PRÉLIMINAIRES

I. Épistémologie et Enjeux Scientifiques du Domaine

Née de la rencontre entre la théorie des probabilités et les impératifs économiques, la science actuarielle a connu une mutation radicale avec la financiarisation des économies. L’analyse du risque a migré d’une approche déterministe, basée sur des tables de mortalité statiques, vers une modélisation stochastique complexe intégrant la volatilité des marchés. Cette UE dissèque cette transition, depuis les travaux fondateurs de Lundberg sur la théorie de la ruine jusqu’aux modèles de volatilité conditionnelle d’Engle. L’enjeu scientifique est de fournir des outils prédictifs robustes dans un environnement d’incertitude radicale, où les événements extrêmes ne sont plus des aberrations mais des paramètres structurels.

II. Cartographie des Compétences et Transversalité

Cette unité forge une compétence hybride, à l’intersection de la statistique inférentielle, de l’économie financière et de l’informatique décisionnelle. La modélisation de la ruine via les processus de Poisson (Compétence 1) exige une maîtrise des processus stochastiques. L’estimation de la volatilité par les modèles ARCH/GARCH (Compétence 2) mobilise l’économétrie des séries temporelles et des compétences en programmation (R, Python). La quantification du capital de solvabilité (Compétence 3) impose une lecture fine des cadres réglementaires (Bâle, Solvabilité, CIMA) et des techniques de gestion actif-passif (ALM). Ces savoirs irriguent directement la finance quantitative, la gestion d’actifs et l’assurance.

III. Alignement Stratégique avec les Réalités Opérationnelles

Dans le contexte de la RDC et de l’Afrique, où le secteur de l’assurance et des marchés de capitaux est en pleine structuration, ces compétences répondent à un besoin critique. L’Actuaire Risk Manager, l’Analyste ALM et le Modélisateur de risques extrêmes sont des profils activement recherchés par les banques, les compagnies d’assurance, les caisses de pension et les régulateurs. Ils sont les garants de la stabilité financière, capables d’évaluer l’impact de la volatilité des changes sur un portefeuille, de tarifer des produits de micro-assurance innovants ou de dimensionner les réserves techniques face aux risques climatiques et pandémiques.

Chapitre I. Les Fondements de l’Assurance et la Mutualisation du Risque

I.1 Axiomatique du Risque et Principe d’Utilité

Au cœur de l’assurance réside le paradoxe de Saint-Pétersbourg, qui a révélé l’inadéquation de la simple espérance mathématique pour évaluer un gain incertain. La théorie de l’utilité espérée de von Neumann-Morgenstern formalise la notion d’aversion au risque, socle de la demande d’assurance. Ce sous-chapitre déconstruit ce concept, démontrant mathématiquement pourquoi un agent rationnel préfère un revenu certain à un revenu aléatoire de même espérance. L’étudiant calculera la prime pure comme le prix juste qui rend l’assuré et l’assureur indifférents, posant la première pierre de la tarification actuarielle.

I.2 Mécanismes de la Prime et Contrats d’Assurance

La prime commerciale se décompose en une prime pure, couvrant le coût espéré du sinistre, et des chargements. Ce segment dissèque cette architecture financière, détaillant le chargement de sécurité, destiné à absorber les fluctuations aléatoires, et les chargements de gestion, couvrant les frais opérationnels. L’analyse portera sur la structure juridique des contrats d’assurance-vie et non-vie, en insistant sur les clauses de franchise, de plafond et de coassurance. Ces mécanismes contractuels sont étudiés comme des outils de partage du risque et de lutte contre l’aléa moral et l’anti-sélection.

I.3 Limites du Principe de Mutualisation et Risques Systémiques

Face à des risques non diversifiables, le principe de mutualisation atteint ses limites. Les événements catastrophiques (pandémies, crises financières, tsunamis) frappent une large part du portefeuille simultanément, rendant le calcul de la prime pure par la loi des grands nombres inopérant. Ce sous-chapitre analyse la nature des risques systémiques et la corrélation extrême des sinistres qui en découle. La critique se porte sur l’incapacité des modèles classiques à appréhender ces “cygnes noirs”, ouvrant la voie à la nécessité de la réassurance et de l’intervention étatique comme assureur en dernier ressort.

I.4 Application à la Micro-assurance en Afrique

Sous l’angle des économies à faible revenu, la micro-assurance constitue une innovation majeure pour couvrir les populations exclues du système formel. Ce module applique les principes de tarification à des produits concrets : assurance-récolte face à la sécheresse au Sahel, assurance santé via mobile money à Kinshasa. L’analyse se concentre sur les défis opérationnels : la collecte de données statistiques fiables, la distribution à faible coût et la gestion des sinistres de faible montant mais de haute fréquence. L’étudiant modélisera une prime accessible et viable pour un produit d’assurance indicielle.

