Investissement optimal pour un assureur sur deux marchés de devises : une analyse par contrôle stochastique

Table des matières

1. Introduction

Cet article traite d'une lacune critique dans la littérature sur la gestion actuarielle des risques : la stratégie d'investissement optimale pour une compagnie d'assurance opérant sur plusieurs marchés de devises. Les modèles traditionnels confinent souvent les assureurs à un domaine monétaire unique, ignorant les réalités de la finance mondialisée. Les auteurs, Zhou et Guo, étendent le modèle classique de surplus de Cramér-Lundberg à un cadre à deux devises, en intégrant une dynamique stochastique des taux de change (FX) modélisée par un processus d'Ornstein-Uhlenbeck (OU). L'objectif principal est de maximiser l'utilité exponentielle espérée de la richesse terminale de l'assureur, un critère d'aversion au risque courant en finance.

2. Cadre du modèle

2.1 Processus de surplus

Le processus de surplus de l'assureur $R(t)$ est modélisé en utilisant l'approximation par diffusion du modèle classique de Cramér-Lundberg : $$dR(t) = c dt - d\left(\sum_{i=1}^{N(t)} Y_i\right) \approx \mu dt + \sigma_R dW_R(t)$$ où $c$ est le taux de prime, $\mu$ est la dérive, et $\sigma_R$ représente la volatilité du processus des sinistres, approximée par un mouvement brownien $W_R(t)$.

2.2 Actifs d'investissement

L'assureur répartit sa richesse entre :

1. Un actif domestique sans risque (par exemple, des obligations d'État) avec un taux d'intérêt constant $r_d$.
2. Un actif étranger risqué (par exemple, un indice boursier étranger) avec un processus de rendement stochastique. Le rendement en devise étrangère est modélisé comme un mouvement brownien géométrique.

La variable clé est la proportion de richesse $\pi(t)$ investie dans l'actif risqué étranger.

2.3 Dynamique du taux de change

Une innovation centrale est la modélisation du taux de change $S(t)$ (devise domestique par unité de devise étrangère). Son taux de croissance moyen instantané $\theta(t)$ suit un processus d'Ornstein-Uhlenbeck : $$d\theta(t) = \kappa(\bar{\theta} - \theta(t))dt + \sigma_\theta dW_\theta(t)$$ $$dS(t) = S(t)[\theta(t)dt + \sigma_S dW_S(t)]$$ où $\kappa$ est la vitesse de retour à la moyenne, $\bar{\theta}$ est la moyenne à long terme, et $W_\theta(t)$, $W_S(t)$ sont des mouvements browniens corrélés. Cela capture le fait stylisé que les taux de change présentent un retour à la moyenne et une dérive stochastique, influencés par des facteurs tels que les différentiels d'inflation et les écarts de taux d'intérêt.

3. Problème d'optimisation

3.1 Fonction objectif

L'assureur vise à maximiser l'utilité exponentielle espérée de la richesse terminale $X(T)$ au temps $T$ : $$\sup_{\pi(\cdot)} \mathbb{E}\left[ -\frac{1}{\gamma} e^{-\gamma X(T)} \right]$$ où $\gamma > 0$ est le coefficient constant d'aversion absolue au risque. Le processus de richesse $X(t)$ évolue en fonction du surplus, des rendements des investissements et des conversions de devises.

3.2 Équation de Hamilton-Jacobi-Bellman

En utilisant la programmation dynamique, la fonction valeur $V(t, x, \theta)$ est définie comme le supremum de l'utilité espérée à partir du temps $t$ avec une richesse $x$ et une dérive de change $\theta$. L'équation HJB associée est une équation aux dérivées partielles (EDP) non linéaire : $$\sup_{\pi} \left\{ V_t + \mathcal{L}^{\pi} V \right\} = 0$$ avec la condition terminale $V(T, x, \theta) = -\frac{1}{\gamma}e^{-\gamma x}$. Ici, $\mathcal{L}^{\pi}$ est le générateur infinitésimal du processus de richesse contrôlé, incorporant les termes du surplus, des rendements des actifs et de la dynamique des changes.

