croissance économique qu’à la baisse en cas de crise économique.
L’existence d’un retour à la moyenne et la présence d’une volatilité du processus de la forme

σt (rt ) nous incitent à poser notre modèle de la forme du CIR 1985 14 .En effet dans le modèle
CIR (3.8) p. 55, nous retrouvons la volatilité du processus σ, la tendance de long terme b et la
vitesse de retour à la moyenne a. Si ηt est le régime qui s’applique à la période [t; t + 1[, nous
pouvons déduire une première version du modèle (4.1).
√
drt = [anat (bnat − rt ) + cηt rt ]dt + σηt rt dBt . (4.1)
Or nous pouvons réécrire ce modèle à changement de régime, comme un autre processus de

la forme d’un CIR 1985 comme indiqué dans l’équation (4.2).
10. Où il n’y a ni crises, ni cycles économiques.

11. Pour éviter ce caractère mécanique qui n’est pas toujours vérifié, on pourra intégrer des probabilités de
changement de régime distinctes de celui des actions, quoique dépendant par copule ou corrélation linéaire.
12. Le lecteur comprendra que la banque centrale ne peut pas, par une politique monétaire restrictive trop zélée,
augmenter trop brutalement les taux d’intérêt sous peine de casser la croissance économique et de provoquer une
récession.
13. Par exemple la bulle internet en 2000, la bulle immobilière aux États unis en 2007 etc.
14. Ce n’est pas l’objet de notre travail, cependant, il pourrait être intéressant de tester un autre modèle où
σt (rt ) = σrtγ avec γ ≥ 1.

67
√
drt = [anat bnat + (cηt − anat )rt ]dt + σηt rt dBt
√
drt = αηt (βηt − rt )dt + σηt rt dBt (4.2)
anat bnat
avec αηt = anat − cηt et βηt =
anat − cηt
4.2 Calibrer les taux d’intérêt

Dans le calibrage de notre modèle CIR, nous avons voulu intégrer cette dimension com-
portementale des banques centrales qui maintiennent artificiellement bas les taux d’intérêt en
période de ralentissement économique, voire de perspectives de récession 15 . Or il n’est pas lo-
gique d’estimer une tendance naturelle de long terme d’un processus à l’aide de données faussées
politiquement. Il peut dès lors être intéressant d’en tenir compte dans le calibrage.
Nous avons choisi pour simuler les taux courts d’utiliser notre modèle de taux à change-
ment de régime et avec retour à la moyenne, présenté dans (4.2) p.67. Ce modèle possède 8
paramètres 16 .
4.2.1 Méthodes pour calibrer le modèle CIR 1985

Nous avons retenu deux méthodes de type économétriques pour calibrer le modèle CIR
de 1985 qui font appel à une régression linéaire sur la variation discrétisée absolue des taux.
Nous notons qu’une troisième méthode plus théorique et rigoureuse fait appel aux propriétés du
modèle CIR, dans lequel les taux d’intérêt suivent une loi du χ2 .
Régression sur chaque terme de l’EDS

Une première méthode 17 s’effectue en plusieurs étapes.
√
– Étape 1 :Effectuer une régression de (∆rt )t>0 = (rt − rt−1 )t>0 sur (rt )t>0 et ( rt )t>0 .
– Étape 2 : La constante de la régression correspond à ab du CIR, l’estimateur du coefficient
√
de (rt )t>0 donne −a et enfin le σr est donné par le coefficient de ( rt )t>0 .
Cette méthode présente un biais à savoir qu’elle ignore dans la régression le terme brownien
d’espérance nulle dBt .
Régression sur le seul terme en dt

Cette méthode consiste en une approche économétrique classique 18 .
– Étape 1 :Opérer une régression de (∆rt )t>0 = (rt − rt−1 )t>0 sur (rt )t>0 .
– Étape 2 : Le paramètre b du CIR est égal à l’opposé de la constante du modèle (α) 19 ,
divisée par l’estimateur du coefficient β de rt , soit b = − αβ . La vitesse de retour à la
moyenne a est égale à a = −ln(1 + β) des paramètres du CIR.
15. De la même manière, en période de surchauffe, les risques d’inflation étant élevés, elles proposent des taux
directeur élevés.
16. Dans sa version simplifiée (4.2) p.67, il s’agit des tendances de long terme, des vitesses de retour à la moyenne
et des volatilités pour chaque régime et des deux probabilités de changement d’état. Dans sa forme complète (4.1)
p.66 , les paramètres sont les deux termes de volatilité, la vitesse naturelle de convergence et la tendance naturelle
de long terme ainsi que les deux probabilités de changement d’état.
17. Cette méthode est notamment présentée dans [29].
18. Nous la retrouvons pour simuler des EDS avec un terme de volatilité constante dans l’article de Racicot et
Theoret dans [56].
19. Pour un modèle de régression de la forme ∆rt = α + βrt + t [56].

68 Calibrer les taux d’intérêt
– Étape 3 : Nous réécrivons notre équation de la forme :
√
δrt − a(b − rt )dt = σ rt dBt
δrt − a(b − rt )dt
⇔ √ = σdBt
rt
et nous en déduisons σ.
Nous avons utilisé cette dernière méthode 4.2.1, qui nous semble plus rigoureuse et plus
adaptée à notre modèle à changement de régime.
4.2.2 Choix pour calibrer notre modèle

Afin d’obtenir des résultats cohérents avec le marché, nous avons calibré nos taux d’intérêt
sur la base du Libor à un mois 20 entre décembre 1997 et février 2012.
Nous avons choisi d’utiliser l’équation complète (4.1) p.66. Parmi nos 8 paramètres, deux
sont déterminés par le modèle à changement de régime de l’actif risqué 21 .
4.2.3 Calibrer les paramètres naturels

Il s’agit dans une première étape de déterminer nos deux paramètres constants et naturels :
la tendance naturelle de long terme et la vitesse de retour à la moyenne. Ces deux valeurs éco-
nomiques ne dépendent pas de l’action des banques centrales, d’après l’hypothèse (iv). Il faut
donc adapter le calibrage pour donner le moins de poids possible aux taux d’intérêt que nous
avons définis dans (v) et (vi) comme contraints. Il s’agit des taux qui sont durablement trop
faibles ou trop élevés. Plusieurs méthodes sont possibles :
Tronquer la période d’apprentissage. Tout d’abord, il est possible de tronquer la série

sur laquelle les données sont calibrées. Par exemple, en 2011, les taux sont proches de zéro :
ils oscillent entre 0,26% et 0,18% 22 et plus généralement ils sont très faibles (inférieurs
à 0,5% en moyenne) depuis 2009. Une illustration est donnée par la figure 4.2 p.69. Une
première approche consisterait à retirer de l’analyse tous ces taux contraints qui n’obéissent
pas au mécanisme naturel de long terme. En appliquant la seconde méthode de calibrage
retenue sur les données entre décembre 1997 et décembre 2008, nous trouvons une tendance
de long terme négative (−0.01159), ce qui viole l’hypothèse (i).
Dès lors, nous proposons une approche plus consensuelle à l’aide de pondérations.
Pondérer et pénaliser. Pour déterminer nos paramètres naturels, il faut pénaliser les taux
d’intérêt contraints. Pour cela, nous mettons en place une régression similaire à celles étu-
diées précédemment, tout en y ajoutant une pondération adéquate. Nous voulons pénaliser
les valeurs extrêmes, aussi, nous considérons un poids inversement proportionnel à l’écart
des taux d’intérêt avec la moyenne de ces derniers sur la période étudiée, tel que mentionné
dans (4.3).
wt 1
pt = P avec wt = γ (4.3)
t≥0 wt 1 PT
rt − u=0 ru

T
20. C’est le pas de temps utilisé dans nos simulations.

21. Comme nous l’avons déjà mentionné, il pourra être intéressant de les considérer différentes, mais dépendantes
de celles de l’actif risqué.
22. Dans les données mensuelles que nous avons utilisées.

4.2 Calibrer les paramètres naturels 69
Figure 4.2 – Variation des taux LIBOR 1 mois sur une période d’étude tronquée.
Il reste à définir le coefficient γ. Pour que la pondération ait un sens et ne soit pas pré-
judiciable à la régression, il faut a minima que γ soit inférieur à 1. Nous représentons
dans le graphique 4.3 p. 69, la valeur du coefficient pt en fonction de la valeur de rt . Nous
pouvons alors choisir notre γ tel que l’hypothèse (i) soit vérifiée 23 et pour lequel les poids
ne prennent pas des valeurs extrêmes 24 . Nous avons choisi γ = 0, 7, ce qui permet une
pondération intermédiaire et limite la variabilité des poids. Par ailleurs, avec cette valeur,
nous retrouvons une tendance naturelle de 2, 8% et une vitesse naturelle de retour à la
moyenne de 1, 3%, ce qui correspond aux valeurs obtenues avant le déclenchement de la
crise financière de 2007. Nous notons que cette valeur est enfin légèrement supérieure au
taux cible d’inflation de la banque centrale européenne.
Figure 4.3 – Poids des taux LIBOR pour des γ de 0,6 à 1.
23. Cela limite l’intervalle dans lequel le γ est compris.

24. γ ≤ 1

70 Le modèle retenu pour l’actif risqué : le changement de régime
4.2.4 Calibrer les paramètres conjoncturels

Pour calibrer les paramètres conjoncturels, il faut distinguer les périodes de crise des autres.
La méthode est alors identique pour déterminer les paramètres αηt et σηt . Nous pourrons, pour
αηt , déterminer la tendance moyenne des taux corrigés de la vitesse naturelle de retour à la
moyenne. Le paramètre σηt est calculé à l’aide de la méthode de calibrage "Régression sur le
seul terme dt", définie au paragraphe §4.2.1 p.67.
4.3 Le modèle retenu pour l’actif risqué : le changement de ré-

gime
Pour notre étude, nous choisissons de retenir le modèle lognormal à changement de régime
pour modéliser l’indice sous-jacent au contrat. Ce choix est plus empirique que théorique : en
effet, en observant l’historique des indices sous-jacents principaux des contrats à fenêtre présents
sur les marchés 25 sur des durées assez longues 26 , il est immédiat de constater que les périodes de
calme, de croissance et de crise s’alternent de façon régulière. En outre, l’article [40] indique que
la qualité d’ajustement du modèle est bonne sur l’indice S&P500, qui est extrêmement corrélé
avec le CAC40 ou encore l’Eurostoxx 50. Afin de mettre en place certaines stratégies de gestion
de portefeuille 27 , il est nécessaire de valoriser les options d’achats et de vente sur l’indice dans un
tel cadre. La valorisation de l’option de vente (put) est présentée dans le paragraphe ci-dessous
et il est possible d’en déduire la valeur de l’option d’achat à l’aide de la parité Call-Put 28 .
4.3.1 Le prix de l’option de vente dans un modèle à changement de régime

Conformément à l’article de [40], nous pouvons trouver la valeur de l’option de vente en
adoptant les notations suivantes :
– S0 la valeur initiale de l’actif risqué,

– K le prix d’exercice de l’option,
– r le taux d’intérêt annuel,
– n le nombre de périodes du modèle,
– T la maturité de l’option,
– Sn la valeur terminale de l’actif (à maturité),
– σ1 la volatilité en période calme,
– σ2 la volatilité en période de crise,
Rx 1 2
– N (x) = −∞ √1 e− 2 u du la fonction de répartition d’une loi normale centrée réduite,
2π
– R le nombre de périodes passées en régime calme durant toute la simulation : R ∈ {1...n},
– Q la mesure de probabilité risque neutre.
Le prix de l’option est défini par :
ER [e−rn EQ [max(K − Sn , 0)|R]] = ER [BSP (R)] (4.4)

25. On pense notamment à l’Eurostoxx 50 et au CAC 40.
26. Un grand nombre de contrats à fenêtre présents sur le marché ont une maturité allant de 6 à 10 ans.
27. Ces stratégies sont détaillées dans la suite de ce mémoire.
28. Il est à noter que la parité Call-Put est valable dans ce cadre, car indépendante du modèle de valorisation
et uniquement basée sur l’hypothèse d’absence d’opportunités d’arbitrage.

71
où BSP (R) est défini comme :
BSP (R) = Ke−rT N (−d2 (R)) − S0 N (−d1 (R)) (4.5)
avec :
σ12 σ22
log( SK0 ) + (R 2 ) + (n − R)
d1 (R) = q 2
(4.6)
Rσ12 + (n − R)σ22
et :
q
d2 (R) = d1 (R) − Rσ12 + (n − R)σ22 (4.7)
Afin de calculer l’espérance de BSP (R), il est nécessaire de calculer les probabilités de chaque
réalisation possible de R, c’est-à-dire de connaître la probabilité de passer k périodes sur les n
en régime calme pour tout k ∈ {1..n}. Comme spécifié dans l’article, il est possible de calculer
cette probabilité de façon récursive. Néanmoins, dans notre cas, le calcul de cette probabilité est
impossible car il demanderait un temps de calcul trop important 29 , c’est pourquoi ces valeurs
seront approchées par des simulations de Monte-Carlo.
4.4 Implémentation
Nous abordons dans cette section un aspect plus pratique de la mise en œuvre du générateur
de scénario économique et plus généralement de l’ALM : le langage informatique utilisé.
Nous avons ainsi choisi d’implémenter notre outil de projection ALM dans le langage Java
et avons utilisé le logiciel Éclipse.
Différentes raisons nous ont conduits à ce choix.
– Le langage objet L’usage d’un langage objet permet, par l’intermédiaire des classes,
d’avoir une bonne compréhension des relations entre objets, facilite les calculs sur ces der-
niers et accroît la visibilité générale. La paramétrisation est facilitée par cet environnement
propice.
– La rapidité des calculs Le langage Java permet une exécution des simulations légèrement
moins rapides que C++. En revanche, il est admis que Java est 30 fois plus rapide que
VBA qui est beaucoup utilisé dans le monde actuariel.
– L’interaction aisée avec Excel De nombreuses librairies existent pour permettre une
interaction facile avec Microsoft Excel, ce qui permet par exemple d’importer et d’exporter
facilement des scénarios économiques.
– Portabilité Un programme réalisé en java est portable sur une autre machine virtuelle,
ce qui n’est pas forcément toujours le cas avec d’autres programmes, langage ou logiciels.
Nous pouvons toutefois mentionner quelques difficultés qui peuvent rendre gênant l’emploi
de ce langage.
– Non répandu L’usage peut répandu dans la profession de java est pénalisant.
– Peu probabilisé Des librairies 30 existent pour avoir accès à des méthodes de simulation
de probabilité, cependant elles ne sont pas toutes en libre accès.
– Opacité du langage Java reste un langage de programmation qui peut-être difficile à
prendre en main pour un utilisateur non averti.
29. Le temps de calcul de la probabilité augmente exponentiellement avec le nombre de périodes du régime.
Pour nous le temps, le pas de temps est mensuel et la simulation dure 8 ans, ce qui fait un total de 96 périodes.
30. Citons la librairie SSJ de P.Lecuyer qui est en libre accès pour tous travaux de recherche universitaire (voir
conditions sur le site internet).

72 Implémentation
∗∗∗
Nous avons choisi nos modèles d’actifs sur lesquels reposent notre générateur de scénarios
économiques et nous les avons calibré sur les données du marché. Cependant pour un horizon
supérieur à 1 an, les simulations générées doivent se placer dans un univers risque neutre tel
qu’il l’a été mentionné dans le chapitre sur la réforme Solvabilité II. Nous développons cet
aspect dans le chapitre suivant. Nous pourrons alors nous intéresser à l’outil de valorisation des
engagements et des actifs, ce qui enfin nous permettra d’analyser la rentabilité et le coût des
contrats d’assurance vie à garanties complexes.

Chapitre 5
Du bon emploi des déflateurs
Dans ce chapitre, nous abordons plus en détail l’univers probabiliste dans lequel nous avons
choisi de nous placer : l’univers monde réel. Afin de valoriser les flux financiers des contrats,
nous ne pouvons donc plus calculer l’espérance de ces flux sous la probabilité risque neutre.
Pour remédier à ce problème, nous utilisons un outil bien connu des actuaires : les déflateurs
stochastiques, qui permettent de faire le lien entre les univers de probabilité risque neutre et
monde réel. Dans une première partie, nous définirons le concept de déflateur et en exposerons
les principales caractéristiques. Dans une seconde partie, nous comparons les déflateurs avec
l’utilisation d’une mesure de probabilité en monde risque neutre. Enfin, nous terminons par la
présentation et le calcul des déflateurs que nous avons utilisés.
5.1 Qu’est-ce qu’un déflateur ?

5.1.1 Principes
Définition 5.1.1
D’après [29], nous pouvons définir un déflateur comme une fonction d’actualisation stochastique
qui comprend à la fois une composante risque et une composante temps.
Comme le note Descure [30], le déflateur capte par construction "l’aversion au risque impli-
citement contenue dans la valeur de marché des actifs risqués". Ce sont des taux d’actualisation
qui permettent de valoriser à la juste valeur ("fair value") dans un cadre market consistent en
utilisant la mesure de probabilité historique. Il ne doit donc pas être confondu avec un taux
d’intérêt ou avec un autre facteur économique du modèle.
5.1.2 Propriétés mathématiques

Dans le cadre de ce travail, nous ne nous intéressons qu’au cas continu. Nous pouvons alors
donner avec [29] et [30], une définition plus mathématique de la notion de déflateur 1 .
Définition 5.1.2
Nous appelons déflateur, le processus stochastique (D(t)t>0 ), tel que, dans un marché sans
opportunités d’arbitrage, sous la probabilité historique avec Ft la tribu des événements en date
1. Comme le remarque Duffie [33]6C-pp.119, le lecteur retrouvera ce concept dans la littérature anglophone
sous les termes de"state-price deflator", "state-price density", "marginal rates of substitution", "pricing kernel".
73
74 Qu’est-ce qu’un déflateur ?
t, le prix déflaté d’un actif (Xt )t>0 est une martingale :
∀t < s, D(t)Xt = EP [D(s)Xs |Ft ]
avec X(t) le processus de diffusion du prix d’un actif sur le marché.
Nous pouvons alors énoncer certaines propriétés notoires des déflateurs 2 :
Théorème 5.1.3. Pour tout déflateur stochastique D, il n’existe pas d’opportunités d’arbitrage
dans H 2 (X D ) ou dans Θ(X D ) où H 2 est l’espace défini par :
" Z T ! #
H = θ∈Ł :E
2 2
θt2 dt < ∞, T > 0
0
et Θ est l’espace des stratégies (trading strategy) contraintes telles que θt × XtD ≥ k ∈ R avec θ
une stratégie autofinancée 3 .
Par ailleurs, Harrison et Pliska dans [41] mentionnent que le marché est complet si et seule-
ment si la probabilité risque neutre est unique, ce qui implique aussi l’unicité du déflateur.
Théorème 5.1.4. Soit (D(t)t>0 ) un déflateur stochastique, alors ∀t ≥ 0 : D(t) ≥ 0.
5.1.3 Monde réel ou monde risque neutre ?