Chapitre II. Identification et Typologie des Risques Financiers

II.1 Cartographie des Risques de Marché

Issus des fluctuations des prix sur les marchés organisés, les risques de marché constituent la menace la plus visible pour un portefeuille financier. Ce sous-chapitre en établit une taxonomie rigoureuse : risque de taux d’intérêt, risque de change, risque d’actions (actions) et risque de matières premières (commodities). Pour chaque catégorie, la sensibilité est quantifiée par des indicateurs standards comme la duration et la convexité pour le risque de taux, ou le delta et le gamma pour les options. L’objectif est de construire une matrice des expositions, premier jalon de toute politique de couverture.

II.2 Quantification du Risque de Crédit et de Contrepartie

Le risque de crédit, défini par le défaut d’un emprunteur ou d’une contrepartie, est disséqué à travers ses deux composantes : la probabilité de défaut (PD) et la perte en cas de défaut (LGD). Ce segment présente les outils de sa mesure, des modèles structurels de type Merton, liant le défaut à la valeur des actifs de l’entreprise, aux modèles à forme réduite (Jarrow-Turnbull), qui modélisent le défaut comme un processus exogène. L’étudiant apprendra à calculer l’exposition en cas de défaut (EAD) et à distinguer le risque de crédit du risque de contrepartie sur les produits dérivés.

II.3 Le Défi des Risques Opérationnels et de Liquidité

Moins aisément quantifiables, les risques opérationnels et de liquidité sont souvent la cause des crises les plus sévères. Le risque opérationnel, formalisé par Bâle II, couvre les pertes dues à des défaillances de processus, de personnes ou de systèmes, ainsi qu’à des événements externes. Le risque de liquidité se manifeste par l’incapacité à honorer ses engagements ou à dénouer une position sans impacter lourdement le prix. Ce sous-chapitre critique les approches de mesure (LDA pour l’opérationnel) et met en lumière leur interdépendance fatale en situation de crise.

II.4 Mise en Situation : Risque de Change et Secteur Minier Congolais

Pour une économie comme la RDC, fortement dépendante des exportations de matières premières (cobalt, cuivre) cotées en USD et des importations facturées en devises, le risque de change est omniprésent. Ce module pratique simule la gestion de la trésorerie d’une entreprise minière. L’étudiant devra modéliser l’impact de la volatilité du taux de change CDF/USD sur les revenus et les coûts, puis proposer une stratégie de couverture simple (contrats à terme, options) adaptée à la faible liquidité du marché des changes local, en tenant compte des contraintes réglementaires de la Banque Centrale du Congo.

Chapitre III. Modélisation Économétrique de la Volatilité (ARCH/GARCH)

III.1 La Rupture Conceptuelle de la Volatilité Conditionnelle

L’observation empirique des séries financières, notamment par Mandelbrot, a révélé des faits stylisés incompatibles avec les modèles linéaires classiques : le regroupement de la volatilité (volatility clustering) et les queues de distribution épaisses (leptokurtosis). Ce sous-chapitre expose la faillite des hypothèses d’homoscédasticité. Il introduit le concept révolutionnaire de l’hétéroscédasticité conditionnelle, où la variance du terme d’erreur à l’instant t dépend de l’information passée. C’est le fondement théorique des modèles ARCH (Autoregressive Conditional Heteroskedasticity) proposés par Robert Engle, prix Nobel d’économie.

III.2 Mécanismes des Modèles ARCH(q) et GARCH(p,q)

Sous l’angle de la mécanique statistique, ce segment détaille la structure des modèles GARCH. L’équation de la variance conditionnelle d’un GARCH(1,1), le modèle le plus utilisé, est disséquée : elle est une fonction de la variance moyenne à long terme, du carré du choc précédent (terme ARCH) et de la variance conditionnelle précédente (terme GARCH). L’étudiant apprendra la méthodologie d’estimation par maximum de vraisemblance (MLE) et les tests de spécification (test de l’effet ARCH de Lagrange). La persistance de la volatilité est analysée comme un indicateur clé de la nervosité du marché.