4. Solution analytique

4.1 Stratégies d'investissement optimales

Les auteurs dérivent la stratégie d'investissement optimale $\pi^*(t)$ sous forme de rétroaction. C'est une fonction des variables d'état courantes, en particulier de la dérive stochastique des changes $\theta(t)$ et de l'aversion au risque $\gamma$. $$\pi^*(t) = \frac{1}{\gamma \sigma_S^2} \left( \theta(t) - r_d + r_f + \rho_{S\theta}\sigma_S\sigma_\theta \frac{V_\theta}{V_x} \right)$$ où $r_f$ est le taux sans risque étranger, $\rho_{S\theta}$ est la corrélation entre le prix du change et sa dérive, et $V_x$, $V_\theta$ sont les dérivées partielles de la fonction valeur. La stratégie se compose d'une composante myope (premier terme) et d'une composante de couverture (second terme) contre les fluctuations de la dérive des changes.

4.2 Fonction valeur

Grâce à une méthode d'ansatz courante dans les problèmes d'utilité exponentielle, on conjecture que la fonction valeur a une forme séparable : $$V(t, x, \theta) = -\frac{1}{\gamma}\exp\left\{-\gamma x e^{r_d (T-t)} + A(t) + B(t)\theta + \frac{1}{2}C(t)\theta^2 \right\}$$ La substitution de cette forme dans l'équation HJB réduit l'EDP à un système d'équations différentielles ordinaires (EDO) pour les fonctions $A(t)$, $B(t)$ et $C(t)$, qui peuvent être résolues numériquement ou, dans des cas particuliers, analytiquement.

5. Analyse numérique

L'article présente une analyse numérique pour illustrer les propriétés de la stratégie optimale. Les paramètres clés sont calibrés sur des valeurs réalistes : $\gamma=2$, $r_d=0.03$, $r_f=0.01$, $\kappa=0.5$, $\bar{\theta}=0.02$, $\sigma_S=0.15$, $\sigma_\theta=0.05$. L'analyse démontre probablement :

1. Sensibilité à la dérive des changes ($\theta$) : Lorsque $\theta(t)$ augmente (appréciation attendue de la devise étrangère), l'allocation optimale $\pi^*(t)$ à l'actif risqué étranger augmente.
2. Impact de l'aversion au risque ($\gamma$) : Un $\gamma$ plus élevé conduit à une stratégie plus conservatrice, réduisant l'amplitude de $\pi^*(t)$.
3. Effet du retour à la moyenne ($\kappa$) : Un $\kappa$ plus élevé (retour à la moyenne plus rapide) réduit la composante de demande de couverture, car les écarts de $\theta(t)$ par rapport à sa moyenne sont supposés être de courte durée.

6. Principaux enseignements

• Couverture à deux devises : La stratégie optimale couvre intrinsèquement le risque de change. Il ne s'agit pas seulement de rechercher des rendements plus élevés à l'étranger, mais de gérer dynamiquement l'exposition à la dérive stochastique des changes.
• Rôle de la dérive stochastique : Modéliser la dérive des changes comme un processus OU ajoute une variable d'état. La politique optimale dépend non seulement du taux de change courant, mais aussi de la tendance sous-jacente estimée ($\theta(t)$), qui est plus persistante.
• Séparation des préoccupations : L'utilité exponentielle conduit à une séparation où le montant d'investissement optimal est indépendant du niveau de richesse courant de l'assureur, un résultat classique pour l'utilité CARA.
• Défi de mise en œuvre pratique : La stratégie nécessite une estimation continue du processus non observable $\theta(t)$, probablement en utilisant des techniques de filtrage (par exemple, filtre de Kalman) sur les taux de change observés.