Dans l’univers risque neutre, la valorisation des flux futurs est simple : les investisseurs sont
neutres au risque et seul le taux sans risque diminue la valeur des flux futurs, il n’y a pas de
prime de risque associée. Au contraire, sous la probabilité historique, l’incertitude présente sur
les marchés financiers augmente le rendement attendu par les investisseurs et diminue ainsi la
valeur des flux futurs. Cette diminution s’appelle la prime de risque et elle est propre à chaque
flux valorisé. En effet, des flux liés à une obligation sont majoritairement sensibles au risque
de défaut bien que leur valeur soit connue, alors que des flux relatifs à un swap dépendent des
taux d’intérêt. Le taux sans risque n’est donc pas unique et c’est le déflateur qui joue le rôle de
cette fonction d’actualisation, qui s’adapte à chaque modélisation. Nous présentons ci-dessous
les avantages et les inconvénients de ces deux mesures.
Définition 5.1.5
Soient P et Q deux mesures de probabilités définies sur Ω. Ces deux mesures sont dites équiva-
lentes si et seulement si : ∀A ∈ Ω tel que P(A) = 0, alors Q(A) = 0.
Définition 5.1.6
Nous appelons probabilité risque neutre Q toute probabilité équivalente à P qui rend martingale
la valeur actualisée au taux sans risque de toute stratégie de portefeuille autofinancée X, c’est
à dire telle que : ∀t, s tels que s ≤ t, alors Xs = 1+r
1
EQ [Xt ].
Il convient de souligner que ces deux mesures de probabilité sont complémentaires : l’assureur
a besoin des deux univers pour déterminer la valeur de ses engagements et projeter sa situation
réelle future. La mesure de probabilité historique projette des flux suivant les préférences indi-
viduelles, alors que la mesure risque neutre détermine le prix de marché indépendamment de
l’aversion au risque des individus.
2. Pour plus de détails de ces propriétés, se référer à Duffie dans [33]
3. Un portefeuille autofinançant est une stratégie d’investissement (achat et/ou vente d’actifs) dont la valeur
n’est pas modifiée par des apports supplémentaires ou des retraits d’argent[34].

5.1 Mesure risque neutre ou déflateurs ? 75
Les déflateurs permettent de conserver la structure des préférences individuelles de l’univers

monde réel, tout en se plaçant dans un monde risque neutre, ce qui permet de déterminer un
prix de marché.
5.1.4 Mesure risque neutre ou déflateurs ?

Le tableau ci-dessous présente les principales caractéristiques de ces deux approches.
Mesure risque neutre Déflateurs

Absence d’opportunité d’arbitrage Oui Oui
Prime de risque intégré directement dans Q explicite dans le déflateur
Market consistent Non Oui
Préférence des investisseurs absence de préférence reflète leurs préférences
Table 5.1 – Comparatif Mesure risque neutre/ Déflateurs.
Comme le souligne Dastarac et Sauveplane dans [29], l’utilisation d’un déflateur est équi-
valente à évaluer les actifs et les passifs sous la mesure risque neutre : les deux approches sont
comparables, seule l’implémentation diffère. Le déflateur permet d’effectuer la transition entre
P et Q et il est défini comme :
RT
dQ
D(t) = e− t (t)r(s)ds
× (5.1)
dP
Cette définition est équivalent à celle que nous avons donnée ci-dessus, à savoir que le défla-
teur rend martingale la valeur actualisée de toute stratégie de portefeuille X. En effet :
∀t < s, D(t)Xt = EP [D(s)Xs kFt ] (5.2)

Rs
dQ
Z
= e− t
r(u)du
× (ω)Xt dR(ω)
Ω dP
Rs Z
− r(u)du
=e t Xt dQ(ω)
Ω
Rs
= e− t
r(u)du
EQ [Xs kFt ] (5.3)
5.2 Calcul des déflateurs dans le cadre de notre étude

Comme nous l’avons mentionné ci-avant, la forme du déflateur dépend des actifs modélisés
et son expression est modifié lorsqu’un actif supplémentaire est ajouté dans le marché. Nous
présentons ci-dessous la détermination du déflateur dans le cadre de notre étude :
Un environnement propice aux déflateurs

Nous considérons dans notre modélisation une économie à trois actifs :
– un actif risqué, correspondant au sous-jacent du contrat.
– un taux sans risque court terme, dont est déduit le prix de l’obligation zéro-coupon, qui
constitue le placement sans risque de l’économie 4 .
4. Nous n’avons donc pas pris en compte le risque de défaut de la contrepartie ou encore le risque de liquidité.

76 Calcul des déflateurs dans le cadre de notre étude
– un compte cash, qui est placé au taux à court terme et donc localement sans risque mais
globalement risqué.
Le prix de l’actif risqué est donné par la formule générale (5.4).
dSt = µs (t, St )dt + σs (St , t)dBt (5.4)
Le taux court est régi par l’équation stochastique différentielle (EDS) (5.5).
drt = µr (rt , t)dt + σr (rt , t)dBt (5.5)
Enfin, le prix de l’obligation zéro coupon sans risque, de maturité T, est donné par (5.6) et
(5.7) :
dPt
= µp (rt , t)dt + σp (rt , t)dBt (5.6)
Pt
Si l’on note P̃t le prix actualisé au taux sans risque de l’obligation, nous avons d’après la formule
d’Itô :
dP̃t
= (µp (rt , t) − rt )dt + σp (rt , t)dBt (5.7)
P̃t
Bt est un mouvement brownien et µr , µp et σs , σp et σr sont des fonctions données.
Comme nous l’avons vu ci-dessus, l’utilisation des déflateurs exige de considérer un marché
complet sans opportunité d’arbitrage, nous nous plaçons donc dans un tel cadre.
5.2.1 Calcul du déflateur

Nous suivons dans cette sous-section la démonstration donnée par Descure [30] et reprise par
[29]. L’application du théorème d’Itô à l’équation (5.5) 5 permet par identification avec (5.6) de
trouver (5.9).
∂Pt
Pt σp (rt , t) = σr (rt , t)
∂r
σr (rt , t) ∂Pt
⇔ σp (rt , t) =
Pt ∂r
∂Pt ∂Pt 1 ∂ 2 P 2
Pt µp (rt , t) = µr (rt , t) + + σ (rt , t) (5.9)
∂r ∂r 2 ∂r2 r
Nous avons mis précédemment en évidence la mesure risque neutre à l’aide d’un facteur
d’escompte (cf. équation (5.2)). Nous pouvons ainsi déterminer un processus martingale (Mt )t≥0
sous la mesure historique P et conclure 6 d’après le théorème de représentation des martingales
browniennes qu’il existe un processus λ(rt , t), appelé prime de risque 7 ayant un terme en dt nul.
En d’autres termes, nous avons :
dMt
= −λ(rt , t)dBt (5.10)
Mt
5. L’équation (5.5) devient :
∂Pt ∂Pt 1 ∂2P ∂P
dPt = [ × µr (rt , t) + + × σr2 (rt , t)]dt + × σr (rt , t)dBt (5.8)
∂r ∂t 2 ∂r2 ∂r
RT
1 λ2 (rs ,s)ds
6. Sous la condition : EP [e 2 0 ] < +∞.
7. C’est le prix de marché du risque.

5.2 Calcul du déflateur 77
Nous pouvons alors déterminer, à l’aide du théorème de Girsanov, (BtQ )t≥0 le mouvement
brownien sous la mesure risque neutre, défini par dBtQ = BtP + λ(rt , t)dt avec dB0Q = 0. En
considérant (5.7) et le mouvement brownien sous la mesure risque neutre, nous obtenons :
dP̃t
= (µp (rt , t) − rt − λ(rt , t)σp (rt , t))dt + σp (rt , t)dBtQ (5.11)
P̃t
Or le processus ainsi défini est une martingale sous la mesure risque neutre, donc le terme de
dérive est nul et nous avons donc : µp (rt , t) = rt + λ(rt , t)σp (rt , t) que nous pouvons réinjecter
dans (5.6) et (5.9).
dPt
= (rt + λ(rt , t)σp (rt , t))dt + σp (rt , t)dBt
Pt
∂Pt ∂Pt 1 ∂ 2 P 2
et Pt (rt + λ(rt , t)σp (rt , t)) = µr (rt , t) + + σ (rt , t)
∂r ∂r 2 ∂r2 r
Il s’agit dès lors de déterminer une formule pour le déflateur. Nous considérons une forme sto-
chastique faisant intervenir un terme de tendance et nos deux mouvements browniens corrélés 8 .
dDt = Ω(Dt , rt , t)dt + Ξ(Dt , rt , t)dBt + Ψ(t, Dt , rt )dBt⊥ (5.12)
Sous la mesure historique, les prix déflatés de l’actif risqué, du compte cash et de l’obligation
zéro-coupon sont martingales.
√
– L’actif risqué S : sa formule générale est dSt = µs (t, St )dt+σs (St , t)(ρdBt + 1 − ρdBt⊥ ).
D’après la formule d’Itô, le processus déflaté vérifie : d(Dt St ) = Dt dSt +St dDt +dSt ×dDt .
Les termes en dt sont nuls car le processus est une martingale et nous en déduisons :
q
µs (t, St )Dt + Ω(Dt , rt , t) + ρσs (St , t)Ξ(Dt , rt , t) + 1 − ρ2 σs (St , t)Ψ(Dt , rt , t) = 0 (5.13)
C’est la première équation du système à 3 inconnues que nous développons par la suite.
– Le compte cash : Le compte cash de court terme a une dynamique définie par dBt =
rt Bt dt donne similairement que :
Dt rt Bt + Bt Ω(Dt , rt , t) = 0 ⇔ Ω(Dt , rt , t) = −Dt rt (5.14)
– Le Zéro Coupon : Enfin, en considérant le prix du Zéro-coupon, nous pouvons écrire

que :
Pt Ω(Dt , rt , t) + Dt Pt (rt + λ(rt , t)σp (rt , t)) + Pt Ξ(Dt , rt , t)σp (rt , t) = 0
Nous en déduisons en utilisant l’expression (5.14) de Ω(Dt , rt , t) :
Dt λ(rt , t)σp (rt , t) + Ξ(Dt , rt , t)σp (rt , t) = 0

⇔ Ξ(t, Dt , rt ) = −Dt λ(rt , t)
En substituant dans (5.13), nous obtenons :

rt − µs (t, St ) + λ(rt , t)ρσs (St , t)
Ψ(t, Dt , rt , St ) = Dt
1 − ρ2 σs (St , t)
p
= Dt K(t, Dt , rt , St )
rt − µs (t, St ) + λ(rt , t)ρσs (St , t)
où K(t, Dt , rt , St ) = −
1 − ρ2 σs (St , t)
p
8. Le lecteur pourra se reporter à la partie de ce rapport sur la modélisation des actifs.

78 Présentation des scénarios générés
En reprenant (5.12), nous avons :
dDt rt − µs (t, St ) + λ(rt , t)ρσs (St , t) ⊥

= −rt dt − λ(rt , t)dBt + dBt
1 − ρ2 σs (St , t)
p
Dt
= −rt dt − λ(rt , t)dBt − K(t, Dt , rt , St )dBt⊥
Nous reconnaissons la dérivée du logarithme népérien. En posant y = ln(D), il vient alors

que :
dDt 1 < dDt ; dDt >
dy = −
Dt 2 Dt2
où < dDt ; dDt >= Dt2 × (K 2 (t, Dt , rt , St ) + λ2 (rt , t))dt
1
dy = − (2rt dt + λ2 (rt , t) + K 2 (t, Dt , rt , St ))dt − λ(rt , t)dBt − K(t, Dt , rt , St )dBt⊥
2
Et nous trouvons finalement :
λ (rs , s) K (s, Ds , rs , Ss )
Z t Z t 2 Z t 2 !
Dt =D0 × exp − rs ds − ds − ds
0 0 2 0 2
Z t Z t
× exp − λ(rs , s)dBs − K(s, Ds , rs , Ss )dBs⊥ (5.15)
0 0
5.2.2 Résumé
Nous remarquons que D(0) = 1 9 . Par ailleurs, si nous notons ηt le régime qui s’applique
à la période [t; t + 1[, alors l’actif St suit le processus :
St+1
log |ηt ∼ N(µηt , ση2t )
St
dSt
= (µ1 1ηt =1 + µ2 1ηt =2 )dt + (σ1 1ηt =1 + σ2 1ηt =2 )dBt
St
√
λ r
Dans le modèle CIR, la prime de risque du risque de taux est donnée par λ(rt , t) = σ t .
√
Comme notre modèle à changement de régime drt = αηt (βηt − rt )dt + σηTtX rt dBt peut s’écrire
sous la forme d’un CIR pour un état η donné du système, nous pouvons en déduire à partir de
(5.15), la formule (5.16).
K (s, rs , ηt )
Z t Z t 2 Z t Z t !
λ λ √
2(σηTtX )2 0 0 2 σηTtX 0 0
(5.16)
√
λ rt S
σηTtX ηt
avec K(t, rt , ηt ) = −
1 − ρ2
p
σηSt
5.3 Présentation des scénarios générés

Nous disposons donc de tous les actifs de notre économie et nous pouvons ainsi générer les
scénarios économiques. Le graphique 5.1 présente les résultats obtenus pour :
– l’actif risqué (modèle lognormal à changement de régime).
9. Soit ZT , le prix d’un zéro coupon qui verse un flux certain de 1 en date T , E[DT .ZT ] = E[DT .1] = P (0, T ).1,
donc D0 =1.

79
– le taux sans risque LIBOR à un mois (modèle Cox-Ingersoll-Ross à changement de régime).

– le prix des obligations zero-coupon (déduit à partir de la formule fermée du modèle Cox-
Ingersoll-Ross).
– les déflateurs (qui rendent martingale l’actif risqué, le prix des obligations, ainsi qu’un
investissement qui serait revalorisé uniquement au taux LIBOR).
Figure 5.1 – Scénario économique avec un horizon de simulation de 8 ans et un pas de temps
mensuel.
Les déflateurs stochastiques captent le risque présent dans chaque scénario économique.
Lorsque le prix de l’actif risqué diminue, l’aversion au risque augmente dans le marché et le
déflateur donne plus de poids à ce scénario défavorable. A l’inverse, les scénarios favorables sont
nettement moins pondérés et le déflateur prend alors une valeur inférieure à 1, tout en restant
toujours strictement positif. C’est donc la variabilité des scénarios qui définit les quantiles de
la distribution des déflateurs. A chaque année, la moyenne des déflateurs est celle de la valeur
initiale d’une obligation zéro-coupon de la maturité correspondante. Ils définissent donc bien un
facteur d’actualisation stochastique, qui varie selon les conditions de marché.
∗∗∗
Notre générateur de scénarios économiques a ainsi pu être mis en place à l’aide des modèles
d’actifs à changement de régime calibrés et adaptés aux données récentes des marchés financiers.
Les déflateurs ont été implémentés pour permettre une évaluation des flux dans un univers risque
neutre. Pour pouvoir répondre à la problématique de notre sujet, il nous reste à identifier les
méthodes adéquates pour gérer et évaluer nos actifs et nos engagements. C’est ce que nous
abordons dans le chapitre suivant.