III.3 Critiques, Extensions et Asymétrie : EGARCH et TARCH

Le modèle GARCH standard vacille face à l’effet de levier, un fait stylisé majeur où une mauvaise nouvelle (baisse de prix) a un impact plus important sur la volatilité future qu’une bonne nouvelle de même ampleur. Ce sous-chapitre analyse cette limite et introduit les extensions asymétriques pour y remédier. Les modèles EGARCH (Exponential GARCH) de Nelson et TARCH (Threshold ARCH) de Glosten, Jaganathan et Runkle sont présentés comme des solutions robustes pour capturer cette asymétrie. La discussion porte sur le choix du modèle le plus parcimonieux et le plus pertinent économiquement.

III.4 Application : Volatilité du Franc Congolais et Chocs sur les Matières Premières

Face aux défis de l’instabilité monétaire, la modélisation de la volatilité du taux de change CDF/USD est une compétence cruciale pour la banque centrale et les entreprises. Ce cas pratique guide l’étudiant dans l’ajustement d’un modèle GARCH sur les données historiques du taux de change. L’analyse se focalisera sur l’interprétation des coefficients pour mesurer l’impact des chocs, comme une chute brutale du prix du cobalt, sur la nervosité du marché des changes. L’objectif est de produire une prévision de la volatilité à court terme, information vitale pour un gestionnaire de risque.

Chapitre IV. Processus Stochastiques et Théorie de la Ruine

IV.1 Le Processus de Survenance des Sinistres : le Modèle de Poisson

La théorie de la ruine repose sur la modélisation du flux de sinistres au fil du temps. Le processus de Poisson constitue le modèle canonique pour décrire un événement se produisant à un rythme moyen constant et dont les occurrences sont indépendantes. Ce sous-chapitre en établit les propriétés fondamentales : la distribution de Poisson pour le nombre d’événements sur un intervalle donné et la distribution exponentielle pour le temps d’attente entre deux événements. L’étudiant apprendra à estimer le paramètre d’intensité lambda à partir de données historiques d’une compagnie d’assurance.

IV.2 Le Modèle de Risque Collectif de Cramer-Lundberg

En combinant le processus de survenance des sinistres (Poisson) avec une distribution pour le montant de chaque sinistre, le modèle de Cramer-Lundberg formalise l’évolution de la réserve d’un assureur. Le processus de surplus est défini comme le capital initial, augmenté des primes collectées et diminué du montant cumulé des sinistres. Ce segment se concentre sur la dérivation de l’équation fondamentale de ce processus de risque. Il s’agit d’un processus stochastique à temps continu, dont la trajectoire est une marche aléatoire avec une dérive positive (les primes) et des sauts négatifs (les sinistres).

IV.3 La Probabilité de Ruine et l’Inégalité de Lundberg

La probabilité de ruine, définie comme la probabilité que le surplus de l’assureur devienne négatif à un moment donné, est l’indicateur ultime de la viabilité à long terme. Sa résolution exacte étant complexe, ce sous-chapitre introduit l’inégalité de Lundberg, qui fournit une borne supérieure exponentielle pour cette probabilité. L’étudiant apprendra à calculer le coefficient d’ajustement R, un indicateur clé de la solvabilité qui dépend de la marge de sécurité dans la prime. Une critique est menée sur le caractère souvent trop conservateur de cette borne dans la pratique.

IV.4 Application au Dimensionnement des Réserves d’une Mutuelle de Santé

Dans le contexte africain, les mutuelles de santé communautaires sont des acteurs essentiels mais fragiles. Ce cas d’étude applique la théorie de la ruine pour aider une telle mutuelle à dimensionner ses réserves. À partir de données simulées mais réalistes sur la fréquence des consultations (processus de Poisson) et le coût des traitements, l’étudiant calculera la probabilité de ruine pour différents niveaux de primes et de capital initial. L’objectif est de déterminer le montant de la cotisation qui assure une probabilité de ruine inférieure à un seuil acceptable (ex: 1%), garantissant la pérennité de la mutuelle.

Chapitre V. Quantification du Capital Réglementaire et Gestion Actif-Passif (ALM)

V.1 Concepts de Solvabilité et Capital Économique vs Réglementaire

La solvabilité est la capacité d’une institution financière à faire face à ses engagements même en cas de scénario adverse extrême. Ce sous-chapitre distingue deux notions fondamentales de capital. Le capital économique est le montant que l’entreprise estime nécessaire pour couvrir ses risques avec une certaine probabilité, basé sur ses propres modèles internes. Le capital réglementaire (SCR – Solvency Capital Requirement) est le montant imposé par le régulateur. L’analyse se porte sur la tension entre ces deux visions et l’objectif de protéger les assurés et la stabilité du système.