7. Analyse approfondie

Enseignement central : Cet article n'est pas seulement un exercice mathématique ; c'est une réfutation formelle de la gestion actif-passif (ALM) myope et à devise unique encore prévalente chez de nombreux assureurs. En intégrant rigoureusement une dérive stochastique des changes à retour à la moyenne, Zhou et Guo exposent le risque de modèle significatif inhérent à l'hypothèse de tendances monétaires constantes ou déterministes. Leur travail montre qu'ignorer la nature variable dans le temps des fondamentaux des changes (comme les différentiels d'inflation, que l'article souligne à juste titre) conduit à une allocation de capital sous-optimale et à une sous-estimation du risque de queue.

Enchaînement logique : La logique est élégante : (1) Commencer par un modèle robuste de surplus d'assurance (diffusion de Cramér-Lundberg). (2) Reconnaître la réalité de l'investissement mondial en ajoutant un actif étranger. (3) Rejeter de manière cruciale le Mouvement Brownien Géométrique simpliste pour les changes, en adoptant un processus OU financièrement sensé pour sa dérive. (4) Appliquer la machinerie du contrôle stochastique (HJB) pour dériver la loi de rétroaction optimale. La chaîne est solide, mais son maillon le plus faible est l'approximation par diffusion des sinistres, qui lisse le risque de saut – un risque central de l'assurance.

Points forts & Limites : Points forts : La principale force du modèle est sa tractabilité menant à des résultats en forme fermée. Le résultat de séparation est puissant pour la communication avec des dirigeants non quantitatifs. L'intégration d'une dérive stochastique des changes est une avancée significative par rapport aux modèles comme ceux de Browne (1995) ou Wang (2007). Le lien avec les fondamentaux économiques (inflation, balance des paiements) dans l'introduction ancre les mathématiques dans la réalité. Limites : L'éléphant dans la pièce est l'hypothèse d'une approximation par diffusion parfaitement corrélée pour les sinistres d'assurance. Cela nie le risque même de saut/ruine que les assureurs existent pour gérer, comme noté dans des textes fondateurs comme Asmussen & Albrecher (2010). Le modèle suppose également des transactions sans friction et aucune contrainte (comme les limites de vente à découvert courantes pour les assureurs), limitant son application pratique immédiate. Comparé aux approches basées sur l'apprentissage automatique pour la prévision des changes observées dans la littérature fintech récente (par exemple, utilisant des LSTMs ou Transformers), le processus OU, bien qu'élégant, peut être trop simpliste pour capturer des comportements complexes de changement de régime.

Enseignements actionnables : 1. Pour les DAF & CRO des assureurs : Exigez que vos modèles ALM intègrent des primes de risque de change stochastiques, et pas seulement des taux au comptant volatils. Cet article fournit le plan. 2. Pour les Quants : Utilisez ce cadre comme référence. L'étape suivante est d'intégrer l'idée centrale – couvrir la dérive stochastique des changes – dans des cadres plus réalistes : avec un surplus de type saut-diffusion (à la Yang & Zhang (2005)), sous contraintes réglementaires (Solvabilité II / ICS), ou avec plusieurs devises étrangères corrélées. 3. Pour les Éditeurs de Logiciels : La nécessité d'estimer l'état latent $\theta(t)$ en temps réel est un cas d'utilisation direct pour l'intégration de modules de filtrage de Kalman ou de filtrage particulaire dans les systèmes de trésorerie et de gestion des risques. En substance, cet article fournit une mise à niveau théorique cruciale. La charge revient maintenant à l'industrie de mettre en œuvre ses enseignements dans des cadres plus robustes, avancés sur le plan informatique et réglementés.

8. Détails techniques & Cadre mathématique

La dynamique complète du processus de richesse contrôlé est : $$dX(t) = [X(t)r_d + \pi(t)X(t)(\theta(t) + \alpha - r_d) + \mu]dt + \pi(t)X(t)\sigma_S dW_S(t) + \sigma_R dW_R(t)$$ où $\alpha$ est le rendement excédentaire de l'actif risqué étranger dans sa devise locale. La structure de corrélation entre les mouvements browniens $(W_R, W_S, W_\theta)$ est cruciale. Typiquement, on pourrait supposer que $W_R$ est indépendant de $(W_S, W_\theta)$, tandis que $dW_S(t)dW_\theta(t) = \rho_{S\theta}dt$.