80 Présentation des scénarios générés

Chapitre 6
La mise en place d’un outil de

gestion ALM
Dans cette section, nous présentons le fonctionnement du modèle de gestion actif-passif que
nous avons développé et qui nous permet de simuler les décisions 1 de l’assureur. L’épargne des
assurés est placée sur les marchés financiers par l’assureur, qui peut la répartir entre deux classes
d’actifs : un actif sans risque 2 ou un actif risqué 3 . Nous considérerons aussi la possibilité pour
l’assureur d’acheter des produits dérivés afin de répliquer au mieux les flux de passifs qui seront
versés aux assurés. Nous pouvons dès lors nous demander quelle est la stratégie d’investissement
qui garantit une rentabilité optimale, tout en maîtrisant le risque supporté. Afin de répondre à
cette question, nous présentons ici quatre types de stratégies, dont nous comparerons les résultats
par la suite.
La première et la plus simple, désignée en anglais par l’expression "Buy and Hold" ou "Fixed
Mix", consiste à choisir une allocation cible pour l’actif risqué (et donc pour l’actif sans risque)
au début du contrat et à s’y tenir jusqu’à la fin. La seconde, que nous appellerons ici "Allocation
dynamique", consiste à modifier les allocations en actif risqué au cours de la vie du contrat, en
fonction de l’évolution des marchés financiers et de l’appétence au risque de l’assureur. Sous le
nom "Allocation dynamique" se cache en réalité une infinité de stratégies de gestion dynamiques
différentes. Nous nous intéresserons spécialement à l’une d’entre elles : le "Constant Proportion
Portfolio Insurance". La troisième stratégie, l’"Option-Based Portfolio Insurance", consiste à
répartir l’investissement entre l’actif sans risque et des options de sous-jacent identique à celui
du contrat. 4 Enfin, la dernière, la méthode "Viabilist Portfolio Proportion and Insurance" se
situe en marge des trois premières, car elle se base sur un principe totalement différent, qui
est celui de la viabilité, tandis que les trois premières proposent une estimation statistique et
stochastique du risque. Nous présentons dans les sections ci-après les motivations de ces trois
types de stratégies, ainsi que les théories sous-jacentes 5 .
6.1 Introduction à la gestion dynamique

Nous présentons dans cette section quelques rappels permettant de mieux appréhender la
description des stratégies. Le lecteur à l’aise avec ces notions pourra passer directement à la
section suivante.
1. Ces décisions sont fonction du contrat d’assurance à étudier ainsi que de l’évolution des marchés financiers.
2. C’est à dire les obligations zéro-coupon dont la maturité est celle du contrat.
3. Soit le sous-jacent du contrat, qui est en général l’indice Eurostoxx 50
4. Le sous-jacent des options correspond à l’indice de référence des contrats étudiés.
5. Le lecteur intéressé pourra approfondir ce que nous présentons par [3]
81
82 Introduction à la gestion dynamique
6.1.1 La diversification
La gestion dynamique d’actifs est basée sur le constat que les économies fluctuent. La pro-
blématique pour l’investisseur est alors de déterminer quels sont les titres qu’il doit posséder
dans son portefeuille afin de remplir au mieux ses objectifs 6 . Afin d’atteindre cet objectif, l’in-
vestisseur utilise un principe connu de tous les gérants de portefeuille : la diversification.
La diversification reflète l’idée que le risque d’un portefeuille composé par l’agrégation de
deux sous-portefeuilles est toujours inférieur à la somme des risques de ces portefeuilles consi-
dérés séparément. Si deux classes d’actifs sont corrélées négativement, la perte enregistrée par
l’une pourra être compensée par l’autre 7 . De façon plus générale, l’objectif pour le gérant de
portefeuille sera de déterminer la structure de corrélation optimale qui permettra de ne pas
subir les fluctuations des marchés financiers 8 et de remplir les objectifs du fonds. A chaque
instant, l’investisseur cherchera alors à rebalancer son portefeuille afin de retrouver l’allocation
d’équilibre, constamment perturbée par les changements financiers.
Quoiqu’il arrive, tenez-vous-en à votre programme. J’ai dit "Maintenez le cap"
un millier de fois et j’étais sérieux à chaque fois. Il s’agit là du meilleur conseil que
je puisse vous donner en matière d’investissement.
John C. Bodge - Common Sense on Mutual Funds
Lors de la détermination de la stratégie optimale, la première étape consiste à évaluer le profil
de risque de l’investisseur, c’est-à-dire analyser les engagements que celui-ci a pris, où en d’autres
termes la composition de son passif. Il est donc inutile de chercher à comparer les stratégies
mises en place par deux investisseurs, car celles-ci ne peuvent être considérées indépendamment
de leurs passifs respectifs. Le profil de risque d’un investisseur est donc déterminé sur la base
d’un principe de couverture entre l’actif et le passif. En 1952, Harry Markowitz propose, dans
son article "Portfolio Sélection"[52], de représenter le profil de risque de tout agent économique
rationnel par une fonction d’utilité convexe. Il aboutit à un critère moyenne-variance, qui permet
de déterminer, pour un niveau de risque donné 9 , la composition du portefeuille fournissant le
rendement maximal. Le principe de diversification joue ainsi un rôle clé dans ce processus.
Quels que soient les objectifs d’investissement, l’investisseur avisé opte pour la
diversification.
Burton G. Malkiel - A random walk down Wall Street
La détermination de ce portefeuille optimal au sens de Markowitz est présentée ci-dessous.
6.1.2 La notion d’efficience des marchés

La notion d’efficience des marchés financiers a été introduite en 1965 par Fama. Plusieurs
définitions de l’efficience des marchés existent, mais nous pouvons citer celle de Malkiel (1992).
"A capital market is said to be efficient if it fully and correctly reflects all relevant informa-
tion in determining security prices. Formally, the market is said to be efficient with respect to
some information set [. . .] if security prices would be unaffected by revealing that information
to all participants. Moreover, efficiency with respect to an information set [. . .] implies that it
is impossible to make economic profits by trading on the basis of [that information set.]"
6. Ces objectifs qui peuvent être très variables : de la recherche d’une performance maximale pour les hedge
funds à une prise de risque minime pour les fonds de pension
7. Par exemple, en cas de crise, beaucoup d’investisseurs décident d’acheter de l’or, car ils savent qu’ils vont
obtenir un rendement positif sur ces titres, qui compensera les pertes enregistrées sur le marché action.
8. Dans ce cas, nous parlons de stratégie neutre au marché
9. Mesuré par la variance maximale de résultat que l’agent est prêt à supporter.

6.1 La théorie moderne du portefeuille 83
Autrement dit, dans un marché efficient, le prix d’un titre incorpore pleinement toute l’infor-
mation disponible. En 1970, Fama propose trois versions de cette définition : l’efficience faible,
semi-forte et forte. Nous adoptons, pour la suite, les notations suivantes.
– Ωω : information sur les prix passés des titres et les paiements des dividendes et des intérêts.
– Ωss : information publiquement disponible concernant les titres, qui inclut entre autres les
rapports annuels, les analyses...
– Ωs : insider information : information privée ou privilégiée ou celle provenant d’initiés de
la compagnie qui a émis les titres.
Nous avons donc logiquement :

Ωω ⊆ Ωss ⊆ Ωs
Nous parlons alors d’efficience faible des marchés si le prix d’une action reflète toute l’in-
formation contenue dans l’histoire passée du prix de ce titre. il est donc inutile de consulter les
prix passés de cette action pour en prévoir l’évolution future. Un marché sera dit semi-fortement
efficient si le prix d’une action reflète toute l’information publique disponible et l’investisseur ne
devra se baser que sur son information privée pour effectuer son analyse, l’information publique
étant inutile. Enfin, un marché est fortement efficient si le prix d’une action reflète toute l’infor-
mation publique et privée. Dans un tel marché, il est donc impossible de réaliser une performance
supérieure à celle réalisée par les autres acteurs.
Traditionnellement, l’efficience des marchés oppose deux classes d’écoles de prévision des
évolutions des marchés financiers : les chartistes et les fondamentalistes. Les chartistes forment
des anticipations mécaniquement tournées vers le passé et proposent la prévision du prix futur
en analysant l’historique des prix observables. Dans un marché efficient au sens faible, il est
donc impossible de faire un profit anormal avec des méthodes chartistes. A l’inverse, les fonda-
mentalistes font des anticipations prospectives, visant à découvrir le cheminement futur des prix
d’équilibre en se basant sur l’information publique du marché. Dans un marché semi-fortement
efficient, les fondamentalistes ne pourront pas réaliser de profit anormal.
6.1.3 La théorie moderne du portefeuille

La théorie moderne du portefeuille a été introduite par Harry Markowitz dans [52] et permet
de formaliser le dilemme suivant : tout investisseur désirant augmenter l’espérance de gain de son
investissement devra en contrepartie prendre un risque plus important. Il devra donc trouver
un compromis entre risque et rendement, qui dépendra de son aversion au risque. Mathéma-
tiquement, le compromis optimal (propre à chaque investisseur) est la solution du paradigme
espérance-variance du portefeuille. Afin de capter l’aversion au risque de l’investisseur, nous in-
troduisons la fonction d’utilité U , qui à une richesse X donnée associe le niveau de satisfaction de
celui-ci. En notant X̃ la variable aléatoire représentant la valeur future du portefeuille, l’investis-
seur, qui cherche à maximiser son espérance d’utilité terminale, voudra résoudre le programme
Sup(E[U (X̃)]). Sauf exceptions, la fonction d’utilité d’un individu vérifie les deux propriétés
suivantes :
U 0 (.) ≥ 0
U est croissante : plus l’individu est riche et plus il est satisfait.
U 00 (.) ≤ 0
U est concave : l’individu est averse au risque.

84 Les méthodes stochastiques, où méthodes à approche directe
Définition 6.1.1
Un individu sera dit averse au risque s’il préfère toujours recevoir de façon certaine l’espérance
d’une loterie à deux issues que de jouer à celle-ci.
Ces deux caractéristiques de la fonction d’utilité impliquent qu’à tout moment, l’investisseur
qui a spécifié le risque maximal, mesuré par la variance σ ∗ du portefeuille, qu’il accepte de
supporter, désirera résoudre le problème (6.1).
sup(E[U (X̃)])
(
(6.1)
s.c σ(X̃) = σ ∗
Pour résoudre (6.1), nous introduisons la fonction de pénalisation f définie par (6.2).
f (X̃) = 0 si σ(X̃) = σ ∗
(
f (X̃) = +∞ si σ(X̃) 6= σ ∗
⇔ f (X̃) = inf {λ × (σ(X̃) − σ ∗ )}

λ∈R+
Nous pouvons alors reformuler (6.1) avec un Lagrangien et le programme devient :
sup{ inf {E[U (X̃)] − λ × (σ(X̃) − σ ∗ )}}

λ∈R+
Avec les bonnes hypothèses, le théorème de Kuhn-Tucker nous ramène à (6.2).
sup{E[U (X̃)] − λ × σ(X̃)} (6.2)
En interprétant le paramètre λ comme une mesure de l’aversion au risque de l’investisseur,

la résolution du problème ci-dessus donne une série de portefeuilles optimaux 10 indexés par λ.
Nous verrons dans la suite que, pour une certaine classe de fonctions d’utilité, la résolution du
problème de maximisation aboutit à une classe particulière de stratégies de portefeuille : les
stratégies CPPI.
6.2 Les méthodes stochastiques, où méthodes à approche di-

recte
Les méthodes stochastiques constituent l’outil traditionnel de valorisation des garanties fi-
nancières dans les milieux de la finance et de l’assurance, à l’aide d’outils statistiques. Elles sont
développées dans un cadre probabiliste, qui sous-tend des hypothèses d’utilisation ainsi que la
mise en œuvre d’outils statistiques qui permettent d’obtenir la meilleure estimation du para-
mètre recherché, au sens des différents critères et contraintes dont doit tenir compte le modèle.
6.2.1 Méthode Fixed Mix ou Buy and Hold

La stratégie "Buy and hold" est une stratégie d’investissement à long terme reposant sur le
fait que les marchés financiers offrent un rendement global intéressant si la période est suffisam-
ment longue pour que les phases de baisse et de forte volatilité soient négligeables au final. Le
gérant de portefeuille qui applique cette stratégie présuppose donc qu’il n’y a pas d’intérêt à
10. au sens du critère moyenne-variance.

6.2 Une extension de la méthode Fixed Mix avec anticipation statique 85
acheter ni à vendre les titres qu’il détient. Cette hypothèse est fondée sur la notion d’efficience
des marchés financiers : dans un marché efficient, le prix des titres contient à tout moment
toute l’information disponible et il n’y a donc aucun intérêt à se les échanger, car on ne recevra
en échange que des titres de même valeur. La stratégie "Buy and hold" peut aussi être justi-
fiée par une stratégie minimisant les coûts de transaction liés à la réallocation. Cette stratégie
s’oppose par essence au market-timing, qui consiste à décider d’acheter et de vendre suivant
les prédictions des mouvements de marché futurs, basées sur une analyse technique ou fonda-
mentale. Néanmoins, Warren Buffet propose de réconcilier ces deux types de stratégies : opposé
à l’hypothèse d’efficience des marchés financiers, il a construit sa fortune en investissant dans
des compagnies au moment ou celles-ci étaient sous-évaluées (market-timing) et en tenant ces
positions par la suite (buy-and-hold). Certains acteurs ont décrit cette stratégie comme du "long
term market-timing".
My favorite time frame is forever.

Warren Buffet
Dans notre cadre, l’application de cette méthode nécessite la détermination d’un unique
paramètre : la proportion de l’épargne qui sera investie en actifs risqués. En pratique, la valeur
optimale sera déterminée pour chaque contrat étudié à l’aide de simulations de Monte-Carlo.
6.2.2 Une extension de la méthode Fixed Mix avec anticipation statique

Il est immédiat de constater que la méthode Fixed Mix présente un défaut majeur : durant
une période de crise au cours de laquelle la valeur d’une classe de titres du portefeuille chute, il
paraît logique de vouloir réduire l’exposition du portefeuille à ces actifs, surtout si le gestionnaire
de portefeuille réussit à anticiper cette baisse. En pratique, quand une récession s’annonce, on
peut supposer que les agents sont capables de les identifier et de prendre dès lors des positions
conservatrices (ventes des actifs risqués pour acheter des actifs sans risque). La théorie écono-
mique néoclassique, par Robert Lucas, avance même la théorie des anticipations rationnelles :
en moyenne les agents ne se trompent pas, le marché est efficient.
Dans le cadre d’une modélisation prudente, nous ne pouvons pas retenir l’hypothèse d’anti-
cipations rationnelles. En revanche, il est plus crédible et prudent de supposer que les agents ont
des anticipations statiques, c’est-à-dire qu’ils se fondent sur les données du passé pour réagir.
Les différentes étapes de la mise en œuvre de cette méthode sont présentées ci-dessous.
– Étape 1 : Choisir une allocation stratégique actions-obligations initiale.

– Étape 2 : Déterminer un pas de temps durant lequel cette allocation restera inchangée.
– Étape 3 : Déterminer un critère permettant de prendre la décision de modifier la compo-
sition du portefeuille.
– Étape 4 : Déterminer, en fonction du critère, la nature de la modification du portefeuille.
– Étape 5 : A la fin de chaque pas de temps, si le critère est vérifié, modifier l’allocation
stratégique conformément à notre stratégie.
Un exemple de cette stratégie est présenté dans le dernier chapitre. Nous pouvons ainsi adop-
ter la règle de décision suivante.
Si le rendement a été négatif au cours du dernier mois, l’investissement est sécurisé et investi
totalement en obligations. Au contraire, s’il a été positif, nous investissons à 80% en actions et
20% en obligations. Ceci n’est qu’un exemple et nous nous attacherons à déterminer les valeurs
seuils et les ampleurs de modifications optimales.

Nous pouvons remarquer qu’un niveau plus élaboré d’adaptation a été introduit par Friedman
sous le nom d’anticipations adaptatives : les agents tiennent compte des données passées, mais
aussi de l’erreur qu’ils ont commise. Ce type d’anticipations pourrait être crédible sans porter
tort aux résultats de notre modélisation : en effet, il serait possible de choisir le pas de temps,
le critère pour décider et la nature des modifications, d’après les données passées du marché
afin de maximiser les gains. D’ailleurs dans les faits, avant d’appliquer une stratégie dynamique
d’investissement, celle-ci est toujours testée sur les données passées du marché.
6.2.3 Méthode CPPI : Constant Portfolio Proportion Insurance
La méthode "Constant Proportion Portfolio Insurance" est une stratégie d’allocation dyna-
mique qui consiste à investir à tout moment une proportion constante de sa richesse en actifs
risqués (et le reste en actif sans risque). Pour aller plus loin, le lecteur pourra consulter la théorie
mathématique sous-jacente à cette méthode en annexes ; cela permettra d’illustrer la résolution
du problème posé par Markowitz.
La méthode CPPI en pratique Dans le cas le plus simple, comme dans l’exemple ma-
thématique ci-dessus, le gérant de portefeuille répartit son investissement entre un actif risqué
(généralement des actions) et un actif sans risque (des obligations). L’allocation en actifs risqués
est proportionnelle à un coussin déterminé par le gestionnaire. La partie non investie en actifs
risqués est appelée plancher. Nous notons par la suite :
– VtCP P I : la valeur du fonds à l’instant t ,

– C(t) : la valeur du coussin au temps t,
– F (t) : la valeur du plancher au temps t ,
– m : le coefficient multiplicateur,
– R(t) : la partie investie en actifs risqués,
– SR(t) : la partie investie en actifs sans risque,
– V L(T ) : la valeur liquidative du fonds, c’est-à-dire le capital minimum garanti à l’échéance.
Le multiple m sera d’autant plus important que l’aversion au risque de l’agent est faible. A
tout moment, le plancher correspond à la valeur actualisée de l’engagement au terme du gestion-
naire de fond. C’est la valeur minimale nécessaire pour offrir la garantie en capital à l’échéance.
A chaque rebalancement du portefeuille, il faut suivre les étapes suivantes :
– Étape 1 : Calcul de F (t) = DF (t, T ) × VtCP P I où DF (t, T ) désigne le facteur d’actualisa-

tion qui donne la valeur en t d’une unité monétaire perçue en T .
– Étape 2 : Calcul de C(t) = V L(T )−F (t)
V L(T )
– Étape 3 : Calcul de R(t) = m × C(t)
– Étape 4 : Calcul de SR(t) = VtCP P I − R(t)
– Étape 5 : Rebalancement du portefeuille conformément aux nouvelles allocations
cibles.
En suivant cette méthodologie, nous avons toujours, en théorie, VtCP P I ≥ F (t) et la valeur
finale du fonds est toujours supérieure à la valeur promise (c’est à dire à l’engagement).
La valeur du fonds à l’échéance dépend donc fortement de la performance effectuée par l’actif
risqué. De façon générale, nous pouvons séparer en trois catégories les risques auxquels fait face
un gérant qui applique cette stratégie.

