Mémoires d'Actuariat
Risk Weighted Assets : Estimation de l’effet des paramètres
Auteur(s) TOSSOU C. R.
Société Société Générale
Année 2023
Confidentiel jusqu'au 15/03/2025
Résumé
La globalisation a entraîné ces dernières années une interdépendance très accrue entre les pays, rendant ainsi la propagation de toute défaillance financière très aisée. Pour prévenir les crises futures, le comité de Bâle a donc émis une formule de mesure des exigences en fonds propres nécessaires à faire face dans 99,9% des cas aux pertes extrêmes potentielles. Il s’agit de la formule réglementaire de calcul du risk weighted assets (RWA). Cette formule, issue du modèle monofactoriel de Gordy-Vasicek, repose sur un ensemble d’hypothèses en faible concordance avec la réalité économique. Une alternative serait de faire appel à une généralisation multifactorielle de la formule réglementaire. Cette solution, bien que pertinente, induit une complexité plus grande dans l’évaluation du risque de crédit. Ainsi, nous proposons une estimation pertinente des effets des paramètres de la formule réglementaire qui aura l’intérêt de fournir une interprétation et un monitoring plus aisés du risque de crédit. Cette dernière information permettrait, d’un point de vue bancaire, d’avoir une idée très précise des modèles nécessitant une attention plus particulière. Pour répondre à cette problématique, ce mémoire est subdivisé en deux parties. La première fait une revue de l’évaluation du risque de crédit dans un contexte bâlois. La deuxième partie s’articule autour de deux axes. Le premier sert à l’approximation de la formule réglementaire de manière analytique et par modélisation. Le second fournit les outils nécessaires à l’estimation de l’effet des paramètres de la formule réglementaire sur les variations du risque. Mots clés : Risk Weighted Assets (RWA), risque de crédit, Bâle, effet marginal, machine learning.
Abstract
Globalization has in recent years led to a very increased interdependence between countries, making the spread of any financial failure very easy. In order to prevent future crises, the Basel Committee therefore issued a formula for measuring the capital requirements needed to deal with potential extreme losses in 99.9% of cases. This is the regulatory formula for calculating risk weighted assets (RWA). This formula derived from the Gordy-Vasicek monofactorial model is based on a set of hypotheses that are not in line with economic reality. An alternative would be to use a multi-factor generalization of the regulatory formula. This, while relevant, solution leads to greater complexity in the assessment of credit risk. Thus, we propose a relevant estimation of the effects of the parameters of the regulatory formula that will have the advantage of providing easier interpretation and monitoring of credit risk. From a banking point of view, this latter information would give a very precise idea of the models requiring more attention. To address this issue, this brief is divided into two parts. The first part reviews the assessment of credit risk in a Basel context. The second part focuses on two areas. The first is used to approximate the regulatory formula analytically and by modelling. The second axis provides the tools for estimating the effect of the regulatory formula parameters on risk variations. Key words: Risk Weighted Assets (RWA), credit risk, Basel, marginal effect, machine learning.
Auteur(s) TOSSOU C. R.
Société Société Générale
Année 2023
Confidentiel jusqu'au 15/03/2025
Résumé
La globalisation a entraîné ces dernières années une interdépendance très accrue entre les pays, rendant ainsi la propagation de toute défaillance financière très aisée. Pour prévenir les crises futures, le comité de Bâle a donc émis une formule de mesure des exigences en fonds propres nécessaires à faire face dans 99,9% des cas aux pertes extrêmes potentielles. Il s’agit de la formule réglementaire de calcul du risk weighted assets (RWA). Cette formule, issue du modèle monofactoriel de Gordy-Vasicek, repose sur un ensemble d’hypothèses en faible concordance avec la réalité économique. Une alternative serait de faire appel à une généralisation multifactorielle de la formule réglementaire. Cette solution, bien que pertinente, induit une complexité plus grande dans l’évaluation du risque de crédit. Ainsi, nous proposons une estimation pertinente des effets des paramètres de la formule réglementaire qui aura l’intérêt de fournir une interprétation et un monitoring plus aisés du risque de crédit. Cette dernière information permettrait, d’un point de vue bancaire, d’avoir une idée très précise des modèles nécessitant une attention plus particulière. Pour répondre à cette problématique, ce mémoire est subdivisé en deux parties. La première fait une revue de l’évaluation du risque de crédit dans un contexte bâlois. La deuxième partie s’articule autour de deux axes. Le premier sert à l’approximation de la formule réglementaire de manière analytique et par modélisation. Le second fournit les outils nécessaires à l’estimation de l’effet des paramètres de la formule réglementaire sur les variations du risque. Mots clés : Risk Weighted Assets (RWA), risque de crédit, Bâle, effet marginal, machine learning.
Abstract
Globalization has in recent years led to a very increased interdependence between countries, making the spread of any financial failure very easy. In order to prevent future crises, the Basel Committee therefore issued a formula for measuring the capital requirements needed to deal with potential extreme losses in 99.9% of cases. This is the regulatory formula for calculating risk weighted assets (RWA). This formula derived from the Gordy-Vasicek monofactorial model is based on a set of hypotheses that are not in line with economic reality. An alternative would be to use a multi-factor generalization of the regulatory formula. This, while relevant, solution leads to greater complexity in the assessment of credit risk. Thus, we propose a relevant estimation of the effects of the parameters of the regulatory formula that will have the advantage of providing easier interpretation and monitoring of credit risk. From a banking point of view, this latter information would give a very precise idea of the models requiring more attention. To address this issue, this brief is divided into two parts. The first part reviews the assessment of credit risk in a Basel context. The second part focuses on two areas. The first is used to approximate the regulatory formula analytically and by modelling. The second axis provides the tools for estimating the effect of the regulatory formula parameters on risk variations. Key words: Risk Weighted Assets (RWA), credit risk, Basel, marginal effect, machine learning.