L'équation HJB devient : $$0 = \sup_{\pi} \{ V_t + [x r_d + \pi x (\theta + \alpha - r_d) + \mu]V_x + \kappa(\bar{\theta}-\theta)V_\theta + \frac{1}{2}(\pi^2 x^2 \sigma_S^2 + \sigma_R^2)V_{xx} + \frac{1}{2}\sigma_\theta^2 V_{\theta\theta} + \pi x \rho_{S\theta}\sigma_S\sigma_\theta V_{x\theta} \}$$ La condition du premier ordre pour le supremum donne l'expression de $\pi^*$ fournie dans la section 4.1.

9. Résultats expérimentaux & Description des graphiques

Bien que l'extrait PDF fourni ne contienne pas de figures spécifiques, une analyse numérique standard pour ce modèle inclurait probablement les graphiques suivants :

1. Allocation optimale vs. Dérive des changes ($\theta$) : Une ligne ou courbe à pente positive montrant $\pi^*$ augmentant avec $\theta(t)$. Différentes lignes représenteraient différents niveaux d'aversion au risque ($\gamma$), avec des pentes plus raides pour un $\gamma$ plus faible.
2. Simulation de trajectoire dynamique : Un graphique multi-panneaux montrant des trajectoires simulées dans le temps pour :
   • Le processus OU $\theta(t)$ revenant à la moyenne autour de $\bar{\theta}$.
   • La proportion d'investissement optimale correspondante $\pi^*(t)$ réagissant aux changements de $\theta(t)$.
   • La trajectoire de richesse résultante de l'assureur $X(t)$ comparée à un benchmark (par exemple, une stratégie d'investissement uniquement domestique).
3. Sensibilité à la vitesse de retour à la moyenne ($\kappa$) : Un graphique montrant la volatilité ou l'étendue de $\pi^*(t)$ diminuant à mesure que $\kappa$ augmente, car le motif de couverture contre les changements de $\theta$ diminue.

Le principal enseignement de tels graphiques serait la nature active et dépendante de l'état de la stratégie, par opposition à une allocation d'actifs stratégique statique.

10. Cadre d'analyse : Une étude de cas simplifiée

Scénario : Un assureur japonais non-vie avec une dérive de surplus ($\mu$) de 5 milliards de JPY par an et une volatilité ($\sigma_R$) de 2 milliards de JPY. Il envisage d'investir dans des ETF actions américains (actif étranger risqué).

Hypothèses de paramètres (illustratives) :

• Taux sans risque JPY ($r_d$) : 0,1 %
• Taux sans risque USD ($r_f$) : 2,5 %
• Rendement excédentaire actions USD ($\alpha$) : 4 %
• Estimation actuelle de la dérive USD/JPY ($\theta(t)$) : -1 % (anticipant un renforcement du JPY)
• Volatilité des changes ($\sigma_S$) : 12 %
• Aversion au risque de l'assureur ($\gamma$) : 1,5

Application du cadre :

1. Estimer l'état : La trésorerie de l'assureur utilise un filtre de Kalman sur les données récentes USD/JPY pour estimer le $\theta(t)$ courant à -1 %.
2. Calculer la demande myope : $(\theta + \alpha - r_d) / (\gamma \sigma_S^2) = (-0,01 + 0,04 - 0,001) / (1,5 * 0,12^2) \approx 0,029 / 0,0216 \approx 1,34$. Cela suggère une allocation de 134 % basée sur le couple risque-rendement immédiat.
3. Ajuster pour la demande de couverture : La composante de couverture (impliquant $V_\theta/V_x$) serait probablement négative lorsque $\theta$ est en dessous de sa moyenne à long terme (si $\bar{\theta}$ est, disons, 0 %), réduisant l'allocation finale. Supposons qu'elle réduise l'allocation de 0,5.
4. Stratégie finale : $\pi^* \approx 1,34 - 0,5 = 0,84$. Le modèle suggère d'investir 84 % de la richesse investissable dans l'ETF actions américain, une position significative mais avec effet de levier qui tient compte de l'appréciation attendue du JPY.

