Modélisation des dépréciations de crédits sous IFRS9

Introduction au risque de crédit en environnement bancaire.

Présentation de la régulation Bâle III.

Présentation des IFRS 9.

Principe de base :

• Problématique autour de l’octroi d’un crédit.

De la représentation comptable des pertes au capital économique.

Composantes du risque de crédit :

• EAD.
• PD.
• LGD.

Indicateurs de tarification :

• Rating.
• Scoring.
• Ranking.

Indicateurs de calculs réglementaires :

• Exigences bâloises en fonds propres.

Les évaluations externes des agences de notation et leur utilisation dans l’approche standard du risque de crédit.

Vers la construction de modèles de notation interne.

Règles pour un système de notation interne efficace et exigences minimales en approche IRB.

Panorama de méthodes de notation interne

• Illustration 1 : modèles quantitatifs de credit-scoring.
• Illustration 2 : modèles qualitatifs de notations.

Illustration 3 :  analyse des états financiers.

Cycle de vie d’un modèle de crédit :

• Collecte des données.
• Sélection de modèle.
• Calibrage du modèle.
• Implémentation du modèle.

Validation de modèle.

Éléments d’analyse statistiques :

• Décision et inférence statistique.
• Application à l’inférence par maximum de vraisemblance.
• Introduction aux mesures de risque.

Éléments de modélisation statistique :

• Introduction aux processus stochastiques.

Application au mouvement brownien et au processus de Poisson.

Les modèles empiriques :

• Principes.
• Exemples de modèles empiriques.

Les modèles statistiques :

• Principes.
• Modèles de classification.
• Modèles de régression.

Les modèles théoriques :

• Principes.
• Les modèles structurels.

Les modèles à intensité.

Dynamique d’un événement de crédit et évaluation Discounted Cash-Flow (DCF)

• Cycle de vie d’un crédit.
• Principes du DCF.
• Modélisation de scénarios économiques.

Stratégies de modélisation de l’Exposition Au Défaut (EAD) :

• Principes de calcul.
• Prise en compte de la variabilité des expositions.

Prise en compte des éléments hors bilan.

Modélisation de la perte en cas de défaut (LGD) :

• Modèles statistiques pour la LGD.
• Modélisation des pertes pour des prêts garantis.

Modélisation de la Probabilité de Défaut (PD) :

• Modèles statistiques pour la PD.
• Intégration de scénarios économiques.

Application à la construction d’un score de crédit :

• Principes.
• Mise en œuvre des outils de Machine Learning.

De l’Expected Loss (backward looking) aux provisions IFRS9 (forward looking).

• Différence entre la PD prudentielle et la PD comptable.
• Différence entre le modèle de LGD utilisé en prudentiel et la LGD comptable.

Différence entre le calcul de EL en prudentiel et le calcul de ECL en IFRS9.

Dynamique des défauts dans un cadre markovien : introduction aux migrations de ratings.

Modélisation PD à 1 an vs PD « Lifetime ».

Prise en compte explicite des garanties et cautions.

Données rares et portefeuilles à faibles taux de défaillance.

Compétition de risques de crédit.

Vers des modèles de simulation.

Besoins autour d’une gouvernance des modèles.

Revue de la qualité des données.

Revue des choix méthodologiques autour de la sélection des modèles.

Mise en place des tests de validation.

Communication des résultats du modèle aux parties prenantes.

Synthèse des deux journées.

Évaluation de la formation.