Les réponses et les explications de chaque question s’affichent ici une fois le parcours terminé. Elles renvoient alors vers la fiche du glossaire correspondante, où la notion est traitée en entier avec son exemple chiffré.
1. Un assureur agrège les charges de capital de ses différents risques, souscription, marché, crédit et opérationnel, et obtient un total inférieur à leur somme arithmétique. D'où vient l'écart ?
De l'agrégation par corrélations, qui reconnaît que les risques ne se réalisent pas tous ensemble
L'exigence de capital de solvabilité est le montant de fonds propres qu'un assureur européen doit détenir pour absorber des pertes exceptionnelles et tenir ses engagements avec une probabilité de 99,5 pour cent à l'horizon d'un an. La formulation équivalente aide à saisir ce que le chiffre veut dire : il s'agit de survivre à un choc dont la sévérité ne serait dépassée qu'une fois tous les deux cents ans. Elle couvre l'ensemble des risques quantifiables, et c'est l'agrégation qui produit l'effet décrit dans la question. Additionner les charges de chaque risque supposerait qu'ils se réalisent tous la même année, ce qui n'est ni observé ni plausible : un krach de marché et une année de sinistralité record ne sont pas le même événement. Le régime agrège donc en tenant compte des corrélations entre modules, et le total obtenu est inférieur à la somme des parties. Ce bénéfice de diversification n'est pas une faveur, c'est la traduction chiffrée d'un fait, et il explique pourquoi un assureur présent sur plusieurs branches et plusieurs zones porte proportionnellement moins de capital qu'un assureur concentré. Sa contrepartie est que tout repose sur les corrélations retenues : là où elles se resserrent dans les scénarios extrêmes, le bénéfice compté s'évapore au moment précis où il devait servir.
Fiche du glossaire · scr2. La formule standard calcule le capital requis par modules de risque, puis les agrège avec des matrices de corrélation fixées par la réglementation. Quels postulats ce procédé suppose-t-il, et que deviennent-ils face à un risque systémique comme le cyber ?
Des corrélations modérées et stables, et des pertes estimables sur l'historique : les deux cèdent quand la dépendance de queue approche un
La formule standard est la méthode mise à disposition des assureurs qui n'ont pas de modèle interne approuvé. Elle décompose le risque en modules, marché avec ses sous-modules actions, taux, immobilier, change et spread, défaut de contrepartie, souscription vie, santé et non-vie, et risque opérationnel. Chaque module reçoit une charge, puis l'ensemble est agrégé par multiplication matricielle avec des corrélations prédéfinies. Deux postulats portent tout l'édifice sans être énoncés au premier abord, et les nommer est l'essentiel de la question. Le premier veut que les corrélations entre risques soient modérées et stables dans le temps. Le second veut que les distributions de pertes soient estimables à partir de données historiques suffisamment longues. Un risque à composante systémique met les deux en défaut simultanément. Sa dépendance de queue approche un dans les scénarios extrêmes, puisqu'un même événement atteint des milliers d'assurés à la fois, ce qui contredit le premier postulat au moment où il compte. Et son historique est trop court et trop instable pour calibrer de façon crédible une queue bicentennale, ce qui contredit le second. Concrètement, la formule standard ne prévoit aucun module de souscription cyber dédié : ce risque est dilué dans le module non-vie sur des facteurs génériques, et son versant opérationnel est traité de façon forfaitaire et plafonnée.
Fiche du glossaire · formule-standard-s23. Un assureur peut remplacer la formule standard par un modèle interne calibré sur son propre profil, sous réserve d'approbation par le superviseur. Qu'est-ce qui justifie que cette approbation soit aussi exigeante ?
Le modèle abaisse souvent l'exigence de capital, donc un modèle sous-calibré fragiliserait la solvabilité sans que rien ne le signale
Un modèle interne remplace les paramètres uniformes de la réglementation par un modèle propre à l'entreprise, calibré sur son exposition réelle, et il peut être total ou partiel, ce dernier ne couvrant que les modules jugés mal représentés par la formule standard. Son intérêt est double. Il reflète mieux la réalité économique des risques portés, et il abaisse souvent l'exigence de capital quand le profil de l'assureur est meilleur que la moyenne supposée par la formule. C'est exactement cette seconde propriété qui commande la sévérité de l'approbation, et le raisonnement mérite d'être suivi jusqu'au bout : un modèle sous-calibré produit un capital requis artificiellement bas, l'assureur paraît solvable, et rien dans ses états ne trahit l'erreur puisque le chiffre de référence est lui-même issu du modèle fautif. L'écart ne se révélerait qu'au sinistre, c'est-à-dire trop tard. L'approbation demande donc de démontrer la qualité des données, la robustesse de la méthodologie, et une chose qu'on oublie souvent en la citant : l'usage effectif du modèle dans la gestion de l'entreprise, ce qu'on appelle le test d'utilisation. Un modèle construit pour le seul calcul réglementaire et ignoré des décisions opérationnelles est refusé à ce titre. Pour les risques émergents, le modèle interne offre une souplesse précieuse face à une formule inadaptée, mais il transfère à l'assureur la charge de calibrer correctement ce que personne ne connaît encore bien.