Ce cas met en évidence comment le modèle s'ajuste dynamiquement aux anticipations de change, contrairement à un portefeuille statique 60/40.

11. Perspectives d'application & Directions futures

Applications immédiates :

• Allocation d'actifs stratégique (SAA) pour les assureurs mondiaux : Ce modèle fournit une base quantitative pour les cadres de SAA dynamiques qui modélisent explicitement le risque de change comme une dérive stochastique, améliorant les stratégies de mix constant.
• Amélioration des systèmes ALM : Les fournisseurs de technologies de risque (par exemple, Moody's Analytics, Bloomberg) peuvent intégrer ce type de logique de contrôle stochastique dans leurs moteurs de simulation ALM pour les assureurs.

Directions de recherche futures :

1. Incorporation des sauts et de la probabilité de ruine : L'extension la plus critique est la fusion de ce cadre avec un processus de surplus de type saut-diffusion ou saut pur pour étudier l'impact sur l'investissement optimal et la minimisation de la probabilité de ruine, un objectif primordial pour les assureurs.
2. Contraintes réglementaires : Imposer des contraintes comme l'interdiction de vente à découvert ($0 \le \pi(t) \le 1$), des limites d'effet de levier, ou des contraintes de charge en capital Solvabilité II rendrait le modèle plus pratique. Cela conduit à des inégalités variationnelles et des problèmes de frontière libre.
3. Apprentissage automatique pour l'estimation d'état : Remplacer le processus OU par un processus de dérive appris via des réseaux de neurones récurrents (RNN) à partir de données économiques haute fréquence pourrait capturer des dépendances plus complexes.
4. Multiples devises et actifs : Étendre le modèle à un panier de $n$ devises étrangères et $m$ actifs risqués, conduisant à une équation HJB en haute dimension résoluble peut-être via des méthodes d'apprentissage par renforcement profond, comme exploré dans la littérature récente pour l'optimisation de portefeuille.
5. Validation empirique : Une étude de back-testing complète comparant la performance de cette stratégie à des benchmarks standards pour un panel d'assureurs mondiaux sur les 20 dernières années.

12. Références

1. Browne, S. (1995). Optimal Investment Policies for a Firm with a Random Risk Process: Exponential Utility and Minimizing the Probability of Ruin. Mathematics of Operations Research, 20(4), 937-958.
2. Yang, H., & Zhang, L. (2005). Optimal Investment for Insurer with Jump-Diffusion Risk Process. Insurance: Mathematics and Economics, 37(3), 615-634.
3. Schmidli, H. (2002). On Minimizing the Ruin Probability by Investment and Reinsurance. The Annals of Applied Probability, 12(3), 890-907.
4. Asmussen, S., & Albrecher, H. (2010). Ruin Probabilities (2nd ed.). World Scientific.
5. Wang, N. (2007). Optimal Investment for an Insurer with Exponential Utility Preference. Insurance: Mathematics and Economics, 40(1), 77-84.
6. Bai, L., & Guo, J. (2008). Optimal Proportional Reinsurance and Investment with Multiple Risky Assets. Insurance: Mathematics and Economics, 42(3), 968-975.
7. Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS), 27. (Comme exemple de méthodologie ML avancée applicable aux extensions futures).
8. Bank for International Settlements (BIS). (2023). Triennial Central Bank Survey of Foreign Exchange and Over-the-counter (OTC) Derivatives Markets. (Source faisant autorité sur la structure du marché des changes).