6.2 Méthode OBPI : Option Based Portfolio Insurance 87
Le "Gap risk" : risque de dépassement En théorie, l’allocation cible du fonds est censée
s’adapter à l’évolution des marchés financiers à chaque phase de modification du portefeuille et
donc suivre la trajectoire du sous-jacent de façon optimale. Néanmoins, le gestionnaire possède
toujours un "coup de retard" lorsqu’il change ses positions. En cas de chute extrême et rapide
des marchés actions, le coussin ne pourra pas absorber toute la baisse et il est possible que valeur
du fonds diminue trop rapidement et tombe sous celle du plancher.
Le "Cash locked risk" : risque de monétisation Le risque de monétisation survient en gé-

néral lorsqu’un scénario particulier se produit : une baisse importante de l’actif risqué au début
de la période. Dans cette situation, le gérant se retrouve obligé de réduire le niveau d’exposition
du fonds à l’actif risqué à 0 et d’investir la totalité en actifs sans risques (obligations). Le porte-
feuille est alors sans risque (en excluant le risque de défaut de l’émetteur des obligations) et sa
valeur est égale à celle du plancher. Seuls les intérêts perçus sur les obligations peuvent être à
nouveau investis dans des actifs risqués. Le portefeuille est dit locked in. Le fonds offre le niveau
de protection en capital initialement convenu mais sa performance à l’échéance est inférieure à
celle attendue. En outre, si les marchés actions remontent et recommencent à fournir un rende-
ment important, le gérant profitera pas de cette hausse.
Le risque lié au multiple Le multiple est un nombre constant strictement supérieur à 1. Il

définit l’appétence au risque de l’investisseur. Si ce dernier anticipe un rendement important, il
choisira une valeur du multiple élevé et inversement. Plus le multiple est important et plus une
fraction importante du fonds est investie dans l’actif risqué et donc plus la volatilité de ce titre
crée de la volatilité dans la valeur du fonds. En cas de krach, un fonds avec un multiple important
est donc très exposé au risque de dépassement. Une alternative permettant de réduire ce risque
est d’adopter un multiple variable. Cette méthode appelée méthode du multiple conditionnel
propose de faire varier le multiple selon le niveau de turbulence du marché, afin de conserver
une exposition au risque constante. Celui-ci augmente lorsque le cours des titres risqués monte
afin de bénéficier au mieux de la performance et diminue lorsque le prix des titres descend, pour
se protéger de la baisse. L’idée d’un multiple conditionnel rejoint celle de la méthode VPPI :
Viabilist Proportion Portfolio and Insurance.
6.2.4 Méthode OBPI : Option Based Portfolio Insurance
C’est en 1976 que H.Leland et M.Rubinstein ont proposé la couverture des risques liés à un
portefeuille actions par l’intermédiaire d’options financières, en particulier d’options de vente.
L’idée de base est très simple : investir une fraction du portefeuille dans un actif risqué et acheter
une option de vente sur cet actif. Deux cas de figure se présentent alors.
– D’une part, l’actif risqué prend de la valeur et le portefeuille génère alors un rendement
lié à cette performance. L’option de vente, inutile dans ce cas, n’est alors pas exercée.
– D’autre part, la valeur de l’actif baisse : le portefeuille enregistre des pertes mais l’option
de vente est alors dans la monnaie et elle est exercée, ce qui permet au portefeuille de
dégager de la performance. Dans ce cas, cette stratégie ne peut pas être qualifiée de dy-
namique, car elle n’implique pas la modification régulière de la composition du portefeuille.

La stratégie OBPI en détail Afin de préciser le fonctionnement de cette stratégie, nous

considérons comme précédemment une économie avec un titre risqué et un actif sans risque et
nous adoptons les notations ci-dessous.
– VtOBP I : Valeur du fonds à l’instant t

– St : Valeur à l’instant t de l’actif risqué
– P (t, T ) : Valeur en t d’un actif payant 1 de façon certaine en T
– P ut(t, T, St , K) : Prix en t d’une option de vente européenne de maturité T , écrite sur le
sous-jacent de valeur St et avec un prix d’exercice K
– G : Le montant de la garantie à l’échéance
– T : Maturité du contrat
– n : Nombre de titres risqués (et d’options de ventes) achetés par le gérant de portefeuille
L’achat initial des options de vente est financé par un emprunt qui sera remboursé en t = T ,
c’est à dire que l’on vend n×P ut(0,T,S
P (0,T )
0 ,K)
actifs sans risque au début du contrat et la valeur
initiale du portefeuille est composée des titres risqués, de la vente des actifs sans risque et des
options de vente.
V0OBP I = nS0 + nP ut(0, T, S0 , K) − nP ut(0, T, S0 , K) = nS0

Si aucune modification n’est effectuée au cours de la vie du contrat, la valeur finale du
portefeuille est alors de :
P (T, T )
VTOBP I = nST + n max(ST − K, 0) − nP ut(0, T, S0 , K)
P (0, T )
1
= n max(ST , K) − nP ut(0, T, S0 , K)
P (0, T )
Nous en déduisons que le gestionnaire peut honorer ses engagements si la valeur du fonds
est supérieure ou égale à celle de la garantie, soit :
VTOBP I ≥ G
1
⇔ n max(ST , K) − nP ut(0, T, S0 , K) ≥G
P (0, T )
La valeur minimale du prix d’exercice qui garantit cette relation en cas d’exercice de l’option
est :
1
K = P ut(0, T, S0 , K) +G
P (0, T )
Au-delà du risque intrinsèque lié à cette stratégie, le phénomène important à prendre en
compte lors de la modélisation est le calcul du prix de l’option de vente sur le sous-jacent. En
effet, en évaluant le prix de ces options par la formule de Black-scholes, il ne faut pas oublier de
considérer la volatilité implicite et non la volatilité historique, car l’existence d’un spread venant
s’ajouter à la volatilité empirique a été démontrée et observée, notamment pour les marchés
actions. Il est possible de généraliser cette stratégie en achetant cette fois-ci des options de vente
américaines, qui peuvent être exercées à tout moment. Le gérant doit alors définir une règle de
décision permettant de répondre à la question suivante : y a-t-il un temps d’exercice optimal
de l’option (avant la date de maturité), étant donnée l’information présente sur les marchés
financiers ?

6.2 Une méthode alternative : utilisation des contrats à terme 89
6.2.5 Une méthode alternative : utilisation des contrats à terme

Cette stratégie est la dernière des méthodes stochastiques que nous présentons. Elle est basée
sur la possibilité de créer une stratégie de couverture à partir de produits dérivés spécifiques
non optionnels : les contrats à terme.
Définition 6.2.1
Un contrat à terme est une opération négociée entre deux contreparties sur un marché à terme 11 .
Il constitue un engagement d’acheter (pour l’acheteur), de vendre (pour le vendeur) un actif sous-
jacent à un prix fixé au départ du contrat, mais pour une livraison et un règlement à la date de
maturité. Le prix auquel cet actif sera échangé est appelé prix à terme.
Les marchés à terme ont été conçus à l’origine pour les marchés agricoles, afin de protéger
les producteurs des fluctuations des cours des matières premières, mais ils jouent aujourd’hui un
rôle fondamental dans la couverture des portefeuilles (ainsi que dans la spéculation). L’entrée
dans ce type de contrats est gratuite comme pour tout produit dérivé non optionnel 12 , ce qui en
fait des instruments financiers possédant un très fort effet de levier et donc de fortes possibilités
de perte 13 . Pour une maturité et un sous-jacent donné, le prix à terme est déterminable de façon
unique par un raisonnement d’absences d’opportunités d’arbitrage. Notons :
– S0 le prix du sous-jacent à la création du contrat.

– T la maturité du contrat.
– F0T le prix à terme (spécifié à la création)
– P (0, T ) le prix aujourd’hui de l’obligation zéro coupon payant P (T, T ) = 1 à la date de
maturité.
Considérons alors les deux portefeuilles que nous composons comme suit :
– Portefeuille 1 : Achat de l’actif sous-jacent au prix S0 financé par un emprunt, c’est-

à-dire par la vente de P (0,T
S0
) obligations zéro coupon. La valeur du portefeuille est de
S0 − S0
P (0,T ) × P (0, T ) = 0.
– Portefeuille 2 : Un contrat à terme qui engage le détenteur à acheter l’actif risqué au terme
au prix de F0T . Le contrat non optionnel a une valeur nulle à sa création. La valeur du
portefeuille est donc de 0.
A la maturité du contrat, les valeurs des deux portefeuilles sont les suivantes :
– Portefeuille 1 : Nous détenons l’actif risqué et nous devons rembourser l’emprunt. La va-
leur du portefeuille est de : ST − P (0,T
S0
) × P (T, T ) = ST − P (0,T ) .
S0
– Portefeuille 2 : Le détenteur achète l’actif risqué au prix F0T alors qu’il cote ST . La valeur
du portefeuille est donc de ST − F0T .
11. On appelle marché à terme, un marché organisé et réglementé

12. En pratique, il existe de faibles coûts, liés à la nécessité de déposer un collatéral permettant de protéger la
contrepartie en cas de défaut.
13. On pense notamment aux pertes considérables enregistrées par la Société Générale sur ces contrats en
janvier 2009.

90 Les méthodes tychastiques, ou méthodes à approche inverse
D’après l’hypothèse d’Absence d’Opportunités d’Arbitrage, les portefeuilles ont la même valeur
à la création du contrat. Ils ont donc la même valeur à la date de maturité, ce qui nous permet
d’écrire (6.3).
S0
ST − F0T = ST − (6.3)
P (0, T )
Le prix à terme est donc déterminé par :
S0
F0T = (6.4)
P (0, T )
Avec le prix à terme ainsi déterminé, la valeur du contrat est donc nulle à sa création. Dès
que la durée à la maturité diminue, le contrat commence immédiatement à prendre de la valeur
(ou en perdre selon le type de position : acheteuse ou vendeuse) en fonction de l’évolution du
sous-jacent. A un moment t donné, il est possible de déterminer la valeur du contrat par un
raisonnement d’absence d’opportunités d’arbitrage : à cette date, une position inverse dans un
nouveau contrat à terme dont le prix à terme est alors de FtT vient annuler la position initiale.
Nous pouvons alors en déduire la valeur du contrat à tout instant t :
FtT − F0T
Vt = (6.5)
P (t, T )
Nous pouvons d’ailleurs mentionner qu’en pratique les contrats à terme sont utilisés à des fins
de couverture et de spéculation et sont toujours débouclés avant le terme, afin de ne pas donner
lieu à la livraison physique du sous-jacent, qui est généralement une matière première ou un
produit agricole.
Dans notre cadre, nous considérerons une stratégie de portefeuille hybride, où l’épargne col-
lectée auprès des assurés sera investie dans trois types d’instruments financiers différents :
– Des titres obligataires (sans risques).

– L’indice sous-jacent du contrat : actif risqué.
– Des contrats à terme sur cet actif sous-jacent.
Afin de créer une telle stratégie, il est donc nécessaire de déterminer les paramètres optimaux, à
savoir le nombre de contrats à terme et les allocations en actions et en obligations. En pratique,
nous verrons dans la dernière section comment déterminer ces paramètres en fonction des critères
que nous nous fixons.
6.3 Les méthodes tychastiques, ou méthodes à approche inverse

Les méthodes tychastiques, où à approche inverse, se positionnent dans une approche com-
plètement différente des méthodes à approche directe. Elles ne proposent pas d’estimer au mieux
le risque mais d’éradiquer celui-ci en considérant la pire situation pouvant se produire et en pre-
nant les mesures adaptées pour pouvoir y faire face.
On ne s’attache plus ici à la modélisation des rendements financiers au travers de modèles
probabilistes ou statistiques, mais à déterminer la borne inférieure de ceux-ci. Dans l’approche
directe, le choix de la stratégie que doit suivre le gérant de portefeuille est effectuée ex-ante,
c’est-à-dire au début de la période. Au contraire, dans le cas tychastique, la stratégie optimale
est solution du problème de suppression du risque.
Cette méthodologie se rapproche de l’approche par scénario adoptée dans les "Quantitative

6.3 Introduction : la théorie de la viabilité 91
Impact Studies" (QIS) de Solvabilité II, où un unique "scénario catastrophe" permet au régula-
teur d’apprécier le comportement de chaque assureur dans une situation critique. Afin de mieux
comprendre ce qui se cache derrière l’approche tychastique, penchons-nous brièvement sur son
origine : la théorie de la viabilité.
6.3.1 Introduction : la théorie de la viabilité

La théorie de la viabilité est née dans les années 1980, à la suite d’une rupture radicale avec
les mathématiques de la décision. Cette théorie a été développée afin de modéliser et de réguler
la dynamique de systèmes évolutionnaires subissant différents types de contraintes et soumis à
des sources d’incertitudes (non déterministes).
Parmi ces contraintes, nous pouvons citer : l’obligation d’atteindre un objectif donné, l’in-
fluence de paramètres externes au système, les effets de rétroaction ou encore l’évolution conjointe
de la variable avec son environnement. Un des objectifs de cette théorie est de déterminer un
noyau de viabilité. Ce dernier représente l’ensemble des états initiaux d’où part au moins une évo-
lution viable dans l’environnement prescrit. Motivée par les sciences biologiques et économiques,
cette théorie trouve notamment des applications dans les sciences économiques et financières,
où les contraintes de viabilité peuvent être des contraintes de rareté ou de revenu.
6.3.2 Méthode VPPI : Viabilist Portfolio Performance and Insurance

Dans le contexte de notre travail, la méthode VPPI nous permet de déterminer la composi-
tion initiale du portefeuille ainsi que la stratégie optimale associée à n’importe quel instant, en
fonction de l’information donnée par l’évolution des marchés financiers. L’idée est ici de suppri-
mer le risque en s’assurant que le coussin du fonds (au sens du CPPI) soit positif à tout instant.
Ainsi, les actifs de l’assureur auront toujours une valeur supérieure à celle de ses engagements.
Nous appelons cette condition la condition de viabilité. Le coût de la suppression du risque est
appelé investissement garanti minimum. Il correspond au capital économique (fonds propres)
permettant d’absorber les pertes de façon certaine. La méthode peut se décomposer en deux
étapes, qui sont effectuées à chaque phase de modification du portefeuille :
– Étape 1 : Calcul, à partir d’un modèle de prévision, des bornes inférieures des rendements
futurs du sous-jacent au contrat, où encore du réservoir tychastique. L’ensemble des ren-
dements supérieurs à ce plancher définit alors la correspondance tychastique, c’est-à-dire
l’ensemble d’incertitude dans lequel le rendement réalisé pourra tomber.
– Étape 2 : Calcul de l’investissement garanti minimum, ainsi que des règles de gestion per-
mettant d’aboutir à ce minium. De façon logique, plus le réservoir tychastique augmente
et plus le capital économique augmentera lui-aussi, la situation devenant plus exigeante.
6.4 Méthodes, garanties et hypothèses de la modélisation

Nous présentons ici les différents aspects pratiques que nous avons retenus dans le cadre de
notre modélisation.
6.4.1 Les méthodes implémentées

La méthode VPPI étant complexe à mettre en oeuvre et pouvant faire l’objet d’un mémoire
à elle seule, nous ne l’avons pas implémenté dans notre modèle de gestion ALM. Cependant
nous effectuerons des comparaisons sur les trois autres méthodes : le "buy and hold", le CPPI et

92 Méthodes, garanties et hypothèses de la modélisation
l’OBPI.
Concernant le "buy and hold", nous nous proposons d’évaluer l’impact de l’allocation cible
sur la rentabilité et de déterminer la composition de portefeuille idéale. Concernant la méthode
CPPI, c’est le choix du coefficient multiplicateur qui retiendra notre attention : nous avons effec-
tué des analyses de sensibilités afin de quantifier l’impact de celui-ci. Pour finir, nous tenterons
d’apporter une solution au paradoxe créé par la méthode OBPI : plus l’investisseur désire une
protection importante et plus il choisit des options de vente avec un haut prix d’exercice afin
de maximiser la couverture apportée par l’option ; mais plus le prix d’exercice est élevé et plus
l’option de vente coûte cher. Il y a donc un équilibre à trouver dont nous avons tenté de nous
rapprocher grâce à des analyses de sensibilités.
6.4.2 Les garanties modélisées

Comme nous l’avons détaillé dans le chapitre 2, les contrats à fenêtre proposent un grand
nombre de garanties, correspondant au profil de risque de l’acheteur. Afin d’analyser leur coût,
voici celles que nous retenons dans notre modèle : la garantie plancher, le plafonnement de la
performance, la garantie cliquet et le versement de coupons. Le plafonnement de la performance
consiste à ne reverser qu’une fraction α ∈]0, 1[ de la performance du contrat 14 .
Dans le cadre des contrats à fenêtre, la garantie cliquet que nous modélisons diffère de
celle présentée dans le chapitre 2, car nous nous conformons aux pratiques du marché, dont
les produits proposent en général un mécanisme de type : "La performance finale est calculée
comme une moyenne des performances (par rapport au niveau initial) aux différentes dates de
constatation contractuelles. Si la garantie cliquet s’applique, une performance n’est retenue que
si elle est supérieure à toutes les performances précédemment retenues". Le graphique 6.1 p. 93
représente ce mécanisme.
6.4.3 Les différents paramètres du modèle

Les différents paramètres que nous avons intégrés dans notre modèle et qui nous permettent
de piloter la rentabilité des contrats sont indiqués ci-après.
Le taux de frais à l’entrée : les engagements de l’assureur sont toujours calculés par rapport
à l’épargne nette de frais d’entrées.
Le taux de chargement : Chaque année, l’assureur prélève un montant de l’encours géré afin
de faire face à ses propres dépenses.
Le taux de frais de l’assureur : L’assureur a des dépenses générées par la gestion des contrats
(salaires et frais administratifs etc.). Par simplification, nous supposons ce taux égal au taux de
chargement, afin que les charges et les prélèvements se compensent.
Le taux de rachat : Une fraction des assurés rachète annuellement son épargne. Nous consi-
dérons ce taux comme fixe. Toutefois, il aurait pu être intéressant que celui-ci dépende de
l’environnement économique et ce d’autant plus que nous avons mis en place des modèles à
changement de régime. En effet, nous pouvons supposer que les assurés rachètent davantage
durant les phases de crise, en raison d’un besoin supérieur en liquidité.
Les chargements en cas de rachats : Conformément aux pratiques de marché, le taux de
chargement en cas de rachat est assez élevé. Cela s’explique par la mise en place de stratégie
de long terme sur ces contrats et des rachats massifs perturberaient cette dernière. Certains
contrats proposent des taux de rachats plus faibles pendant des fenêtres de sorties spécifiées
contractuellement, mais cela ne sera pas le cas pour les contrats que nous simulons.
14. voir par exemple le contrat BNP Paribas M98 détaillé ci-après.