Fiche du glossaire · modele-interne-solvabilite-24. Le régime prudentiel européen ajoute au calcul de capital un exercice prospectif, dont la responsabilité incombe à la direction et au conseil et non aux seuls actuaires. Qu'apporte-t-il que le calcul ne donne pas, et quelle est sa faiblesse propre ?
Il accueille les risques qu'aucune formule ne prévoit, sur un horizon pluriannuel, et sa qualité dépend entièrement du sérieux des scénarios retenus
Là où l'exigence de capital impose un calcul standardisé à un instant donné, l'évaluation interne des risques et de la solvabilité demande à chaque assureur d'apprécier lui-même l'ensemble de ses risques et son besoin global de solvabilité, en intégrant sa stratégie et un horizon pluriannuel. C'est un exercice de gouvernance autant que de calcul, et le fait que la direction et le conseil en portent la responsabilité n'est pas une précision de procédure : c'est ce qui l'empêche d'être un document d'actuaires que personne ne lit. Il repose largement sur des tests de résistance et des scénarios adverses, y compris des scénarios qu'aucune formule réglementaire ne prévoit, et c'est là que les risques émergents trouvent leur place. Un assureur exposé à l'accumulation informatique peut y éprouver son bilan contre une panne simultanée de plusieurs fournisseurs, quand la formule standard ne lui offre aucun module pour le faire. Sa force est donc d'accueillir l'incertitude et le jugement là où la formule atteint ses limites. Sa faiblesse est le revers exact de cette force, et il faut la nommer aussi nettement : l'exercice est subjectif, et sa valeur ne dépasse pas celle des scénarios que l'entreprise a choisi de retenir. Un scénario confortable produit une conclusion confortable, sans qu'aucun contrôle de forme ne s'en aperçoive.
Fiche du glossaire · orsa5. Pour estimer le capital nécessaire à un portefeuille, un assureur simule un million d'années possibles et lit dans la distribution obtenue la perte que seules les pires années dépassent. Qu'est-ce qui borne la fiabilité de ce chiffre ?
Les lois et les dépendances injectées en entrée, qu'un plus grand nombre de tirages ne corrige jamais
La simulation de Monte-Carlo estime la distribution d'une grandeur incertaine en générant un très grand nombre de scénarios aléatoires et en observant la répartition des résultats. Quand la complexité interdit un calcul analytique, parce que plusieurs sources d'incertitude interagissent de façon non linéaire, on tire des milliers ou des millions d'avenirs possibles et l'on en lit les quantiles. La méthode est devenue centrale dans les modèles internes de solvabilité, les modèles de catastrophe et le calcul des mesures de risque extrême, et sa puissance tient à sa souplesse : presque tout problème probabiliste s'y laisse aborder. Sa limite est ailleurs que là où l'intuition la cherche, et c'est tout le propos de la question. Augmenter le nombre de tirages réduit l'erreur d'échantillonnage, celle qui vient du hasard de la simulation elle-même, et cette erreur est en général la plus petite des deux. Elle ne touche pas l'erreur de spécification, qui vient des lois et surtout des structures de dépendance qu'on a injectées en entrée. Un million de tirages tirés d'une dépendance fausse donne un résultat faux avec une grande précision apparente, et la précision affichée est alors trompeuse plutôt que rassurante. Là où ces hypothèses sont mal connues, ce qui est le cas de l'accumulation informatique, les sorties se manient avec une prudence particulière.
Fiche du glossaire · simulation-monte-carlo6. Le recours massif à la copule gaussienne dans la finance des années 2000 a contribué à la mauvaise appréciation des risques au coeur de la crise de 2008. Qu'est-ce que cette structure de dépendance sous-estimait ?