V.2 Mesures de Risque : Value at Risk (VaR) et Expected Shortfall (ES)

Pour quantifier le capital nécessaire, des mesures de risque robustes sont indispensables. La Value at Risk (VaR) est la perte maximale potentielle sur un horizon de temps donné pour un niveau de confiance choisi (ex: 99.5%). Ce segment détaille ses méthodes de calcul (paramétrique, historique, Monte-Carlo) mais en souligne la critique principale : elle n’informe pas sur l’ampleur des pertes au-delà du seuil. L’Expected Shortfall (ES), ou CVaR, est alors introduite comme une mesure cohérente qui calcule l’espérance des pertes dans la queue de distribution, offrant une vision plus prudente du risque extrême.

V.3 Fondements de la Gestion Actif-Passif (ALM)

La gestion ALM vise à coordonner la gestion des actifs et des passifs d’un bilan pour maîtriser les risques de taux, de liquidité et de change. Ce sous-chapitre expose les techniques fondamentales de l’appariement (matching) des flux de trésorerie et de l’immunisation de portefeuille contre les variations de taux d’intérêt. L’analyse des “gaps” de taux et de liquidité permet d’identifier les asymétries et les expositions au risque. L’objectif est de structurer le portefeuille d’actifs pour qu’il génère les liquidités nécessaires au paiement des engagements futurs (sinistres, rentes).

V.4 Cas Pratique : Calcul du Capital de Solvabilité pour une Assurance en Zone CIMA

La Conférence Interafricaine des Marchés d’Assurances (CIMA) régit le secteur dans 14 pays d’Afrique francophone. Ce module applique les concepts vus précédemment au cadre réglementaire CIMA. L’étudiant devra calculer la Marge de Solvabilité minimale requise pour une compagnie d’assurance non-vie fictive. Il devra provisionner les risques techniques en utilisant les ratios prudentiels imposés sur les primes ou les sinistres, et s’assurer que les actifs admis en représentation des engagements respectent les règles de dispersion et de qualité édictées par le régulateur.

ANNEXES

A. Guide de Modélisation ARCH/GARCH sous R avec le package rugarch

Cette annexe est un tutoriel technique destiné à l’Actuaire Risk Manager. Elle fournit un protocole de modélisation complet, du nettoyage des données de séries temporelles financières à l’estimation et la validation d’un modèle GARCH asymétrique (eGARCH) en utilisant le langage de programmation R. Le code commenté guide l’utilisateur dans le choix de la spécification du modèle, l’interprétation des sorties statistiques et la production de prévisions de volatilité. L’objectif est de rendre l’analyste autonome dans sa capacité à quantifier le risque de marché sur un portefeuille d’actions ou un taux de change, une compétence directement monnayable.

B. Vade-mecum du Calcul de la Marge de Solvabilité (Réglementation CIMA)

Destinée à l’Analyste ALM et au Risk Manager opérant en Afrique francophone, cette annexe synthétise les dispositions techniques du Code des assurances CIMA relatives au calcul du capital de solvabilité. Elle traduit les textes réglementaires en une méthodologie de calcul pas-à-pas pour la marge de solvabilité et le minimum de garantie. Des exemples chiffrés illustrent le calcul pour une branche non-vie (basé sur les primes ou les sinistres) et une branche vie (basé sur les provisions mathématiques et les capitaux sous risque). C’est un outil opérationnel pour garantir la conformité réglementaire d’une compagnie.

C. Protocole de Collecte et de Nettoyage de Données Financières en Contexte de Faible Liquidité

Le Modélisateur de risques extrêmes est souvent confronté à la rareté et à la mauvaise qualité des données sur les marchés africains. Cette annexe propose des solutions frugales et robustes à ce problème. Elle détaille des techniques pour reconstituer des séries de prix continues à partir de données transactionnelles sporadiques (interpolation, méthodes de carry-forward). Elle présente également des stratégies pour traiter les données manquantes et les outliers sans biaiser l’analyse de la volatilité. Ce guide pratique est essentiel pour construire des modèles fiables à partir de l’information réellement disponible sur le terrain.

Lire aussi :

Cours de Mathématiques Supérieures en Informatique, master-2, MSI2231

Cours de Métrologie Marine, master-2, MMA2231

Cours de Géophysique de Forage et Surveillance de Réservoir, master-2, GFS2231

Cours de Gestion, analyse des conflits et conception de la négociation, master-2, GAF2231

Cours de Gouvernance : cadre institutionnel et processus, master-1, GOU2122

Cours de Projet Tutoré + Soutenance, master-2, PIL2242