6.4 Les différents paramètres du modèle 93
Figure 6.1 – Garantie cliquet en pratique.

6.4.4 Les modes de calcul de la performance

Inspiré des contrats présents sur le marché, la performance finale de l’indice sous-jacent est
calculée comme la moyenne arithmétique des performances par rapport au niveau initial et ce
aux dates de constatations (en général semestrielles). L’analyse de l’impact de l’effet cliquet,
détaillé ci-dessus, sera effectuée.
6.4.5 Analyse de la rentabilité : 2 phases

Afin de nous placer dans une optique cohérente avec la réforme Solvabilité II, la projection
des contrats est effectuée en deux phases.
D’abord, le calcul du capital économique permettant de garantir la solvabilité de l’assureur
dans 99.5 % des cas et ensuite, la projection en elle-même dans laquelle nous intégrons le coût
de ce capital.
6.4.6 Détermination du besoin en capital

Pour déterminer le capital économique, une première série de simulations stochastiques sans
capital, sans frais, sans chargements, sans rachats et sans garanties a été effectuée. Pour toutes
ces simulations, nous avons calculé la New Business Value et nous avons retenu le quantile
empirique à 0.5% de la distribution ainsi obtenue. C’est ce montant de capital qui sera injecté
à la création de la compagnie.
6.4.7 Projection des flux générés par le contrat

Nous effectuons ensuite une seconde série de simulations en intégrant le capital économique
précédemment calculé et nous évaluons la différence de rentabilité avec et sans les différentes
garanties, ce qui nous permet de quantifier leur impact. Le graphique 6.2 p.95 présente les flux
qui nous permettent de calculer la New Business Value.
∗∗∗
Notre générateur de scénarios économiques et notre outil de valorisation ont pu être finalisés
au cours des chapitres précédents. Ils permettent d’analyser la rentabilité des contrats d’assurance
vie à garanties complexes que nous avons introduits dans le premier chapitre. Nous présentons
dans le chapitre suivant les résultats de notre étude.

6.4 Projection des flux générés par le contrat 95
Figure 6.2 – Flux générés par le contrat d’assurance.


Chapitre 7
La rentabilité des garanties

complexes mises à l’épreuve
Dans cette section, nous nous proposons de mettre en application ce qui a été présenté pré-
cédemment afin d’analyser la rentabilité de plusieurs contrats à fenêtre qu’il est possible de
trouver sur le marché de l’assurance vie en France. L’objectif de cette partie est double. Nous
apporterons ainsi des réponses aux deux types de questions suivantes :
– pour un contrat donné, quelle est la stratégie optimale pour l’assureur ? Nous nous sommes
attachés à trouver la stratégie qui maximise l’espérance de profit futur, tout en minimisant
le risque. Ceci nous a permis de déterminer le montant en capital requis pour ces types de
contrat afin de garantir la solvabilité de l’assureur à horizon un an dans 99,5% des cas.
– Une fois la stratégie optimale déterminée pour nos contrats, quel est le coût de ses diffé-
rentes garanties ? Quel est leur impact sur le risque et la rentabilité ?
Afin de répondre à ces deux questions, nous devons fixer plusieurs paramètres :
– le contrat modélisé,
– la mesure de rentabilité,
– la mesure du risque
– la stratégie d’investissement.
7.1 Les choix de modélisation

7.1.1 Les deux types de contrats retenus
Nous avons décidé de modéliser deux types de contrat : un contrat à durée aléatoire et
un contrat à durée déterminée. A l’image du contrat Triple Horizon présenté dans le premier
chapitre, le contrat à durée aléatoire se termine dès que la performance de l’indice sous-jacent
est positive par rapport à son niveau initial. Pour le contrat à durée déterminée, nous avons pris
une durée de 8 ans qui semble commune à des nombreux contrats à fenêtre sur le marché. Nous
retrouvons dans le tableau 7.1 p. 98 les spécificités de ces deux contrats.
97
98 Les choix de modélisation
Contrat à durée aléatoire Contrat à durée fixe

Durée maximale 3 ans 8 ans (durée fixe)
Frais d’entrée 2,5% 4%
Garantie plancher Non 1 Oui
Plafonnement de la performance Non Oui à hauteur de 70%
Garantie cliquet Non Oui 2
Calcul de la performance 7,25% × N 3 Moyenne des performances 4
Table 7.1 – Les deux contrats modélisés.

1 L’assuré récupère la valeur liquidative si la baisse de l’indice est comprise entre 0% et -50%, et il récupère 200% de la
valeur liquidative si la baisse est supérieure à 50%.
2 On parle ici de garantie cliquet au sens de la garantie cliquet modifiée du contrat Fructizen4 présentée dans l’exemple 1.3.6.1.
3 Où N est le nombre d’années qu’a duré le contrat.
4 Moyenne arithmétique aux dates de constation qui sont semestrielles ici.
7.1.2 La mesure de rentabilité

Afin d’être cohérents avec le référentiel Solvabilité II, nous avons choisi d’analyser la renta-
bilité économique des contrats en tenant compte du capital apporté par l’actionnaire. Pour cela,
nous mesurons la rentabilité en calculant la New Business Value des flux générés par le contrat :
– Capital apporté au début du contrat (flux positif).

– Flux de rachat des assurés en cours de contrat (flux négatif).
– Frais de fonctionnement de la compagnie d’assurance : salaires, loyers... (flux négatifs).
– Chargements ponctionnés sur l’épargne des assurés lors des reversements (flux positifs).
– Capital libéré en fin de simulation (flux négatif).
– Rémunération du capital au cours de la vie du contrat (flux négatif).
– Bénéfices effectués grâce à l’épargne des assurés : si la valeur finale des titres dans lesquels
l’assureur a investi l’épargne de ses assurés est supérieure à ses engagements, l’assureur
fait un gain et ce flux est positif. Dans le cas contraire, la perte est enregistrée comme un
flux négatif.
7.1.3 La mesure de risque

Une fois la distribution des New Business Value obtenue pour toutes les simulations sto-
chastiques 5 , nous calculerons les indicateurs suivants pour quantifier le risque associé à cette
variable aléatoire :
L’espérance , c’est-à-dire la rentabilité moyenne pour ce contrat.
La Value-at-Risk à horizon un an T = 1 et au seuil α = 99, 5% 6 . En notant X = (X (1) , ..., X (N ) )
les valeurs ordonnées obtenues pour les N = 15.000 simulations, la Value-at-Risk à horizon T
et au seuil α est alors définie par :
V aR(X, T, N, α) = X ((1−α)N ) .
5. Pour notre étude nous avons réalisé 15.000 simulations.

6. Ceci correspond à la mesure de risque de Solvabilité II.

7.1 Les stratégies de gestion étudiées 99
Dans notre cas, nous avons donc (7.1).
V aR(X; 1; 15.000; 0, 05) = X (75) . (7.1)
La Tail Value-at-Risk à horizon T = 1 an et au seuil α = 99.5% est définie par (7.2).
T V aR(X, T, N, α) = E[X | X > V aR(X, T, N, α)] (7.2)
La TVaR est donc estimée par la moyenne empirique des 75 plus mauvaises valeurs de la renta-
bilité ici.
Grâce à ces différents paramètres, nous avons pu quantifier le risque associé à chaque dis-
tribution, et ainsi déterminer la meilleure stratégie. Néanmoins, nous devons nous donner des
critères permettant de sélectionner les meilleures stratégies sur la base de ces mesures. Pour
cela, nous adoptons, entre autres, le critère de dominance suivant.
Définition 7.1.1
Pour une stratégie de gestion dynamique S, un nombre de simulations N , un horizon T , un
coefficient de confiance α et une distribution de New Business Value X associée, nous appelons
résultat la variable R ∈ R définie par le triplet
R(S, T, N, α, X) = (ER [X, T, N, α]; V aRR (X, T, N, α); T V aRR (X, T, N, α)).
Définition 7.1.2
Soient R1 et R2 deux résultats calculés avec le même nombre de simulations, le même horizon
temporel et le même coefficient de confiance, alors R1 domine R2 si et seulement si :
(ER1 [X, T, N, α] > ER2 [X, T, N, α])

∪(V aRR1 (X, T, N, α) < V aRR2 (X, T, N, α))
∪(T V aRR1 (X, T, N, α)) < T V aRR2 (X, T, N, α))
7.1.4 Les stratégies de gestion étudiées

Pour cette étude, nous avons retenu les stratégies de gestion de portefeuille suivantes :
– la stratégie Constant mix : nous déterminerons l’allocation actions-obligations optimale.

– la stratégie Constant mix avec anticipations statiques : nous présenterons le seuil optimal
de la variation du sous-jacent pour modifier nos allocations cibles que nous préciserons.
– la stratégie CPPI : nous analysons l’impact du coefficient multiplicateur.
– la stratégie utilisant des contrats à terme : nous estimerons la combinaison optimale
(nombre de contrats à terme ; allocation en actions ; allocation en obligations).
– la stratégie OBPI : pour les options d’achat et de vente, nous déterminerons la combinai-
son optimale parmi (Prix d’exercice de l’option ; Nombre d’options ; Allocation en actions ;
Allocation en obligations).
7.1.5 Valeurs retenues pour la simulation

Les valeurs retenues pour les paramètres sont les suivantes :

100 Détermination de la stratégie optimale
– Épargne apportée par les assurés : 200.000 €(200 parts ayant chacune 1000 €de valeur
liquidative).
– Coût annuel du capital : 8%.
– Frais de rachats : 5%.
– Fréquence annuelle des rachats : 1%.
– Valeur initiale de l’actif risqué : 3.100.
– Corrélation entre les mouvements browniens de l’actif risqué et des taux d’in-
térêt : 0,7.
– Valeur de la prime de risque λ : 0,01.
– Taux d’intérêt court : nous prenons le taux LIBOR d’échéance 1 mois, de valeur initiale
0,40%. (Valeur au mois d’avril 2012)
– Valeur initiale des obligations zéro coupon de maturité 8 ans : 0,79 (donnée par
le modèle CIR à partir de la valeur du taux court).
– Valeur initiale des obligations zéro coupon de maturité 3 ans : 0,9170 (donnée
par le modèle CIR).
– Pas de temps pour la simulation des variables économiques : 1 mois.
– Fréquence de constatation des performances de l’actif risqué : 6 mois.
– Fréquence de modification de la composition du portefeuille : 1 mois.
– Valeur des frais de fonctionnement : nous supposons par souci de simplicité que ceux-
ci se compensent exactement avec les chargements de l’assureur, c’est pourquoi ces deux
valeurs sont fixées à 0.
7.2 Détermination de la stratégie optimale

7.2.1 Contrat à durée fixe de 8 ans
La stratégie Constant mix
Afin de comparer les différentes stratégies entre elles, nous effectuons dans un premier temps
des simulations avec la stratégie Constant mix. L’allocation optimale choisie nous servira de
référence 7 pour étudier les résultats donnés par les autres stratégies. Le graphique 7.1 p. 101
présente l’évolution de la rentabilité moyenne, de la Value-at-Risk et de l’Expected Shortfall en
fonction de l’allocation en actifs risqués. Ce graphique illustre bien ce qui a été mentionné en
introduction, à savoir que la commercialisation d’un contrat à fenêtre nécessite des compromis.
En effet, il n’y a aucune stratégie Constant mix qui domine toutes les autres au sens de la
définition donnée ci-dessus. Si l’assureur veut augmenter son espérance de rentabilité, il doit
en contrepartie supporter un risque plus important (ce qui se traduira par une immobilisation
de capital plus importante et donc une baisse de rentabilité). Néanmoins, nous pouvons voir
qu’il existe une stratégie pour laquelle les deux critères de risques sont simultanément minimi-
sés : il s’agit d’une allocation avec 17% d’actions et 83% d’obligations. Pour cette stratégie, la
distribution des valeurs de la NBV est présentée sur la figure 7.2 p.101.
Cette distribution paraît assez intéressante pour l’assureur. En effet, elle possède une queue
gauche assez fine, et souligne des possibilités de gros gains non négligeables. Pour la stratégie
Constant mix, les meilleures allocations présentent les caractéristiques que le lecteur trouvera
dans le tableau 7.2 p.102.
7. On parle de benchmark en pratique.

7.2 Contrat à durée fixe de 8 ans 101
Figure 7.1 – Résultats donnés par la stratégie constant mix.
Figure 7.2 – Distribution des NBV pour l’allocation 83% obligations - 17% actions.

Allocation (obligations-actions) NBV moyenne VaR TVaR

89-11 22.440 -24.401 -34.433
88-12 22.122 -22.923 -32.418
87-13 21.804 -21.583 -30.625
86-14 21.485 -20.812 -29.066
85-15 21.166 -19.870 -27.834
84-16 20.846 -19.922 -27.111
Table 7.2 – Les allocations optimales pour la stratégie Constant mix.
Les stratégies impliquant des contrats à terme

Dans cette sous-section, nous présentons les résultats donnés par les stratégies basées sur les
contrats à terme : à la création du contrat, l’assureur s’engage dans des contrats d’achat ou de
vente à terme. Les contrats de vente permettent de se couvrir contre la baisse du sous-jacent, et
les contrats d’achat contre la hausse. Il est donc naturel de considérer deux stratégies avec deux
types d’allocation :
– une allocation importante en actifs risqués 8 et des contrats de vente à terme 9 .

– une allocation importante en actifs obligataires permettant de garantir un revenu à faible
risque, et des contrats d’achat à terme permettant de profiter de la hausse de l’indice.
A ce stade, il est important de se rappeler que les contrats à terme ont un coût nul lors de leur
création, mais ils peuvent générer une perte à la date de maturité 10 . Ces contrats introduisent
donc un risque supplémentaire dans le portefeuille de l’assureur. Le tableau 7.3 p.102 résume les
meilleurs résultats obtenus, en fonction des différents paramètres 11 .
Allocation Type de contrat à terme Nombre de contrats NBV moyenne VaR TVaR
89-11 Achat 3 20.289 -18.868 -25.322
87-13 Achat 3 19.653 -18.129 -25.022
86-14 Achat 2 20.051 -18.758 -25.431
85-15 - 0 21.166 -19.870 -27.834
85-15 Achat 1 20.449 -19.037 -26.171
26-74 Vente 36 27.124 -31.517 -41.791
24-76 Vente 38 27.844 -31.894 -41.693
22-78 Vente 38 27.127 -31.403 -41.201
20-80 Vente 40 27.842 -32.542 -40.877
18-82 Vente 42 28.552 -32.536 -41.829
16-84 Vente 42 27.828 -32.060 -40.381
Table 7.3 – Stratégies optimales impliquant des contrats à terme.
8. Afin de profiter de la hausse de l’indice.

9. Pour se couvrir contre la baisse de l’indice.
10. Contrairement aux options, qui ne sont pas exercées si l’évolution du sous-jacent est défavorable au déten-
teur, les contrats à terme le sont nécessairement.
11. Nombre de contrats et allocation choisie.

7.2 Contrat à durée fixe de 8 ans 103
L’analyse de ce tableau nous amène à plusieurs conclusions.
– Concernant les stratégies impliquant des contrats d’achat à terme, les allocations optimales
sont toujours proches des allocations optimales pour les stratégies Constant mix et le
nombre de contrats dans lequel il est préférable de s’engager est très faible. Cela signifie
que ces contrats permettent de réduire le risque car ils apportent une couverture pour les
scénarios où l’actif risqué augmente très fortement. En effet, dans ce type de scénarios, cette
augmentation conduit à une hausse des engagements de l’assureur envers l’assuré et les
plus-values réalisées sur les contrats à terme permettent de compenser les pertes effectuées.
En contrepartie, pour tous les scénarios ou la valeur finale de l’indice est inférieure à celle
du prix à terme, ces contrats génèrent une perte, ce qui contribue à diminuer la rentabilité
moyenne.
– Pour les stratégies impliquant des contrats de vente à terme, l’assureur obtient une meilleure
rentabilité moyenne, mais son risque augmente. De manière symétrique aux contrats
d’achat, les contrats de vente permettent de réduire l’exposition de l’assureur lorsque
le sous-jacent baisse 12 , mais ils génèrent des pertes lorsque celui-ci augmente.
Pour les contrats d’achat à terme, nous constatons que ceux-ci exposent fortement l’assureur,
dont le risque augmente très rapidement lorsqu’il s’engage dans ceux-ci. Le graphique 7.3 p.103
représente le profil de risque de l’assureur.
Figure 7.3 – Profil de risque de l’assureur pour des contrats d’achat à terme.
Nous pouvons ainsi constater qu’il existe une zone où le risque est minimal, mais celui-ci
augmente très rapidement lorsque l’allocation en actifs risqués augmente. Cette augmentation
est moins tranchée lorsque l’assureur s’engage dans des contrats de vente à terme, comme nous
pouvons le voir dans le graphique 7.4 p.104.
12. Car il est très exposé en raison de sa forte allocation en actions.

Figure 7.4 – Profil de risque de l’assureur pour des contrats de vente à terme.
Figure 7.5 – Résultats donnés par la stratégie CPPI.
Les stratégies CPPI

Pour cette étude, nous avons analysé les résultats fournis par les stratégies CPPI, en faisant
varier le coefficient multiplicateur de 0 à 4 par pas de 0.1 13 . Pour toutes ces stratégies, le
graphique 7.5 p.104 présente l’évolution des valeurs de la rentabilité moyenne, de la VaR et
de la TVaR. A partir du graphique 7.5 p.104 pour les stratégies Constant mix, il est possible
d’aboutir à la conclusion suivante : pour toute stratégie CPPI, il est possible de trouver une
stratégie Constant mix qui domine celle-ci. C’est pourquoi nous ne nous attardons pas sur ces
stratégies, qui ne fournissent pas de bons résultats dans notre analyse.
Les stratégies OBPI

Nous avons testé ici deux types de stratégie :
13. Les stratégies avec un coefficient supérieur à 4 donnant des résultats exposant l’assureur à un risque trop
important.

7.2 Contrat à durée aléatoire 105
Figure 7.6 – Profil du risque extrême supporté par l’assureur en fonction du nombre d’options
et du prix d’exercice
– l’investissement de l’épargne en actifs risqués uniquement avec un achat d’options de vente.