La dépendance de queue : des risques peu corrélés en temps normal se réalisent ensemble dans les scénarios extrêmes
Une copule est une fonction qui relie les distributions individuelles de plusieurs variables à leur distribution jointe, en isolant la structure de dépendance qui les lie indépendamment de leurs lois propres. Le théorème de Sklar garantit qu'une telle décomposition existe toujours, ce qui explique la souplesse de l'outil : on peut choisir séparément la loi de chaque risque et la manière dont ils bougent ensemble. Pour l'assurance, l'enjeu est décisif, parce que la dépendance, et plus encore la dépendance dans les événements extrêmes, est précisément ce qui détermine l'ampleur d'une accumulation. Une bonne copule capte le fait que des risques indépendants en temps ordinaire deviennent fortement corrélés en crise. La copule gaussienne échoue exactement là, et c'est la distinction à retenir : elle peut reproduire une corrélation moyenne correcte tout en assignant une probabilité quasi nulle à la réalisation conjointe des extrêmes. Le paramètre affiché paraît raisonnable, et la queue de la distribution jointe est pourtant vide. Son emploi massif pour les produits structurés adossés au crédit immobilier a ainsi laissé croire à une diversification qui n'existait pas, jusqu'à ce que les défauts se révèlent simultanés. La leçon vaut pour le cyber, où les dépendances entre assurés sont nombreuses, cachées et non stationnaires : le choix de la structure de dépendance y est un enjeu critique et non résolu.
Fiche du glossaire · copule7. Pour tarifer, un actuaire estime séparément l'influence du secteur, de la taille et de la présence d'une authentification multifacteur sur la fréquence des sinistres. Pourquoi cette famille de modèles reste-t-elle préférée à des méthodes d'apprentissage plus puissantes ?
Pour sa transparence : l'effet propre de chaque facteur reste lisible et défendable devant un régulateur
Le modèle linéaire généralisé étend la régression linéaire aux variables qui ne suivent pas une loi normale, ce qui est précisément le cas des grandeurs assurantielles : la fréquence des sinistres se modélise souvent par une loi de Poisson, leur sévérité par une loi gamma. Une fonction de lien relie la prédiction aux variables explicatives, et le modèle estime l'influence propre de chaque facteur de risque, toutes choses égales par ailleurs. C'est ce dernier point qui en a fait le standard de la tarification non-vie : il permet d'isoler l'effet du secteur d'activité de celui de la taille, et de dire combien la présence d'une mesure de sécurité déplace la fréquence attendue, séparément du reste. La raison pour laquelle il tient face à des méthodes d'apprentissage plus puissantes n'est pas la performance brute, et il serait faux de le prétendre. C'est la lisibilité : un coefficient s'explique, se discute et se défend devant un régulateur, quand un modèle opaque donne une prédiction sans en rendre compte. Cette qualité compte aussi en interne, pour comprendre son propre portefeuille plutôt que de le subir. La limite apparaît sur les risques neufs, où la rareté et l'instabilité des données fragilisent les estimations et imposent de compléter la statistique par le jugement d'experts.
Fiche du glossaire · modele-lineaire-generalise8. Lors de l'ouragan Ian en 2022, les modèles catastrophe des principaux fournisseurs ont sous-estimé les pertes assurées d'environ trente à quarante pour cent, et l'erreur a touché ensemble assureurs, réassureurs et fonds adossés au risque. Qu'est-ce que cette simultanéité révèle ?
Un risque de modèle devenu systémique : les mêmes représentations partagées font partager les mêmes erreurs
Le risque de modèle est l'exposition à des pertes ou à des décisions fausses causées par la défaillance du modèle qui représente un phénomène. Il prend trois formes qu'il est utile de séparer. La spécification, quand la structure mathématique est inadaptée au phénomène, par exemple une queue normale là où les extrêmes sont épais. La calibration, quand le modèle est bien spécifié mais ajusté sur des données insuffisantes, non représentatives ou périmées, ce qui est le problème central du changement climatique pour les modèles catastrophe. L'utilisation, quand le modèle sort de son domaine de validité ou que ses hypothèses implicites échappent à ceux qui s'en servent. La question porte sur une quatrième dimension, qui n'est pas une quatrième forme mais un effet d'échelle, et c'est la plus contre-intuitive. La fourniture de modèles catastrophe est concentrée sur un petit nombre d'acteurs, et quand tout un marché utilise les mêmes représentations et les mêmes scénarios de calibration, les portefeuilles partagent les mêmes erreurs d'estimation. Une réalisation qui défie les modèles dominants n'atteint donc pas un assureur malchanceux, elle atteint le marché entier au même instant, et la diversification entre contreparties qu'on croyait acquise ne joue pas. La non-stationnarité climatique aggrave le phénomène en périmant progressivement tout modèle calibré sur l'historique.
Fiche du glossaire · risque-de-modele