L’IA pour optimiser le pilotage du risque de crédit

La crise de la Covid-19 révèle la nécessité d’une meilleure anticipation des risques.

Les effets de l’épidémie actuelle de Covid-19 sur les entreprises se traduisent par une pression accrue sur leur solvabilité et une augmentation des faillites dont l’ampleur va dépendre de deux facteurs principaux :

– d’une part les mesures économiques mises en place par les banques centrales et les gouvernements (mesures fiscales, garantie de prêts bancaires, chômage partiel…) ;

– et d’autre part, du secteur économique concerné et de la qualité de crédit ou rating de l’entreprise elle-même.

La baisse brutale de l’activité va mécaniquement avoir un effet négatif sur le marché du travail et entraîner une augmentation du chômage. Selon les dernières prévisions économiques de la Commission européenne, le produit intérieur brut de la France devrait se contracter de -10,6 % en 2020 (-6,3 % pour l’Allemagne et -6,6 % pour les États-Unis [1] ).

Ces difficultés économiques, via la dégradation de la solvabilité des entreprises et des particuliers, vont forcément affecter les banques, en entraînant à la fois une hausse des créances douteuses et des pertes de crédit sur de nombreux portefeuilles.

Cette perspective est anticipée par les autorités de régulation telles que l’Autorité de contrôle prudentiel et de résolution (APCR) qui appelle les établissements financiers à s’abstenir de distribuer un dividende pour 2019 et 2020, afin de renforcer leur niveau de fonds propres et être en mesure d’absorber les pertes attendues.

Dans un contexte déjà compliqué de taux bas persistants et de concurrence intense, notamment de la part de nouveaux acteurs, l’apparition d’événements rares aux conséquences encore incertaines démontre l’importance d’une meilleure anticipation du risque de crédit par les établissements. Dans cette perspective, nous proposons d’examiner trois pistes permettant d’améliorer l’estimation des impacts des scénarios économiques, la mesure des paramètres de risque, et conséquemment l’évaluation du risque de crédit. Ces trois pistes sont la qualité des données, l’Intelligence artificielle (IA) appliquée à la modélisation et un modèle de reporting optimisé.

L’amélioration de la qualité des données, un enjeu essentiel

Les banques ont depuis longtemps mis en place des processus de gestion du risque de crédit basés sur l’évaluation des risques futurs à partir des observations passées. Elles ont ainsi développé des modèles pour calculer les paramètres clés du risque de crédit tels que la probabilité de défaut d’un emprunteur (PD) ou la perte attendue en cas de défaut (LGD). Ces modèles sont alimentés avec les historiques de données des portefeuilles de la banque dont l’analyse statistique constitue aujourd’hui la principale source d’information pour le calcul des paramètres et l’évaluation du risque de crédit. Ces données doivent néanmoins être complétées avec des informations externes pour mieux anticiper les risques avec la prise en compte d’événements rares ou extrêmes. C’est notamment ce qui est fait dans le cadre des stress-tests pour évaluer l’impact de scénarios adverses plus ou moins sévères sur les paramètres de calcul des risques. La fiabilité des indicateurs calculés tels que les provisions pour risque de crédit et les RWA (risk-weighted assets) est donc étroitement liée à la qualité des données crédit et clients utilisées.

La qualité de ces données constitue par conséquent un enjeu majeur pour les banques qui cherchent à limiter le niveau des RWA en évitant l’application d’une marge de conservatisme, requise par le régulateur si la qualité des données est jugée insuffisante.

Grâce à l’IA, il est aujourd’hui possible de renforcer l’ensemble de la chaîne de qualité de la donnée, depuis la détection des anomalies jusqu’à leur traitement. La mise en place d’algorithmes auto-apprenants de Machine Learning (ML) permet d’aller au-delà des moteurs de règles métier existants, souvent très complexes mais néanmoins limités, en effectuant des contrôles complémentaires sur un ensemble de données élargi (par exemple, sur l’ensemble des données Finance et Risques) et basés sur l’observation de la répartition statistique des valeurs afin de pouvoir en déduire celles qui sont anormales. De même, la méthode des séries temporelles, fondée sur la détermination des valeurs futures des données modélisées, facilite la détection des variations anormales qui sont identifiées par comparaison entre les données réelles et les données attendues par le modèle.

Une autre solution consiste à accroître la complétude des données existantes en s’appuyant sur les bases de données externes de fournisseurs spécialisés (Fitch, Reuters, Moodys…), en particulier pour les données des clients corporate. Cependant, en pratique, il est souvent peu évident d’établir la correspondance entre les données internes et externes et donc de récupérer les informations manquantes. Un apport décisif des algorithmes de matching basés sur l’apprentissage actif est justement d’optimiser cette mise en correspondance et de permettre d’enrichir automatiquement les référentiels clients dans une perspective d’amélioration continue.

Ce système d’enrichissement automatique des référentiels peut être appliqué à des bases de données de tout type et de toute taille via la mise en place d’environnements cloud sécurisés dont les standards de qualité élevés sont garantis par des algorithmes d’encryptage.

Les bénéfices de ces dispositifs fondés sur l’IA sont réels : optimisation des paramètres et des indicateurs de risques, fiabilisation des reportings tant pour les besoins internes que réglementaires, meilleure efficacité opérationnelle grâce à la réduction des temps de correction des anomalies et l’accélération de la production des rapports.