– l’investissement de l’épargne en actifs obligataires uniquement avec un achat d’options
d’achat.
Nous avons fait varier le prix d’exercice de ces options de 2.000 à 5.000. Nous constatons que
ces stratégies fournissent de bons résultats pour certains scénarios spécifiques et conduisent à
une rentabilité intéressante, mais elles exposent l’assureur à un risque extrême très fort, comme
nous pouvons le voir sur le graphique 7.6 p.105.
Afin de départager les stratégies les plus intéressantes , nous devons utiliser un autre indi-
cateur de rentabilité mentionné au début de ce mémoire : le RAROC 14 . Le RAROC est donc
E[N BVmoyenne ]
défini par : RAROC = |V aR| .
Les résultats obtenus sont présentés dans le tableau 7.4 p.106.
Ces résultats nous incitent à retenir la stratégie suivante pour étudier le coût des garanties
associées à ce contrat : stratégie Constant mix investie à 87% en obligations et 13% en actions
avec engagement initial dans 3 contrats d’achat à terme.
7.2.2 Contrat à durée aléatoire

Le second type de contrat que nous étudions a la caractéristique d’avoir une durée aléatoire,
avec un rendement conditionnel fixé a priori.
14. Nous rappelons que le RAROC est égal au ratio entre l’espérance de résultat (ici la NBV moyenne) et la
capital économique à immobiliser (la Value-at-Risk dans le référentiel Solvabilité II).

Allocation Type de contrat à terme Nombre de contrats NBV moyenne VaR RAROC
89-11 Achat 3 20.289 -18.868 1,0753
87-13 Achat 3 19.653 -18.129 1,0840
86-14 Achat 2 20.051 -18.758 1,0689
85-15 - 0 21.166 -19.870 1,0652
85-15 Achat 1 20.449 -19.037 1,0741
26-74 Vente 36 27.124 -31.517 0,8607
24-76 Vente 38 27.844 -31.894 0,8730
22-78 Vente 38 27.127 -31.403 0,8638
20-80 Vente 40 27.842 -32.542 0,8555
18-82 Vente 42 28.552 -32.536 0,8775
16-84 Vente 42 27.828 -32.060 0,7939
Table 7.4 – Comment départager les stratégies pour lesquelles nous n’observons pas de domi-
nance explicite ?
Utilisation des produits dérivés

Dans le cas du contrat à durée aléatoire, nous avons décidé de ne pas utiliser les stratégies
de type OBPI pour plusieurs raisons que nous énonçons ci-après.
– Les options d’achat permettent à l’assureur de se couvrir contre une forte hausse du sous-
jacent, qui vient augmenter la valeur de son engagement. Dans l’exemple que nous avons
considéré, l’engagement est plafonné de façon absolue à 7.25% par année, et le risque de
forte hausse est donc limité. Ainsi, pour ce type de contrat, les options d’achat n’ont
un intérêt que si la performance du sous-jacent est comprise entre 0% et 7.25%, ce qui
correspond à un cadre trop restrictif. Le gain réalisé dans ces situations ne permet pas de
compenser globalement les pertes enregistrées sur ces options lorsque l’indice sous-jacent
fait une performance négative.
– Les options de vente, quant à elles, ont pour vocation de couvrir l’assureur en cas de baisse
du sous-jacent. Encore une fois, pour le contrat modélisé ici, l’assureur n’est exposé à la
baisse que dans une limite de -50%, et les options de vente ne présentent pas un réel attrait.
– La durée du contrat étant aléatoire, la question de la maturité des options se pose. Si nous
choisissons une maturité égale à la durée maximale du contrat (ici 3 ans) et que celui-ci se
termine au bout de 1 an ou 2 ans, il est nécessaire de valoriser à nouveau ces options afin
de calculer le prix auquel elles sont revendues. Pour cela, il nous faut disposer du nouveau
taux sans risque à horizon 1 an 15 , alors que le seul 16 taux que nous simulons est le taux
LIBOR à 1 mois.
Concernant les autres stratégies, nous décidons de faire les hypothèses suivantes :
– les contrats d’achat et de vente à terme dans lesquels entre l’assureur ont une maturité
de 3 ans. Si le contrat se termine avant cette date 17 , nous calculons la valeur actuelle du
15. Nécessaire pour valoriser les options dans la formule de Black-Scholes adaptée au modèle à changement de
régime.
16. Il aurait donc été nécessaire de modéliser l’intégralité de la courbe des taux, ce qui n’est pas l’objet de ce
mémoire, et que nous n’avons pas eu le temps de réaliser.
17. C’est-à-dire si la performance de l’indice par rapport à son niveau initial est positive

contrat à terme 18 et nous enregistrons le bénéfice ou la perte associée au contrat.

– Pour mettre en œuvre la stratégie CPPI, nous calculons la valeur actuelle de l’engagement
au terme de l’assureur 19 en supposant que le contrat s’achève 1 an après la date de calcul.
Cette hypothèse est discutable, mais il nous semble qu’elle traduit en fait le choix le plus
prudent du point de vue de l’assureur, et qu’elle s’intègre dans la cadre de la réforme
Solvabilité II, basée sur un horizon d’un an.
Comme nous pouvons le voir dans le graphe 7.7 p.107, la stratégie Constant mix ne donne
pas de bons résultats : elle fournit une très faible rentabilité moyenne, voire négative, et expose
l’assureur à un risque important.
Figure 7.7 – Stratégie constant mix pour les contrats à durée aléatoire.
La stratégie CPPI ne fournit pas non plus de bons résultats. Elle ne parvient pas à capter
la valeur de l’engagement de l’assureur, et à adapter l’allocation cible en conséquence. Cette
stratégie ne peut fournir de bons résultats que lorsque l’engagement au terme est connu de
façon relativement certaine. Cette analyse est illustrée par le graphique 7.8 p.108.
Nous ne présentons pas ici les résultats fournis par la stratégie incluant des contrats d’achat
à terme, car les résultats sont extrêmement mauvais. Afin de trouver une explication à ces
mauvais résultats, nous pouvons invoquer un argument identique à celui qui nous a conduits
à ne pas utiliser des options d’achat pour ce type de contrat : la performance étant plafonnée,
les contrats d’achat sont inutiles car l’assureur n’a pas besoin de se couvrir contre le risque
de hausse. Ce sont les garanties contractuelles qui jouent ce rôle. Ces contrats ne contribuent
donc qu’à générer des pertes lorsque le prix de l’actif risqué à la clôture du contrat est inférieur
au prix à terme. Il est donc naturel de penser que ce sont les contrats de vente à terme qui
fourniront les meilleurs résultats, car ils permettent de générer du profit lorsque l’actif risqué
18. Le calcul de cette valeur a été détaillé dans la section présentant les différentes stratégies de portefeuille
19. C’est-à-dire la valeur du plancher

Figure 7.8 – Stratégie CPPI pour les contrats à durée aléatoire.
n’a pas effectué de bonnes performances. En effet, le scénario que redoute l’assureur est ici une
baisse de l’actif risqué pendant 2 ans, puis une remontée jusqu’à un niveau faiblement supérieur
au niveau initial, ce qui l’oblige à verser une rémunération de 3 × 7, 25% à l’assuré. Dans ce cas,
les contrats de vente à terme permettent alors de générer un bénéfice pour compenser ce manque
à gagner. Afin d’étudier la stratégie optimale, nous avons fait varier le nombre de contrats et
l’allocation en actifs risqués de 0 à 100 par pas de 3. Ces stratégies fournissent des résultats
relativement corrects en terme de rentabilité moyenne, mais elles exposent l’assureur à un risque
trop important, comme nous pouvons le voir sur le graphique 7.9 p.109.
Il est à noter que l’ensemble des stratégies, pour lesquelles la VaR a des valeurs acceptables
(autour de 20.000), possède des rentabilités négatives (non représenté sur ce graphique). Les
rentabilités positives ne sont atteintes que pour un niveau de risque proche de 100.000€, c’est-
à-dire les stratégies se situant "aux extrémités" de ce graphique.
Les stratégies présentées ici ont toutes le même défaut ; elles ne s’adaptent pas suffisamment
à la nature du contrat et ne sont pas assez réactives en terme de changement de la composition
du portefeuille. La stratégie Constant mix notamment ne convient pas pour des investissements
à si court terme (la durée du contrat peut n’être que d’un an).
En outre, il devient nécessaire ici d’anticiper la fin du contrat si l’indice devient fortement
positif, et inversement si la performance est négative. Afin de remédier à cela, nous utilisons la
stratégie Constant mix avec anticipations statiques. Nous adoptons la règle de décision suivante.
Dès que la performance de l’indice a été positive le dernier mois, nous adoptons une allocation
stratégique avec un pourcentage d’actions très important (noté pactions ). A l’inverse, lorsque la
performance a été négative, nous considérons une stratégie prudente et investissons la quasi-
totalité de l’épargne en obligations (le pourcentage est noté pobligations ). Nous nous donnons
même la possibilité d’investir plus que le montant de l’épargne en obligations, en vendant des
actions à découvert.

Figure 7.9 – Value-at-Risk pour les stratégies impliquant des contrats de vente à terme.
Afin de déterminer la meilleure allocation, nous faisons varier pactions entre 60% et 100%,
et pobligations entre 80% et 130%. Nous observons les Value-at-Risk de ces combinaisons sur le
graphique 7.10 p.110.
Nous observons sur le graphique 7.10 p.110 que l’assureur est exposé à un risque beaucoup
plus faible avec cette stratégie : la valeur maximale de Value-at-Risk se situe entre 30.000€et
35.000€. En outre, les rentabilités associées ont une valeur raisonnable. Nous présentons dans le
tableau 7.5 p.109 les stratégies permettant de minimiser le risque associé à cette stratégie. Nous
avons déterminé le quantile de la distribution tel que la valeur de la NBV est nulle.
pactions - pobligations NBV moyenne VaR TVaR Quantile du 0 RAROC

70-128 11.330 -11.947 -16.458 0,077 0,948
75-126 11.502 -11.994 -17.095 0,077 0,958
80-123 11.578 -12.549 -17.967 0,077 0,922
83-129 12.389 -12.603 -18.068 0,076 0,983
84-129 12.463 -12.644 -18.238 0,077 0,985
95-126 12.982 -14.628 -20.941 0,080 0,887
Table 7.5 – Caractéristiques des stratégies Constant mix avec anticipations statiques optimales
Le tableau 7.5 nous incite à retenir la stratégie pactions = 84% et pobligations = 129%. Le ca-
pital associé à cette stratégie est donc de 12.644€, et la distribution des New Business Value est
présentée sur le graphe 7.11 p.110 , pour les 15.000 simulations. La stratégie optimale implique
la vente d’actions à découvert : nous tenons ici à souligner le fait qu’en pratique, il n’est pas

Figure 7.10 – Value-at-Risk pour la stratégie Constant mix avec anticipations statiques.
forcément simple pour l’assureur de mettre en place une telle stratégie, qui serait vraisembla-
blement peu appréciée par le régulateur dans le contexte économique actuel.
Figure 7.11 – Distribution des New Business Value pour la stratégie Constant mix avec anti-
cipations statiques, avec pactions = 83% et pobligations = 129%
Nous pouvons constater que cette distribution ne présente plus la forme gaussienne que nous
avions observée pour le cas de la stratégie Constant mix 83% d’obligations et 17% d’actions.

111
En effet, la modification mensuelle de la composition du portefeuille déforme la distribution.

Nous pouvons noter une forte concentration des valeurs de rentabilité autour de la moyenne
(proche de 10.000), et un risque extrême assez minime. En contrepartie, la queue droite de la
distribution est, elle-aussi, assez fine, ce qui signifie de faibles probabilités de gain élevé pour
l’assureur. Nous constatons, par ailleurs, que cette distribution est bimodale (forte concentration
des valeurs autour de 2.000).
Il semble qu’il soit possible de trouver des stratégies présentant un risque plus faible (et donc
une rentabilité moyenne plus faible) pour ces contrats à durée aléatoire. Ceci peut être expliqué
par plusieurs facteurs.
– Les contrats à date de maturité aléatoire ont une durée beaucoup plus faible (3 ans au
maximum contre 8 ans). Il est donc logique que l’assureur maîtrise mieux le risque sur cet
horizon.
– Les contrats aléatoires sont construits de la manière suivante : si l’indice fait une perfor-
mance négative, le contrat se poursuit. Ainsi, l’assureur a en quelque sorte une "deuxième
chance" de faire une bonne performance l’année suivante. Il peut donc s’adapter au cours
de la vie du contrat. Au contraire, la performance des contrats à durée fixe est calculée à
partir de l’historique complet de l’indice sous-jacent, et l’assureur ne peut plus "revenir en
arrière" une fois que des bonnes performances ont été enregistrées.
– Néanmoins, le coupon servi annuellement par l’assureur étant élevé (7, 25%), il est logique
que la différence entre ces deux types de contrat ne soit pas si forte, car il est possible de
trouver dans les deux cas des scénarios économiques qui exposent très fortement l’émetteur
du contrat.
Il est enfin intéressant de noter que ce type de contrat a une fenêtre de commercialisation assez
courte dans le temps, ce qui permettrait aux agent économiques grâce à leur anticipation de
choisir les conditions (date de lancement) optimales étant donné leur information.
7.3 Analyse du coût des garanties sur la rentabilité des produits

Dans cette section, nous proposons de déterminer le coût pour l’assureur des différentes
garanties présentes dans les contrats modélisés. Pour les deux contrats, nous effectuons des
simulations en déterminant la nouvelle stratégie optimale après avoir retiré la garantie, et nous
comparons les valeurs de capital à immobiliser, ainsi que les rentabilités obtenues. Les résultats
présentés indiquent les écarts relatifs de capital à immobiliser et de rentabilité.
7.3.1 Coût des garanties pour un contrat à durée fixe

Dans ce cas, nous utilisons comme stratégie de référence la stratégie Constant mix avec 3
contrats d’achat à terme et une allocation obligation-action de 87-13 et nous déterminons le
coût de :
– la garantie plancher,
– le plafonnement de la performance à hauteur de 70%,
– la garantie cliquet : nous quantifions le gain réalisé en retenant toutes les performances de
l’indice pour le calcul de l’indice, et non uniquement les performances supérieures à toutes
les performances passées.
Les résultats obtenus pour la garantie cliquet sont présentés dans le tableau 7.6 p. 112.

112 Analyse du coût des garanties sur la rentabilité des produits
Garantie cliquet Stratégie optimale Capital à immobiliser Rentabilité moyenne

OUI Stratégie de référence 0 0
NON Constant mix 81% - 19% -6.335 +5.538
Table 7.6 – Ecarts de rentabilités et de risque en fonction de la présence de la garantie cliquet
Le tableau 7.7 p. 112 présente les résultats obtenus pour le plafonnement de la performance.
Plafonnement Stratégie optimale Capital à immobiliser Rentabilité moyenne

OUI à 70% Stratégie de référence 0 0
NON Constant mix 80% - 20% +38.563 -58.112
Table 7.7 – Ecarts de rentabilités et de risque en fonction du plafonnement de la performance
Pour finir, nous pouvons constater que la garantie plancher n’a ici aucun coût pour l’assureur.
En effet, celui-ci est déjà intégré dans la garantie cliquet : si les performances enregistrées par
l’actif sous-jacent sont négatives, elles ne sont pas prises en compte dans le calcul de la moyenne
car elles sont inférieures à 0, et donc par conséquent inférieures à la meilleure performance
réalisée jusque-là. Ces résultats montrent donc que la garantie qui a la valeur la plus importante
pour ce type de contrat est le plafonnement de la performance. Sans cette garantie, l’assureur
est exposé à un risque très fort, ce qui augmente le montant de capital à immobiliser et diminue
de façon très significative la rentabilité du contrat.
7.3.2 Coût des garanties pour le contrat à durée aléatoire

Nous constatons que la stratégie optimale pour ces contrats (Constant mix avec anticipa-
tions statiques) reste optimale lorsque nous modifions les garanties. Nous conservons donc cette
stratégie et déterminons le coût de :
– chaque pourcentage de revalorisation de l’épargne à la sortie du contrat : par exemple,
nous pouvons nous demander ce qui se passe si le taux servi n’est plus que de 6, 25% par
an, ou 5, 25% par an ? ...
– la garantie plancher.
Le tableau 7.8 p. 113 présente les écarts obtenus en terme de rentabilité moyenne et de
capital à immobiliser lorsque le taux de revalorisation du capital est modifié.
Nous pouvons remarquer que le coût d’une hausse de la performance servie n’évolue pas com-
plètement linéairement. Nous notons qu’une baisse de deux points de pourcentage par rapport
à un coupon annuel de 7, 25% équivaut au gain que l’assureur ferait s’il haussait de 2 points
de pourcentage sa garantie. En revanche, le gain obtenu est inférieur à la perte constatée si la
variation n’était que de 1 point de pourcentage.
Le tableau 7.9 p. 113 présente le même comparatif pour la garantie plancher.

7.3 Coût des garanties pour le contrat à durée aléatoire 113
Revalorisation annuelle de l’épargne Capital à immobiliser Rentabilité moyenne

7, 25% 0 0
6, 25% -2.338 +498
5, 25% -4.329 +1.875
8, 25% +3.114 -937
9, 25% +6.735 -1.874
Table 7.8 – Ecarts de rentabilités et de risque en fonction de la revalorisation annuelle de

l’épargne
Garantie plancher dans la limite d’une baisse de 50% Capital à immobiliser Rentabilité moyenne
OUI 0 0
NON -8.643 +7.947
Table 7.9 – Ecarts de rentabilités et de risque en fonction de la présence de la garantie plancher
La garantie plancher a un coût assez important puisque son coût équivaut à près de la moitié
de la moyenne des NBV du contrat à durée aléatoire étudié.

