mortables 0.1.0

Tables de mortalité réglementaires françaises et fonctions actuarielles

mortables 📊

Tables de mortalité réglementaires françaises & fonctions actuarielles en Python.

---

Pourquoi ce package ?

Chaque actuaire français a un jour copié-collé des qx depuis un PDF ou un fichier Excel bancal pour les mettre dans un tableur. mortables élimine cette friction :

• 📦 Les tables réglementaires sont embarquées dans le package (pas besoin de connexion internet)
• 🔢 Les fonctions actuarielles classiques sont prêtes à l'emploi (commutations, annuités, primes, provisions)
• 📈 Les graphiques standards sont disponibles en une ligne de code
• 🧪 Le tout est testé et documenté

Installation

pip install mortables

Avec les graphiques (nécessite matplotlib) :

pip install mortables[viz]

Démarrage rapide

Charger une table

from mortables import get_table, list_tables

# Voir les tables disponibles
list_tables()
# [{'id': 'TH0002', 'name': 'TH 00-02', ...}, ...]

# Table du moment (hommes)
th = get_table("TH0002")
th.qx_at(65)       # → 0.0230
th.life_expectancy(0)   # → ~75.8 ans
th.life_expectancy(65)  # → ~16.5 ans

# Table du moment (femmes)
tf = get_table("TF0002")
tf.life_expectancy(0)   # → ~83.0 ans

# Table générationnelle (rentes viagères)
tg = get_table("TGH05", generation=1960)
tg.life_expectancy(65)  # → ~22 ans

Calculs actuariels

from mortables import get_table, life

th = get_table("TH0002")

# Annuité viagère due à 65 ans, taux technique 2%
life.annuity_due(th, age=65, rate=0.02)  # → ~14.5

# Annuité temporaire 10 ans
life.annuity_due(th, age=65, rate=0.02, term=10)  # → ~9.1

# Assurance vie entière
life.whole_life_insurance(th, age=40, rate=0.02)  # → ~0.43

# Temporaire décès
life.term_insurance(th, age=40, rate=0.02, term=20)  # → ~0.05

# Capital différé
life.pure_endowment(th, age=40, rate=0.02, term=20)  # → ~0.59

# Assurance mixte
life.endowment_insurance(th, age=40, rate=0.02, term=20)  # → ~0.64

# Prime pure annuelle (vie entière)
life.net_premium_whole_life(th, age=30, rate=0.02)  # → ~0.007

# Provision prospective
life.reserve_whole_life(th, age_at_issue=30, rate=0.02, duration=20)

Nombres de commutation

from mortables import get_table, life

th = get_table("TH0002")
ct = life.commutation(th, rate=0.02)

ct.Dx[65]  # D65
ct.Nx[65]  # N65
ct.Mx[65]  # M65

Projection de cash flows

from mortables import cashflows

# Portefeuille de rentiers
portfolio = [
    {"age": 65, "annual_rent": 12000},
    {"age": 72, "annual_rent":  8000},
    {"age": 58, "annual_rent": 15000},
]

# Projection sur 40 ans avec un taux d'actualisation de 2%
flows = cashflows.project(portfolio, table="TF0002", years=40, rate=0.02)
print(flows.head())
#    year  expected_payment  survivors  pv_payment
# 0     0          35000.00     3.0000    35000.00
# 1     1          34720.15     2.9812    34038.38
# ...

# Provision totale (Best Estimate Liability)
cashflows.total_provision(portfolio, table="TF0002", years=60, rate=0.02)
# → ~650 000 €

Visualisation

from mortables import viz

# Courbes de mortalité (qx en échelle log)
fig = viz.plot_qx(["TH0002", "TF0002"], log_scale=True)
fig.savefig("qx.png")

# Courbes de survie
fig = viz.plot_survival(["TH0002", "TF0002"])

# Espérance de vie par âge
fig = viz.plot_life_expectancy(["TH0002", "TF0002"])

# Comparaison de deux tables (ratio de qx)
fig = viz.plot_comparison("TH0002", "TF0002", age_range=(30, 90))

# Effet de la génération sur la mortalité
fig = viz.plot_generations("TGH05", generations=[1930, 1950, 1970, 1990])

# Graphique des flux projetés
fig = viz.plot_cashflows(flows)

Export pandas

th = get_table("TH0002")
df = th.to_dataframe()
df.to_excel("TH0002.xlsx", index=False)

Tables disponibles

Identifiant	Nom	Type	Genre	Réglementation	Usage
TH0002	TH 00-02	Moment	Hommes	Arrêté 20/12/2005	Décès, capital
TF0002	TF 00-02	Moment	Femmes	Arrêté 20/12/2005	Décès, capital
TGH05	TGH 05	Générationnelle	Hommes	Arrêté 01/08/2006	Rentes viagères
TGF05	TGF 05	Générationnelle	Femmes	Arrêté 01/08/2006	Rentes viagères

Note : Les tables TGH05/TGF05 sont générationnelles. Il faut préciser l'année de naissance : get_table("TGH05", generation=1960). Générations disponibles : 1900 à 2005.

Fonctions disponibles

Module life

Fonction	Description	Notation
commutation()	Nombres de commutation	Dx, Nx, Sx, Cx, Mx, Rx
life_expectancy()	Espérance de vie résiduelle	ex
annuity_due()	Annuité viagère due	äx, äx:n⌉
annuity_immediate()	Annuité viagère immédiate	ax
whole_life_insurance()	Assurance vie entière	Ax
term_insurance()	Temporaire décès	A¹x:n⌉
pure_endowment()	Capital différé	ₙEx
endowment_insurance()	Assurance mixte	Ax:n⌉
net_premium_whole_life()	Prime pure vie entière	Px
net_premium_term()	Prime pure temporaire	P¹x:n⌉
net_premium_endowment()	Prime pure mixte	Px:n⌉
reserve_whole_life()	Provision prospective	tVx

Module cashflows

Fonction	Description
project()	Projection des flux pour un portefeuille de rentiers
total_provision()	Provision totale (BEL)

Module viz

Fonction	Description
plot_qx()	Courbe de mortalité qx
plot_survival()	Courbe de survie lx
plot_life_expectancy()	Espérance de vie par âge
plot_comparison()	Ratio qx entre deux tables
plot_generations()	Comparaison par génération
plot_cashflows()	Graphique des flux projetés

Développement

git clone https://github.com/yourname/mortables.git
cd mortables
pip install -e ".[dev]"
pytest -v

Voir CONTRIBUTING.md pour contribuer.

Roadmap

• Phase 2 : Analyse d'expérience (ratios A/E), lissage Whittaker-Henderson, graduation de Makeham
• Phase 3 : Modèles de projection (Lee-Carter, CBD), intervalles de confiance
• Tables internationales (HMD)
• Table TGHF05 (non genrée, loi Industrie Verte 2024)
• Tables INSEE annuelles

Licence

MIT