L’IA au service de la modélisation du risque de crédit

Pour autant, la qualité des données utilisées n’est pas le seul levier d’amélioration du calcul des indicateurs de risques. Perfectionner et accélérer le processus de modélisation du risque de crédit constitue également un objectif majeur pour les établissements financiers.

Traditionnellement, le développement d’un modèle de risque est un processus long qui peut durer plusieurs mois, or, dans un contexte réglementaire sans cesse renouvelé (IFRS 9, IR repair, Bâle IV…) et avec l’évolution rapide des conditions financières et économiques, les établissements doivent aujourd’hui mettre en place ou ajuster leurs modèles dans des délais réduits.

Une approche fondée sur l’IA constitue un élément central de la réponse à ce besoin de réactivité accrue. Le développement des modèles peut être effectué automatiquement en quelques jours à partir de bibliothèques de modèles préétablis. Grâce à des techniques de Reinforcement Learning (RL), des algorithmes de ML choisissent à partir des bibliothèques les meilleurs modèles à développer en fonction de l’évaluation des données disponibles et d’une analyse coût/bénéfice comparée.

Au-delà du choix des modèles, ces solutions qui associent Cloud et IA permettent alors d’optimiser et d’automatiser l’ensemble du processus de modélisation depuis la collecte et l’amélioration des données sources (data cleansing) jusqu’à la production des paramètres de risques. Elles génèrent également la documentation des modèles en vue de leur validation interne ou externe (audit, régulateur…) et assurent leur maintenance et amélioration en continu.

L’utilisation de ces techniques s’accompagne également d’une optimisation des modèles avec une meilleure segmentation de la population de contrats en classes homogènes de risques et une précision plus élevée des paramètres de risque (PD, LGD, CCF…). Le recalibrage des modèles est facilité par la capacité à prendre en compte de nouvelles données dans les calculs.

En dernier lieu, aucune inquiétude pour les risk modellers quant à d’éventuelles décisions autonomes de l’IA : des approches « white-box » tracent et rendent explicables tous les choix de l’IA, les modélisateurs pouvant intervenir dans le processus décisionnel de la plateforme à tout moment pour modifier des paramètres ou ajouter des variables. L’ensemble de ces informations sont enregistrées dans une piste d’audit puis intégrées dans la documentation qui sera notamment remise lors des revues internes ou de l’homologation par le régulateur.

Un reporting fiabilisé et industrialisé

On l’a vu, les paramètres de risque servent à calculer les indicateurs qui sont utilisés pour le pilotage du risque de crédit.

Evidemment, afin d’être communiqué au top management, au régulateur ou aux marchés financiers, les indicateurs sont présentés dans des rapports ou tableaux de bords dont la fiabilité doit être assurée. La production de ces reportings est très consommatrice de temps et de ressources, d’autant plus qu’ils évoluent fréquemment, d’où la nécessité pour les banques d’être agiles et de mettre en place des processus à la fois optimisés et industrialisés.

Pour atteindre ces objectifs d’optimisation, il est tout d’abord nécessaire de mettre en place un socle solide constitué d’une plate-forme centralisée regroupant à un niveau granulaire l’ensemble des données Finance et Risques des portefeuilles. Les indicateurs de risques peuvent alors être calculés à la fois à partir de ces données granulaires et des paramètres produits par les modèles avant d’être stockés à leur tour dans la plate-forme. Toutes les informations nécessaires à la production des reportings deviennent ainsi disponibles dans une même base centralisée et auront pu faire l’objet d’une fiabilisation via les techniques d’IA mises en place.

Le processus de reporting peut lui-même être automatisé en utilisant des solutions de Natural Language Processing (NLP). À partir des règles métier définies et des données de la plate-forme, les reportings sont générés automatiquement par NLP avec différentes typologies de commentaires selon les besoins (évolution des tendances, comparaisons par période, variation des ratios, mise en évidence des principaux contributeurs aux résultats, etc.). Le résultat final peut être obtenu en plusieurs langues, avec un style d’écriture exactement similaire à celui d’un humain et potentiellement adapté à chaque utilisateur.

Les gains constatés lors de la mise en place de ces solutions concernent la réduction des délais de production, une diminution de la charge de travail des équipes de reporting et une amélioration du niveau de service à effectif constant (fiabilité accrue, reportings plus détaillés à des mailles plus fines ou couvrant un périmètre plus large, nouveaux rapports…) ce qui offre alors la possibilité aux équipes de dédier davantage de temps à des analyses à plus grande valeur ajoutée.

Conclusion

L’utilisation de solutions basées sur l’IA aux différentes étapes de la chaîne de valeur apporte ainsi une contribution décisive au pilotage du risque de crédit et ce à plusieurs niveaux : l’anticipation des risques tout d’abord en permettant une mise à disposition plus rapide des indicateurs tels que les provisions ou les RWA, la fiabilité des reportings ensuite, à la fois en termes de précision, de complétude et de cohérence, et enfin la faculté d’offrir une vision élargie fondée sur la prise en compte d’informations nouvelles ou plus détaillées.

Dans une approche pragmatique, une adoption progressive de ces innovations conduit à des gains perceptibles à chaque étape, qui de plus s’additionnent au fil des améliorations successives. Cela permet notamment d’éviter les écueils des projets surdimensionnés ou mal qualifiés.

Ces bénéfices peuvent dès lors être mis à profit par les établissements financiers pour faciliter leur prise de décision au regard de leur profil de risque, ajuster leur business model et renforcer leur compétitivité, et garantir une meilleure communication vis-à-vis des marchés financiers et du régulateur.