114 Analyse du coût des garanties sur la rentabilité des produits

Chapitre 8
Conclusion
Dans ce mémoire, nous avons analysé la rentabilité des contrats d’assurance vie à garanties
financières complexes dans le référentiel Solvabilité II. Nous nous sommes attachés à construire
un cadre pertinent permettant de modéliser différents produits présents dans le marché de l’assu-
rance vie, afin d’évaluer le capital économique nécessaire et la stratégie de portefeuille optimale
associée. A partir de ces éléments, nous avons pu mettre à l’épreuve les différentes garanties et
analyser séparément leur impact sur la rentabilité.
Par le biais des modèles de taux d’intérêt et d’action à changement de régime, nous avons
voulu appréhender le risque d’une manière cohérente à la fois avec la théorie économique et
avec les comportements actuels des marchés financiers. L’analyse de contrats à fenêtre réelle-
ment commercialisés nous a permis de confronter cette modélisation aux pratiques de marché.
D’autre part, en mettant en place un outil d’évaluation ALM bâti dans l’optique du modèle
interne partiel de Solvabilité II, nous avons souhaité nous inscrire dans le cadre de la réforme
prudentielle.
Nous avons ainsi pu étudier le coût des différentes garanties (plancher, cliquet, durée du
contrat, mode de calcul de la performance) en mettant en place plusieurs stratégies de gestion
de portefeuille. Nous retiendrons en particulier que dans le cas d’un contrat à durée aléatoire et à
garantie partielle en capital avec un rendement fixe de 7,25% par an, la stratégie que nous avons
proposée reposant sur la théorie économique des anticipations est optimale. Les stratégies CPPI
et à allocation constante ne sont pas rentables pour un niveau de risque raisonnable. Lorsque
la performance est corrélée à celle de l’actif risqué de référence et que la durée du contrat est
fixe (8 ans), alors la stratégie à allocations constantes domine toutes les autres stratégies, et
l’introduction de contrats à terme permet une diminution du risque en contrepartie d’une faible
baisse de la rentabilité.
Les stratégies de couverture à l’aide d’options sur l’actif sous-jacent (OBPI) donnent de bons
résultats mais elles exposent l’assureur à un fort risque de marché. Nous regrettons cependant
de ne pas avoir pu implémenter un modèle permettant de tester la couverture pour les contrats
à durée aléatoire, ni le risque de contrepartie engendré par l’utilisation de ces options. Au même
titre, à l’heure où la crise de la dette fait s’envoler les spreads de plusieurs États membres de
l’Union Européenne, il aurait était intéressant d’introduire le risque de défaut dans le modèle
des obligations. Aussi nous laissons-nous la possibilité de prolonger nos travaux en cette direction.
Concernant le coût des différentes garanties financières, nous avons montré que, pour le
contrat à durée fixe, le plafonnement de la performance à hauteur de 70% retenu est nécessaire
115
116 CHAPITRE 8. CONCLUSION
pour la viabilité économique du contrat. Pour les contrats à durée aléatoire, nous montrons que
la rentabilité et le capital économique varient linéairement en fonction du pourcentage annuel
de revalorisation de l’épargne (ici 7,25%).
Pour conclure, nous constatons que la mise en place d’un contrat à garanties financières
complexes se fait au travers d’un processus d’analyse global : après avoir identifié les garanties
possédant un réel attrait pour les assurés (étape marketing), la prise de décision est effectuée
dans un cadre global d’appétence au risque de l’assureur, en trouvant la meilleure stratégie au
sens d’un ou plusieurs critères cibles. Ceci permet de déterminer le capital économique qu’il
est nécessaire d’immobiliser pour l’assureur ainsi que les critères qui permettent de piloter le
produit tout au long de sa durée de vie. Ce montant de capital correspond à la réalité écono-
mique du produit, et peut différer du montant réglementaire. Partant de ce constat, il aurait
pu être intéressant de quantifier l’écart entre ces deux montants pour les différents types de
contrats étudiés, afin de déterminer les produits possédant un réel intérêt pour l’assureur dans
le référentiel Solvabilité II.

Chapitre 9
Annexes
9.1 Simulation de variables aléatoires gaussiennes sous une dé-

pendance de copule de Clayton
9.1.1 Algorithme
A partir des travaux de [51] et de la littérature s’y afférant, nous proposons un algorithme
pour simuler un couple (Xi )i∈{1,2} ,→ N(µi ; σi ) de variable aléatoire gaussienne de fonction de
répartition (Fi )i∈{1,2} . La méthode présentée s’inspire de la méthode des distributions condition-
nelles et s’appuie sur le théorème de Sklar que nous avons énoncé.
– Générer U1 , U2 ,→ U([0; 1]).
α
1
– Soit V1 = U1 et V2 = [1 − U1−α + U21+α × U1−α ]− α .
– Poser X1 = µ1 + σ1 Φ−1 (V1 ), puis X2 = µ2 + σ2 Φ−1 (V2 ), où Φ est la fonction de répartition
de la loi normale. Une approximation numérique de l’inverse de Φ est proposée dans la
sous-section suivante.
9.1.2 Approximation numérique de l’inverse de la fonction de répartion d’une

loi normale centrée
[51] propose une approximation avec une erreur inférieure à 4, 5 × 10− 4. Pour x ∈]0; 0, 5], on
a:
2, 515517 + 0, 802853tx + 0, 010328t2x
Φ−1 (x) ≈ tx −
1 + 1, 432788tx + 0, 189269t2x + 0, 001308t3x
1
r
où tx = ln( 2 )
x
9.2 Méthode de simulation des Equations Différentielles Sto-

chastiques
Tous les modèles d’actifs n’admettent pas nécessairement une formule fermée ou une solution
analytique. Il est alors nécessaire d’obtenir une solution numérique par simulation. C’est ce que
nous abordons dans cette section.
On considère ainsi que l’actif risqué est solution d’une EDS de la forme :
dXt = µ(t, Xt )dt + σ(t, Xt )dBt (9.1)
Z t Z t
avec Xt = X0 + µ(s, Xs )ds + σ(s, Xs )dBs avec X0 = x (9.2)
0 0
117
118 Méthode de simulation des Equations Différentielles Stochastiques
Remarque. A ce titre, il est intéressant de noter avec [34] que toute EDS 9.1 doit pour
assurer une unicité de la solution vérifier :
Corollaire 9.2.1.
∃K > 0|∀(t, x, y) ∈ R+ × R2 : |µ(t, x) − µ(t, y)| + |σ(t, x) − σ(t, y)| ≤ K|x − y|
Enfin, pour assurer que le processus soit bien défini dans R+ , il doit vérifier entre autres :
Corollaire 9.2.2.
∃L > 0|∀(t, x) ∈ R+ × R : |µ(t, x)|2 + |σ(t, x)|2 ≤ L(1 + |x|2 )
Afin de déterminer cette solution numérique, des méthodes discrétisant les processus existent.
La méthode la plus répandue est celle d’Euler, la méthode de Maruyama et celle de Milstein la
complètent.
9.2.1 Méthode d’Euler

Pour mieux visualiser la méthode d’Euler, il peut être intéressant d’évoquer la manière de
construire une intégrale stochastique. Ainsi, on peut poser, si f est par exemple une fonction
élémentaire 1 :
Z T n
f (w, t)dBt = lim f (wt )(Bti+1 − Bti )
X
p.s.
0 n→∞
i=1
On peut alors noter avec [42] que pour simuler un processus (X)t , on peut recourir à une
décomposition de l’intervalle d’étude [0,T] en m intervalles de longueur h = m
T
, ce qui donne :
√
Xkh = X(k−1)h + µ((k − 1)h, X(k−1)h ) × h + σ((k − 1)h, X(k−1)h ) × hk
où k ,→ N(0, 1) avec les k i.i.d.
9.2.2 Méthode de Maruyama

Pour améliorer la vitesse de convergence, on peut mentionner ensuite la méthode Euler-
Maruyama 2 qui consiste à discrétiser l’intervalle de temps :
Xj = Xk−1 + µ(Xk−1 )∆t + σ(Xk−1 )((τk ) − (τk−1 )) , k = 1, 2, ..., L.

T
où ∆t = et τk = k∆t
L
((τk ) − (τk−1 )) = dt ∼ N(0, ∆k )
avec k = 1, . . . , N.
1. On rappelle qu’une fonction élémentaire f ∈ HT2 est dite élémentaire si f est de la forme :
n−1
X
f (w, t) = ati (w)1]ti ;ti+1 (t)]
i=0
où ati (w) ∈ Fti (c’est-à-dire la filtration brownienne), 0 = t0 < .. < tn = T est une partition de [0; T ] et pour
toute fonction f, HT2 = {f ∈ L2 (dP × dt) : ft ∈ Ft ∀t ∈ [0; T ]}
2. présentée notamment par [44].

9.2 Méthode de Milstein 119
9.2.3 Méthode de Milstein

Pour améliorer la convergence du processus, Milstein a proposé une correction à l’aide d’un
développement Itô-Taylor de Xk :
Xk = Xk−1 + µ(Xk−1 )∆t + σ(Xk−1 )((τk ) − (τk−1 ))

1 ∂σ(Xk−1 )
+ σ(Xk−1 ) (((τk ) − (τk−1 ))2 − ∆t ) , pour k = 1, 2, ..., L.
2 ∂x
Il convient de noter enfin qu’il existe d’autres méthodes et que l’exposé n’est pas exhaustif 3 .
9.3 Les fondements mathématiques de la méthode CPPI

Considérons une économie dans laquelle deux actifs existent : un actif risqué ne versant pas
de dividendes et une obligation zéro-coupon. Adoptons les notations suivantes :
– St : prix de l’actif risqué au temps t

– P (t, T ) : prix au temps t de l’obligation zéro-coupon versant 1 au temps T
– VtCP P I : valeur de notre portefeuille au temps t
– αt : proportion de la richesse investie en actif risqué à l’instant t
Il est à noter que nous nous plaçons ici dans le cadre d’un portefeuille auto-finançant, c’est-
à-dire que la valeur du portefeuille ne dépend que du montant initialement investi. En d’autres
termes, il n’y aura pas d’autres injections d’argent que celle effectuée au temps t = 0. Ceci
implique qu’à tout moment, la proportion de la richesse investie dans l’actif sans risque est
1 − αt . Le paramètre αt n’est pas nécessairement compris entre 0 et 1 4 . Nous modélisons par
la suite la dynamique de l’actif risqué et de l’actif sans risque par des mouvements browniens
géométriques, c’est-à-dire :
dP (t, T )
= µP dt + σP dBt
P (t, T )
dSt
= µS dt + σS dBt
St
avec :
– µS : rendement annuel moyen de l’actif risqué

– µP : rendement annuel moyen de l’actif sans risque
– σS : volatilité annuelle de l’actif risqué
– σP : volatilité annuelle de l’actif sans risque
– dt : intervalle de temps entre les dates de constatation
– (Bt )t≥0 : un mouvement brownien standard
3. On peut en effet citer, en outre, la transformation de Doss qui permet d’améliorer la vitesse de convergence,
mais qui introduit du biais dans la distribution limite du processus simulé.
4. En effet, αt ≥ 1 revient à emprunter (c’est-à-dire vendre de l’actif sans risque) pour acheter de l’actif risqué
et αt ≤ 0 revient à vendre l’actif risqué à découvert pour investir dans l’actif sans risque.

120 Les fondements mathématiques de la méthode CPPI
Le but est donc de déterminer complètement le processus αt afin de trouver la stratégie

optimale associée 5 . Sous ces notations, la dynamique de richesse du portefeuille peut s’écrire :
dVtCP P I dSt dP (t, T )

= αt × + (1 − αt ) ×
VtCP P I S(t) P (t, T )
Introduisons maintenant la valeur forward d’un titre, c’est-à-dire le prix auquel un investis-
seur rationnel serait d’accord pour vendre ce titre à un moment donné dans le futur ou encore
le prix de l’emprunt qui permettrait d’acheter ce titre aujourd’hui et qui ne serait remboursé
qu’à cette date future. Les valeurs forward de l’actif risqué, de notre richesse et de l’actif sans
risque sont notées comme ceci :
St
St =
P (t, T )
V CP P I
VtCP P I = t
P (t, T )
P (t, T )
P (t, T ) = =1
P (t, T )
dP (t,T )
Il est alors évident que = 0 6 et nous pouvons ainsi écrire la dynamique de la richesse
P (t,T
forward du portefeuille :
dVtCP P I dSt
= αt ×
VtCP P I St
Afin de calculer la dynamique de dSt

St
, nous pouvons appliquer le lemme d’Itô, que nous
rappelons ci-dessous :
Théorème 9.3.1. Pour Xt un processus d’Itô et f (Xt , t) une fonction C 2 (R × R+ , R), nous
avons
∂f ∂f 1 ∂2f
d(f (Xt , t)) = (Xt , t)dt + (Xt , t)dXt + (Xt , t)hdXt , dXt i
∂t ∂x 2 ∂x2
ce qui nous donne, pour X et Y deux processus d’Itô :
Xt 1
d( ) = d(Xt × )
Yt Yt
1 1 1
= × d(Xt ) + Xt × + hdXt , d( )i
Yt d(Yt ) Yt
Or, toujours d’après la formule d’Itô :

5. Nous nous inspirons dans les commentaires ci-après de [13].
6. Car la valeur forward en T de l’obligation zéro-coupon de maturité T est toujours égale à 1.

121
1 1 1
= − d(Yt ) + hd(Yt ), d(Yt )i
d(Yt ) Yt2 Yt3
1 1
= − 2 d(Yt ) + dt
Yt Yt3
Et nous en déduisons :
Xt 1 Xt Xt 1
d( ) = × d(Xt ) − 2 d(Yt ) + 3 hd(Yt ), d(Yt )i − 2 hd(Xt ), d(Yt )i
Yt Yt Yt Yt Yt
D’où :
Yt Xt d(Xt ) d(Yt ) d(Yt ) d(Yt ) d(Xt ) d(Yt )

d( ) = − +h , i−h , i
Xt Yt Xt Yt Yt Yt Xt Yt
Et ainsi, dans notre cas :
S(t)
d(S(t)) = d
P (t, T )
d(S(t)) d(P (t, T )) d(P (t, T )) d(S(t)) d(P (t, T ))
= S(t) × ( − +h − , i)
S(t) P (t, T ) P (t, T ) S(t) P (t, T )
Et en se rappelant que :
dP (t, T )
= µP dt + σP dBt
P (t, T )
dS(t)
= µS dt + σS dBt
St
Nous pouvons finalement écrire que :
d(S(t)
= µS dt + σS dBt − µP dt − σP dBt + hσP dBt − σS dBt , σP dBt i
S(t)
= (µS − µP )dt + (σS − σP )dBt + h(σP − σS )dBt , σP dBt i
= (µS − µP )dt + (σS − σP )dBt + σP (σP − σS )dt
= πt dt + σt dBt
en posant :
πt = (µS − µP ) + σP (σP − σS )
σt = (σP − σS )

Nous connaissons donc maintenant la dynamique de la richesse forward VtCP P I et nous nous
intéressons maintenant à la résolution du problème de Markowitz, que nous pouvons réécrire :
α
sup {E[U (VT [t,T ] )]} sous contrainte de V0 = v
α[t,T ] ∈R
où α[t1 ,t2 ] représente la stratégie optimale entre les instants t1 et t2 . Par simplicité de notation,
nous remplaçons le symbole VtCP P I par Vt .
Pour résoudre ce problème, nous pouvons utiliser le principe de la programmation dyna-
mique, introduit par Pham(2007), Demange et Rochet(2005) et Fleming Soner(1992). Ce prin-
cipe consiste à diviser l’intervalle sur lequel on optimise de façon itérative en appliquant successi-
vement le principe suivant : optimiser entre 0 et T revient à supposer que nous savons optimiser
entre 0 et T2 et qu’il ne reste plus qu’à le faire entre T2 et T . De façon mathématique, la solution
de notre problème à tout instant t est donc la fonction valeur définie par le jacobien (9.3) :
α
J(t, v) = sup {E[U (VT [t,T ] ) | Vt = v]} (9.3)
α[t,T ] ∈R
Donc pour deux instants t et t1 tel que 0 ≤ t1 ≤ T , nous pouvons écrire :
α[t,t1 ]
J(t, v) = sup {E[J(t1 , Vt1 ) | Vt = v]}
α[t,t1 ] ∈R
Hamilton, Jacobi et Bellman ont montré que la solution de ce problème était solution de
l’équation différentielle suivante, connue sous le nom d’équation HJB donnée par (9.4).
 ∂J (t, v) + sup{α π v ∂J (t, v) + 1 α σ α v 2 ∂ J (t, v)} =

2

0

t t t t t
∂t αt ∂t 2 ∂v 2 (9.4)
J(T, v) = U (v)


Résoudre ce problème revient donc à résoudre le problème de Markowitz suivant :
∂J 1 ∂2J
sup{αt πt v (t, v) + αt σt αt v 2 2 (t, v)}
αt ∂v 2 ∂v
Comme nous l’avons vu ci-dessus, les fonctions d’utilité utilisées sont croissantes U 0 (.) ≥ 0 et
∂2J
∂t (t, v) ≥ 0 et ∂v 2 (t, v) ≤ 0. Le problème se réécrit alors :
concaves U 00 (.) ≤ 0, ce qui implique ∂J
2
1 v ∂∂vJ2
sup{αt πt + αt σt αt }
αt 2 ∂J∂v
et la solution est alors :
πt
α∗ (t, v) =
σt × λ(t, v)

123
avec :
2
v ∂∂vJ2
λ(t, v) = − ∂J
∂v
Et en réinjectant dans l’équation de Hamilton-Jacobi-Bellman (HJB), nous obtenons l’équa-

tion différentielle vérifiée par la solution :
∂J 1 ( ∂J
∂v )
2
1
(t, v) − πt πt = 0
∂t 2 ∂ 2 J2 σt
∂v
Afin de déterminer la solution optimale, nous devons à ce stade spécifier une fonction d’uti-
lité pour l’investisseur. Nous choisissons une fonction de type Constant Relative Risk Aversion
(CRRA), c’est-à-dire que la fraction de richesse investie dans l’actif risqué ne change pas lorsque
cette richesse augmente (ou diminue). Une fonction d’utilité U (.) CRRA est caractérisée par un
00 (w)
indice d’aversion relatif au risque R(w) = −w UU 0 (w) constant pour toute valeur de la richesse
1−γ
w. Considérons par exemple la fonction d’utilité U (x) = x1−γ , où γ est l’indice d’aversion au
risque de l’individu. Nous allons maintenant résoudre l’équation HJB en cherchant une solution
de la forme J(t, v) = f (t)g(v). Afin d’assurer l’unicité de la solution, nous posons f (T ) = 1, ce
qui implique que J(T, v) = g(v) = U (v), car il n’y a plus d’incertitude lorsque la période sur
laquelle nous optimisons est terminée (lorsque t = T ). Nous avons donc :
∂J
(t, v) = U (v)f 0 (t)
∂t
∂J
(t, v) = f (t) × x−γ
∂v
∂2J
= −γf (t)v −γ−1
∂v 2
Et l’équation HJB se réécrit :
v 1−γ 0 1 (f (t))2 v −2γ 1

f (t) − πt πt = 0
1−γ 2 −γf (t)v −γ−1 σt
f 0 (t) 11−γ 1
⇔ = − πt πt
f (t) 2 γ σt
dont la solution est :
( T 2−t )×( 1−γ )πt σ1 πt

f (t) = e γ t
Et nous pouvons exprimer la stratégie optimale à l’instant t :

