top of page

Comment intégrer les critères ESG dans l'allocation stratégique d'actifs

La prise de conscience des impacts du changement climatique sur le secteur assurantiel a conduit à une mobilisation croissante des acteurs et des autorités de contrôle. Les réglementations incitant à la réorientation des capitaux vers des fonds durables se renforcent, incitant le secteur financier à ajuster ses stratégies. Dans ce contexte, les compagnies d'assurance doivent s'adapter, notamment en repensant leurs méthodes de gestion actif/passif.


L’objectif de cet article est de présenter une méthode permettant d’intégrer, via une segmentation au sein de la classe action, des critères ESG dans l’allocation stratégique d’actifs.


Pour effectuer cela, l’approche adoptée consistera à créer deux indices qui serviront à projeter les actions. Ensuite, différentes allocations comportant des proportions variées d’action ESG et non ESG seront analysées.


1. Construction des indices actions


Le périmètre porte sur les principales entreprises européennes. A l’issue du traitement des données, 106 entreprises sont retenues pour l’analyse. Pour chacune de ces entreprises, nous disposons d’un ensemble de données comprenant l’historique des cours boursiers ainsi que cinq variables ESG.


Afin de construire les deux indices actions, des méthodes de clustering ont été mises en place pour regrouper les entreprises selon des groupes homogènes d’un point de vue ESG.


Les analyses ont conduit à retenir la méthode des k-means. Toutefois, les résultats découlant de cette méthode dépendent du positionnement initial des points et nécessitent la spécification préalable du nombre de classes. Pour pallier ces limites, des méthodes visant à évaluer la qualité du regroupement et à déterminer le nombre optimal de classes ont été mises en œuvre.


Les résultats de l’ACP ont été utilisés en entrée des k-means afin d’éviter les problèmes liés aux corrélations. Cette méthode permet également d’améliorer la stabilité des résultats.


Les coefficients de Silhouette, Dunn et Davies-Bouldin ont ensuite été calculés pour déterminer le nombre de classe optimal.


À la suite de plusieurs analyses, le choix s’est porté sur un regroupement en 2 classes avec 18 entreprises non ESG et 88 entreprises ESG. La classification finale représentée sur le premier plan principal est exposée ci-dessous :





A partir de ces résultats, les deux indices ont pu être construits et étudiés.



Les deux indices suivent des tendances similaires avec une baisse en mars 2020 due à la crise du Covid et cette chute est légèrement plus prononcée pour l’indice ESG. Une surperformance de ce dernier est ensuite observée ainsi que des fluctuations plus marquées, indiquant une volatilité plus élevée de l’indice ESG.


Ces observations graphiques sont confirmées par le calcul de la volatilité annualisé et de la performance annuelle moyenne (respectivement 7,09% et 24,9% pour l’indice ESG et 3,34% et 23,32% pour l’indice non ESG).


Les indicateurs ont ensuite été utilisés lors de l’allocation stratégique d’actifs afin de modéliser les deux indices actions.



2. Allocation stratégique d’actifs


L’allocation stratégique d’actifs est réalisée sur un portefeuille réel d’une compagnie d’assurance vie qui propose des produits épargnes et retraites et dont les données ont été anonymisées. Un large panel d’actifs a été testé au sein des allocations.


Une première analyse a été réalisée en univers monde réel sur 144 allocations. Afin d’éviter les forts changements au sein du portefeuille lors de la première année, la réallocation a été effectuée sur une période de 3 ans.


L’objectif était d’obtenir une frontière efficiente. Pour ce faire, les indicateurs de performance et de risque étaient respectivement, une moyenne et un quantile à 5% de la somme des produits financiers sur 5 ans et des plus ou moins-values latentes R343-10 à 5 ans.


La frontière efficiente obtenue est représentée sur le graphique ci-dessous :



La frontière est inversée par rapport à une frontière de Markovitz classique car l’indicateur de risque utilisé est le quantile d’un gain et non pas l’écart-type. Par ailleurs, le point CAA (Current Asset Allocation) correspond à l’allocation initiale.


Six allocations efficientes sont identifiées. L’allocation 102 permet d’optimiser le rendement tout en maintenant un niveau de risque équivalent à l’allocation initiale. Les allocations 91, 92 et 93 sont prudentes, elles permettent de réduire le risque. De leur côté, les allocations 105 et 108 maximisent le rendement.


La nette différence de performance entre les deux indices actions s’est reflétée lors de l’allocation stratégique d’actifs où une préférence a été accordée à la classe ESG plutôt qu’à la classe non ESG.


Une deuxième analyse a ensuite été effectuée afin d’évaluer les impacts Solvabilité 2 sur ces allocations efficientes. Une projection type ORSA en déterministe monde réel sur 5 ans, puis stochastique risque neutre a donc été réalisée. Le SCR a été calculé ainsi qu’une série d’indicateurs complémentaires afin de déterminer l’allocation optimale.



3. Conclusion


La mise en œuvre de méthodes de classification a permis de regrouper les entreprises selon deux groupes distincts : l’un ESG et l’autre non ESG. Cette segmentation a servi de base pour la création de deux indices boursiers qui ont ensuite été utilisés lors de l’allocation stratégique d’actifs.


Cette étude montre qu’il est possible de construire de manière objective des indices très différents en se basant sur des variables ESG. Cette distinction élargit les perspectives en matière d’allocation stratégique d’actifs, en créant un levier d’action additionnel et en permettant d’effectuer des combinaisons d’actifs supplémentaires, pour obtenir de nouvelles opportunités de performance. Par ailleurs, les compagnies d’assurance pourraient mettre en œuvre cette approche en l’adaptant à leurs propres portefeuilles.


Certaines limites ont néanmoins été mises en évidence et pourraient faire l’objet d’une étude supplémentaire.


Tout d’abord, l’horizon temporel pour les données boursières est restreint et comprend les récentes périodes de crises (Covid et guerre en Ukraine). Ensuite les données extra financières proviennent d’un unique fournisseur et une analyse des éventuelles divergences de regroupement en fonction des fournisseurs aurait pu être intéressante. De plus, l’analyse pourrait être enrichie en incluant un plus grand nombre de variables ESG. Cependant, il est à noter que l’utilisation de données publiques dans le cadre de cette étude est intéressante pour la reproductibilité de l’analyse.


Ensuite, il est important de noter que la diversification au sein des deux indices constitue une limite à prendre en considération. En entreprenant une évaluation plus approfondie de cette diversification, il serait possible de réduire l’impact de ces biais potentiels. Cette démarche renforcerait la faisabilité de l’approche pour les compagnies, en leur permettant d’avoir une vision plus claire des risques et des rendements.


Toutefois, bien que certaines limites puissent être présentes, les résultats de cette étude suggèrent que l’intégration de critères ESG en segmentant les actions selon deux groupes différents semble tout de même intéressante. Cette approche pourrait ainsi être adoptée par les compagnies d’assurances.


Par ailleurs, cette méthode pourrait également être mise en place dans le cadre d’un ORSA en choquant notamment les actions ESG et les actions non ESG de manière différente.


Comments


bottom of page