Le modèle de gestion du risque opérationnel
Alors que la gestion du risque de crédit tente de calculer la couverture en capital requise en utilisant des formules plus ou moins complexes et les informations disponibles au niveau des comptes et des clients, les établissements adoptent une approche différente de la gestion du risque opérationnel : d'une part, ils collectent les pertes passées dans une base de données des pertes et, d'autre part, ils procèdent à un inventaire des risques pour les pertes éventuelles. Les risques identifiés sont ensuite évalués et les possibilités de gestion de ces risques sont examinées. Bien que le processus d'inventaire des risques, en particulier, soit considérablement plus complexe qu'une approche purement analytique, l'avantage est que la connaissance experte de la situation des risques a été utilisée pour déterminer et quantifier les risques. L'acceptation des résultats est donc essentiellement plus élevée lorsque l'on utilise un ensemble de formules prescrites de l'extérieur.
La constitution et l'utilisation d'une base de données des pertes dans la gestion du risque de crédit
La constitution d'une base de données des pertes pour les portefeuilles de crédit ne devrait pas poser de problème à une banque. Le montant des pertes est mis à la disposition du Contrôle de gestion sous forme d'allocations à des corrections de valeur individuelles ou d'une écriture de dépréciation pour chaque compte. Mieux encore, les banques effectuent un calcul détaillé du résultat du risque de crédit. Outre le simple calcul du coût réel du risque, cela permet également une différenciation en fonction de la solvabilité, des garanties et des effets de l'échéance. Sur la base des variations de la valeur du portefeuille de primes, il est donc facile d'analyser les périodes au cours desquelles les pertes réelles ont été supérieures aux défauts attendus couverts par les primes de risque calculées, même sans intelligence artificielle.
Limites des modèles de portefeuille de crédit existants
La question intéressante est maintenant de savoir quelles données expliquent ces écarts, en particulier à la hausse. Et c'est là qu'intervient l'intelligence artificielle. Dans les modèles classiques de portefeuille de crédit, les corrélations observées pour une économie sont généralement utilisées pour calculer une valeur de crédit à risque. Ainsi, lorsqu'un risque de crédit est utilisé, la corrélation des défauts de paiement dans différents secteurs est utilisée comme entrée. Celles-ci peuvent être déterminées à l'échelle nationale et facilement calculées à l'aide des séries chronologiques par défaut de l'Office fédéral de la statistique. S'il existe des risques dits de cluster parce que les parts d'exposition d'un ou de plusieurs secteurs au sein d'un portefeuille de crédit sont dominantes, cela entraîne une hausse de la valeur du crédit à risque.
Le problème se pose, par exemple, avec les banques opérant au niveau régional. Pour un établissement opérant dans une région précise, une répartition de l'exposition de crédit entre divers secteurs (commerce de détail, construction, pièces détachées pour véhicules) aura relativement peu d'effet sur le niveau de la valeur du crédit à risque, car dans ce cas, les défauts de paiement sont beaucoup plus étroitement liés à l'industrie automobile qu'à l'échelle nationale. Et si le portefeuille de prêts d'une banque est principalement composé de clients privés, il n'y a généralement aucune information valable sur la corrélation des probabilités de défaillance.
L'intégration de l'intelligence artificielle et de l'inventaire des risques
L'IA peut être utilisée pour affiner et étendre la gestion des risques. Aujourd'hui, les systèmes intelligents et d'apprentissage permettent d'examiner de grandes quantités de données de manière beaucoup plus précise en ce qui concerne les dépendances et les interactions existantes. Il n'est donc plus absolument nécessaire de se limiter à des facteurs de risque prédéfinis dans un modèle de portefeuille de crédit. Les banques qui opèrent au niveau régional ou dans un environnement particulier peuvent plutôt identifier précisément les paramètres qui entraînent des pertes supérieures à la moyenne ou importantes. Il est utile ici de savoir si les facteurs de risque ont été identifiés dans le cadre d'un inventaire des risques. Il peut s'agir de régions, de clients, de secteurs ou de types de garanties pertinents, par exemple.
Les banques peuvent ainsi concentrer leur enquête sur les dépendances des pertes sur ces paramètres de risque. Comme pour la gestion du risque opérationnel, cela permet de déterminer des indicateurs d'alerte précoce spécifiques aux activités d'une banque et de quantifier les risques de manière dynamique en fonction de l'évolution de l'environnement général. Contrairement aux modèles de portefeuille qui utilisent des corrélations industrielles, des indicateurs d'alerte précoce individuels peuvent être déterminés et utilisés. Un exemple construit : Si le taux de divorce augmente, la probabilité de défaillance des pharmaciens augmente. Et si une augmentation du taux de divorce est ensuite observée, une banque peut réduire son exposition aux pharmacies.
Le repositionnement dans l'esprit améliore la gestion des risques
Une autre valeur ajoutée de l'IA pour la gestion des risques est son dynamisme. Les modèles classiques de portefeuille de crédit calculent une valeur de crédit à risque identique pour un portefeuille statique jusqu'à ce que les paramètres de calcul soient ajustés. Grâce aux Big Data, les systèmes d'auto-apprentissage sont capables d'évaluer les risques à des horizons définis et de réagir rapidement à l'évolution des conditions. Une condition préalable, cependant, est de fournir une base de données capable de dériver des corrélations significatives pour la gestion des risques de crédit. En combinaison avec la création d'une base de données des pertes et d'un inventaire des risques, l'intelligence artificielle est un complément utile et un contrôle de plausibilité pour les processus manuels. Dans un environnement de marché positif, le capital-risque requis peut être libéré. Dans un environnement négatif, une banque peut réagir rapidement à la situation en prenant des mesures de réduction des risques, par exemple en restructurant son portefeuille de prêts.
La condition préalable encore plus importante est que les banques s'écartent de leur raisonnement éprouvé. C'est pourquoi c'est moins l'aspect technique de l'IA que l'explication de la méthodologie et des possibilités qui prend le plus de place dans cet article de blog. Seule l'adaptation des processus d'entreprise, nécessaire dans le cadre de l'intégration de l'intelligence artificielle, permettra de réduire les coûts de la gestion des risques ainsi que de réduire les risques qui deviennent perceptibles. Le changement numérique récompense le re-parking dans la tête !