πt
α∗ (t, v) =
σt × λ(t, v)
−f (t)v −γ 1
= πt
−vγf (t)v −γ−1 σt
πt
=
γσt
Nous voyons que l’allocation optimale à tout instant est de conserver une proportion constante
d’actif risqué dans son portefeuille. Plus l’aversion au risque γ de l’individu est forte et plus l’al-
location en actif risqué est faible. En notant αγ l’allocation optimale pour un niveau d’aversion
au risque donné, nous pouvons finalement exprimer la dynamique de richesse forward de l’inves-
dVtCP P I
tisseur en nous rappelant que = αt × dS(t) . En appliquant la formule d’Itô, nous pouvons
VtCP P I S(t)
écrire :
d(VtCP P I ) 1 1
d(log(VtCP P I ))) = − × hd(VtCP P I ), d(VtCP P I )i
VtCP P I 2 V (t)2
d(VtCP P I ) 1 d(VtCP P I ) d(VtCP P I )
= − h , i
VtCP P I 2 VtCP P I VtCP P I
d(S(t)) 1 2
= α − α hπt dt + σt dWt , πt dt + σt dWt i
S(t) 2
d(S(t)) 1 2 2
= α − α σt dt
S(t) 2
De même :
d(S(t)) 1 d(S(t)) d(S(t))

d(log(S(t))) = − h , i
S(t) 2 S(t) S(t)
d(S(t)) 1 2
= − σt dt
S(t) 2
Soit :
d(S(t)) 1
= d(log(S(t))) + σt2 dt
S(t) 2
Et donc :
1 1
d(log(VtCP P I )) = α × (d(log(S(t))) + σt2 dt) − α2 σt2 dt
2 2
1
= αd(log(S(t))) + ( (α − α2 )σt2 )dt
2

125
En intégrant entre 0 et T , nous obtenons alors :

1
log(VtCP P I ) − log(V0CP P I ) = α × (log(S(T )) − log(S(0))) + ( (α − α2 )σt2 )T
2
soit
VtCP P I S(T ) γ 1 2 2
= ( ) × e( 2 (α−α )σt )T
V0CP P I S(0)
La dynamique de richesse ci-dessous est celle d’un investisseur qui investit toujours une
proportion constante de sa richesse dans l’actif risqué. Cette stratégie, qui correspond à des
fonctions d’utilité CRRA, est appelée, en pratique,"Constant Proportion Portfolio Insurance".

Bibliographie
[1] AHLGRIM K.C., D’ARCY S.P. et GORVETT R.W. A Comparison of Actuarial Financial
scenario generators, Variance, Volume 2, Issue 1, pp. 111-134 (2008)
[2] AIDAN E. et MIONE G., Développement d’un outil de simulation dans le cadre de Solvency
II, Mémoire d’actuariat (Juin 2011)
[3] ALBRECHTSLUND M., GRAFLUND A., BJORN JENSEN T., LIND-GRONBAEK H.,
SWENDSEN C., Allocation d’Actifs Stratégique - L’essentiel, (2005)
[4] ARMEL., Structure de dépendance des générateurs de scénarios économiques- Modélisation
et Simulation, Mémoire d’actuariat (Juin 2010)
[5] Les clés pour comprendre ; L’investisseur en SICAV et FCP, revue de l’AMF, Novembre
2004
[6] BARNDORFF-NIELSEN O.E. et HALGREEN C., Infinite divisibility of the hyperbolic and
generalized inverse Gaussian distributions, Probability Theory and Related Fields ,Volume
38, N.4, pp. 309-311 (1977)
[7] BERNADOU J. Effet sur l’allocation d’actifs du coût des fonds propres liés aux classes d’ac-
tifs dans Solvabilité II : le cas des obligations convertibles, Mémoire d’actuariat (novembre
2010)
[8] BOKOBZA N. Comparaison de modèles stochastiques d’allocation d’actifs pour un porte-
feuille de Prévoyance Collective, Mémoire d’actuariat (université de Strasbourg) (novembre
2002)
[9] BLACK F. et SCHOLES M.,The Pricing of Options and Corporate Liabilities, vol. 81, No3
(1973)
[10] BIBBY B.M. et SORENSEN M., Hyperbolic Process in Finance, Working Paper Series No.
88 (Août 2001)
[11] Björk T., , Arbitrage Theory in Continuous Time, Oxford Finance Series, Oxford University
Press, 3ème édition (2004)
[12] BRENNAN M.J. et SCHWARTZ E.S., A continuous Time Approach to pricing bonds,
Journal of Banking and Finance, No 3, (1979)
[13] BRUDER B., Notes du cours Gestion de portefeuille, ENSAE (2011)
[14] CADONI P., Introduction to internal models under Solvency II, Séminaire sur les modèles
internes du CEIOPS (novembre 2008)
[15] CADONI P., Model Development and Validation Framework, Séminaire sur les modèles
[16] CHAN K.C.,KAROLYI G.A., LONGSTAFF F.A. et SANDERS A. B., an Empirical Com-
parison of Alternative Models of the Short-term Interest Rate, Journal of Finance, 47 :1209-
1227 (1992)
126
BIBLIOGRAPHIE 127
[17] CHEN R.R.,SCOTT L.,Multi-factor Cox-Ingersoll-Ross Models of the Term Structure :

Estimates and Tests from a Kalman Filter Model, (juillet 1993)
[18] CADONI P., The use test in the context of catastrophe modelling, Séminaire sur les modèles
[19] CHAUVIGNY M, DEVINEAU L., LOISEL S.,Maume-Deschamps V., Fast remote but not
extreme quantiles with multiple factors. Applications to solvency II and Enterprise Risk
Management (2011)
[20] CHAUVIGNY M, DEVINEAU L., Replicating portfolios : techniques de calibrage pour le
calcul du capital économique Solvabilité II (août 2010)
[21] EIOPA (CEIOPS), CEIOPS-DOC-05/05, Recommendations regarding the Implications of
the IAS/IFRS - Introduction for the Prudential Supervision of Insurance Undertakings (sep-
tembre 2005)
[22] EIOPA (CEIOPS), CEIOPS-DOC-61/10, CEIOPS’ Advice for Level 2 Implementing Mea-
sures on Solvency II : Partial internal models (janvier 2010)
[23] EIOPA (CEIOPS), CEIOPS-DOC-71/10, CEIOPS’ Advice for Level 2 Impllementiing Mea-
sures on Sollvency II : SCR standard formulla - Article 111 j, k Undertakiing-speciifiic
parameters (janvier 2010)
[24] QIS5 Technical specifications, European Commission, juillet 2010
[25] CAMPBELL J.Y., LO A.W. et McKINLEY A.C. , The Econometrics of Financial Markets,
Princeton University Press (2007)
[26] CEA, Result and discussion on the Impact assessment of the future solvency II framework
on insurance products and market (mars 2007)
[27] COX, INGERSOLL et ROSS, A theory of the Term Structure of Interest Rates, Econome-
trica, vol. 53 (1985)
[28] DOUGLAS DOLL, Stochastic Modeling workshop - Economic Scenarios,Southeastern Ac-
turaries conférence (novembre 2003)
[29] DASTARAC H. et SAUVEPLANE P., Les Déflateurs stochastiques : quelle utilisation en
assurance ?, mémoire d’actuariat 2010
[30] DESCURE C. et BOREAN C., Gestion Actif Passif et Solvabilité, Generali France, http:
//www.ica2006.com/Papiers/3086/3086.pdf
[31] DEVINEAU L., LOISEL S. Construction d’un algorithme d’accélération de la méthode des
« simulations dans les simulations » pour le calcul du capital économique Solvabilité II
Bulletin français d’Actuariat, No 17, Vol. 10, pp. 188-221 (2009)
[32] DEVINEAU L., LOISEL S. , Risk aggregation in Solvency II : How to converge the ap-
proaches of the internal models and those of the standard formula ?, BFA No 18, Vol. 9,
107-145 (2009)
[33] DUFFIE D. , Dynamic asset pricing theory, Princeton university press (octobre 1999)
[34] ELIE R., Notes du cours Calcul stochastique, ENSAE (2012)
[35] Europerformance, Bilan 2010 de la gestion collective,document commercial, janvier 2011
[36] FARGEON L. et NISSAN K., « Recherche d’un modèle actuariel d’analyse dynamique de
la solvabilité d’un portefeuille de rentes viagères », Mémoire d’actuariat (ENSAE) (2003)
[37] EMBRECHTS P., LINDSKOG F. et MCNEIL A., Modelling dependence with copulas and
applications to risk management, Handbook of Heavy Tailed Distributions in Finance, cha-
pitre 8,pp.329-384, (2003)

128 BIBLIOGRAPHIE
[38] GENEST.C, MACKAY R.J,The joy of copulas : bivariate distributions with uniform mar-
ginals ,(1986)
[39] HARDY M., Investment guarantees – Modeling and risk management for Equity linked Life
Insurance, John Wiley and Sons, Inc. (mars 2003)
[40] HARDY M., A regime switching model of long term stock return, North American Actuarial
journal, volume 6, No.1, (2001)
[41] HARRISON J. M. et PLISKA S.R., A stochastic calculus model of continuous trading :
complete markets, Stochastic processus and their applications (1983)
[42] HAUGH M., Simulating Stochastic Differential Equations, Monte Carlo Simulation : IEOR
E4703, Fall (2004)
[43] HENGE F., Rapprochement du concept de la valeur économique et du capital économique
en assurance vie, Mémoire d’actuaire (Université Louis Pasteur Strasbourg ) (septembre
2004)
[44] HIGHAM D. J. , An Algorithmic Introduction to Numerical Simulation of Stochastic Dif-
ferential Equations, Siam review, vol. 43, No. 3, pp525-546 (2001)
[45] HIBBERT J., MOWBRAY P. et TURNBULL C., A stochastic asset model and calibration
for long-term financial planning purposes,( 2001)
[46] Hull J. , Options, Futures and Other Derivatives, Prentice Hall, 6ème édition (2007)
[47] KUCHLER U., NEUMANN K.,Stock returns and hyperbolic distributions, Mathematical
and Computer Modelling, Volume 29, Issues 10–12, pages 1–15, (Mai-juin1999)
[48] L’ECUYER P., Notes du cours IFT-6561 non publiées Simulation stochastique, Université
de Montréal (2009)
[49] LO A. et WANG J., Implementing Option pricing when asset return are predictable ,Journal
of Finance, vol. 50, no. 1, (mars 1995)
[50] LAPARRA P., Pilotage stratégique et appétence au risque sous Solvency II, Mémoire d’ac-
tuariat (février 2011)
[51] LE MER S., Capital économique en assurance vie - Méthodes et optimisation du calcul,
Mémoire d’actuariat (novembre 2010)
[52] MARKOWITZ H., Portfolio Sélection, (1952)
[53] MOIRE T., Engagements en cas de vie sur supports à capital variable & contrat diversifié,
mémoire Conservatoire National des Arts et Métiers, Master “Science de Gestion, Finance
de Marché (décembre 2008)
[54] PLANCHET M., La lettre Actuariat et Finance (2ème semestre 2010)
[55] QUINGUER S., Les Fonds à formule, mémoire Paris V, master 2 professionnel
« BANQUE & FINANCE », http://doublo.monde.free.fr/_Fichiers/Experts/
2005-11-00_memoire_sandrine_quiguer.pdf
[56] RACICOT F.E., THEORET R., Calibrage économétrique de processus stochastiques avec
applications aux données boursières, bancaires et cambiales canadiennes, Cahier de recherche
13-2005„ ESG-UQAM (2005)
[57] RONCALLI T., La Gestion des risques financiers , (2004)
[58] REVELEN J., "Replicating potfolio" et capital économique en assurance vie,mémoire d’ac-
tuariat de l’ISFA, (janvier 2011)
[59] RYDBERG T., Generalized Hyperbolic Diffusion Processes With Applications In Finance,
Mathematical Finance, Vol.9, No.2 pp.183-201 (avril 1999)

BIBLIOGRAPHIE 129
[60] RYDBERG T., The normal inverse Gaussian Levy process : simulation and approximation,
Communications in Statistics : Stochastic Models 13, 887-910 (1997)
[61] SMITH A.D., SOUTHALL F.E., A Stochastic Asset Model for Fair Values in Pensions and
Insurance, (Novembre 2001)
[62] SORENSEN M., Exponential Family Inference for diffusion models, rapport de recherche
No. 383, Département de Statistique théorique, Institut de Mathématiques de l’université
d’Aarhus (1997)
[63] VASICEK O., An equilibrium characterization of the term structure, Journal of Financial
Economics 5, pp. 177-188, (1977)
[64] YAKOUBOV Y., TEEGER M. et DUVAL D. B., A stochastic investment model for asset
and liability management (août 1999)
[65] WILKIE A. D., A stochastic investment model for actuarial use , Transactions of The
Faculty of Actuaries 39, pp. 341-403,(novembre 1984)
[66] Site internet de la Fédération Française des Sociétés d’Assurances(FFSA), http://www.
ffsa.fr
[67] Site de la FFSA - MATHOUILLET P., PITAVY B. Solvabilité II :Logique économique et
modèles internes, page internet sur le site de la FFSA.
[68] Site internet de l’Autorité des Marchés financiers, http://www.amf-france.org
[69] Site internet de Frédéric Plancher qui regroupent les mémoires soutenus pour l’obtention
du titrehttp://www.ressources-actuarielles.net/memoires
[70] Site de l’Autorité de Contrôle Prudentiel http://www.acam-france.fr/QIS/
[71] Site pour consulter la fiche produit Capital Locker de la Caisse d’Epargne http://news.
morningstareurope.com/news/im/msfr/PC\%20-\%20capital\%20locker.pdf
[72] Site pour consulter la fiche produit Triple Horizon du LCL http://www.amf-france.org/
BIO/BIO_PDFS/NIP_NOTICE_PRODUIT/138350.pdf
[73] Site pour consulter la fiche produit M98 de BNP Paribas http://www.amf-france.org/
BIO/BIO_PDFS/NIP_NOTICE_PRODUIT/142635.pdf
[74] Site pour consulter la fiche produit de La Poste http://www.amf-france.org/BIO/BIO_
PDFS/NIP_NOTICE_PRODUIT/149859.pdf
[75] Site pour consulter la fiche produit NATIXIS CREDIT EURO de Natixis http://sdu.
am.natixis.com/Document.aspx?langue=FR&aliascategorie=prospectus&codeisin=
FR0010171108
[76] Site pour consulter la fiche produit Fructizen 4 de la Banque Populaire http://www.
amf-france.org/BIO/BIO_PDFS/NIP_NOTICE_PRODUIT/143016.pdf
[77] Site pour consulter la fiche produit Objectif avril 2010 de Swiss life
http://www.swisslife.fr/Le-Groupe/L-Espace-Presse/Communiques/
Swiss-Life-lance-sa-huitieme-unite-de-compte-structuree-Objectif-Juillet-2011
[78] Site pour consulter la fiche produit Garantie Emergents juin 2019 du Crédit mutuel Groupe
ARKEA http://www.amf-france.org/BIO/BIO_PDFS/NIP_NOTICE_PRODUIT/150673.
pdf
[79] Site pour consulter la fiche produit Opportunité Zen Août 2011 de Groupama
http://www.groupama.fr/file/multimediaelement/pdf/Epargne_Juin_2011_
Opportunite_ZEN_Aout_2011.pdf

130 BIBLIOGRAPHIE
[80] Site pour consulter la fiche produit Premium multigestion 3 de ARCA Patrimoine
http://www.arcapatrimoine-imaging.fr/sites/www.arcapatrimoine-imaging.fr/
plaquette_premium_multigestion_3.pdf

Vie 1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Vie 1

Transféré par

Droits d'auteur :

Formats disponibles

Analyse de la rentabilité de contrats d’assurance vie

à garanties complexes sous Solvabilité II

Groupe de travail ENSAE - Mémoire d’actuariat

Année scolaire 2011-2012

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Keywords : Complex financial guarantees, formula-based funds, structured funds, deflator,

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

1 - Une étude centrée sur les contrats à garanties complexes

Définition générale des contrats à fenêtre

Figure 1 – Schéma illustratif d’un contrat à fenêtre

Présentation des contrats à fenêtre présents sur le marché français

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Triple horizon M98 Opportunité Zen

Table 1 – Tableau récapitulatif de contrats à fenêtre offerts sur le marché

Le générateur de scénario économique simule l’évolution d’une économie composée de deux

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Figure 2 – Approche adoptée

Le modèle taux d’intérêt

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

3 - Des stratégies de gestion de portefeuille

6. Décrite dans [61], [30] et [29].

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Quelles sont les allocations optimales ?

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Figure 3 – Résultats donnés par la stratégie constant mix.

12. En faible nombre

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Quel coût pour les différentes garanties ?

13. Allocations constantes, CCPI et contrats à terme

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

1 - Formula based funds analysis

Formula-based fund definition

Figure 5 – Example of formula fund.

2 - Economic scenario generator

14. This kind of product is mentionned in [53], [55] and [5].

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Triple horizon M98 Opportunité Zen

Table 2 – Some formula funds in today market.

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Interest rate modelling

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

What are the optimal allocations ?

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Figure 7 – Constant Mix Strategy results.

What is the cost of the different guarantees ?

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

Note de synthèse VII

Synthesis note XVII

1 Contrats à garanties complexes et rentabilité 5

2.1.2 Solvabilité II : généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3 Les modèles d’actifs 45

4 La mise en place d’un Générateur de Scénarios Économiques 63

ENSAE – 2011-2012 Thomas ANGLADE et Kévin MASSET

5 Du bon emploi des déflateurs 73

6 La mise en place d’un outil de gestion ALM 81