Titrisation 2.0 : surmonter les obstacles réglementaires

Alors qu’un nombre croissant d’institutions a recours à la titrisation pour transférer leur risque de crédit à d’autres via un véhicule ad hoc, les progrès de la modélisation statistique et de la quantification du risque de crédit à travers l’utilisation de grandes masses de données ont encouragé les émetteurs à utiliser une gamme plus large de types d’actifs.

L’intelligence artificielle (IA) peut assurément apporter son lot d’avantages en impactant de façon significative l’efficacité, la transparence et la gestion du risque de crédit dans les process de titrisation. En effet, l’analyse prédictive basée sur l’IA via le traitement de très vastes ensembles de données historiques (profils emprunteurs, caractéristiques des prêts, historiques de paiement, performances des portefeuilles) peut permettre une meilleure évaluation du risque des actifs sous-jacents. Par conséquent, les institutions bancaires seraient en mesure de proposer des actifs de meilleure qualité pour la titrisation, réduisant ainsi le risque de contagion au sein de la sphère financière.

Aussi, l’utilisation d’algorithmes avancés et des techniques de machine learning peut jouer un rôle déterminant dans l’optimisation de la composition des pools des actifs au sein des structures de titrisation. Ainsi, l’identification des combinaisons maximisant la performance des portefeuilles et minimisant le risque de crédit viendrait contribuer à de meilleurs rendements pour les investisseurs, ajustés au risque pour les produits titrisés.

Dans la même optique, la création de classes subordonnées (tranching) effectuée lors de la structuration financière des opérations de titrisation peut bénéficier de l’application de modèles de scoring de type machine learning. En effet, une évaluation plus pointue de la probabilité de défaut des débiteurs ainsi que des pertes attendues permettrait d’améliorer la transparence et l’évaluation des risques des produits titrisés. Par ricochet, les décisions des investisseurs seraient plus éclairées.

Enfin, le monitoring des portefeuilles titrisés rend déjà possible aujourd’hui la mise en place et le suivi d’indicateurs clés (flag défaut, impayé, taux d’amortissement, volumétries des pertes en nombre et en montant, etc.) gagnerait en performance. Le développement de systèmes d’alerte précoce basés sur des algorithmes d’IA permettrait d’identifier plus efficacement les signes avant-coureurs de détérioration de la qualité du crédit des actifs sous-jacents. Cela entraînerait une gestion proactive des risques, réduisant l’impact d’évènements adverses sur les produits titrisés.

L’adoption de l’IA dans la gestion du risque de crédit en titrisation est en marche mais doit se confronter à des défis de taille.

Le défi majeur posé par son utilisation dans la gestion du risque de crédit en titrisation est sans nul doute la réglementation. En effet, la titrisation est soumise à un cadre réglementaire précis visant à garantir la transparence, à protéger les investisseurs et à maintenir la stabilité des marchés financiers. Dans ce contexte, la publication du règlement de titrisation de l’Union européenne, en vigueur depuis le 1^er janvier 2019, établit via le label STS (simple, transparent et standardisé) un cadre de titrisation standardisé pour toutes les opérations effectuées en Europe. En parallèle, diverses réglementations, notamment Bâle III et le Dodd-Franck Act (États-Unis) ont introduit des règles spécifiques pour le traitement des fonds propres réglementaires des expositions de titrisation (calcul des Risk-Weighted Assets – RWA, exigences de rétention des risques, normes de due diligence) ainsi que des exigences de divulgation pour les titres adossés à des actifs (Asset-Backed Securities – ABS).

Dans cet environnement normé, les institutions devront se concentrer sur le développement et l’utilisation de modèles d’IA facilement interprétables et surtout auditables, afin de répondre aux exigences réglementaires de transparence. Cela va, de facto, influencer le choix des technologies d’IA, donnant la priorité aux solutions qui offrent des capacités complètes d’audit et de reporting. Le défi d’un potentiel ralentissement de la marche de l’innovation du fait d’une limitation aux techniques regulatory compliant est à considérer.

À moyen terme, les prochains changements réglementaires mettront l’accent sur l’importance des considérations éthiques de l’IA et des pratiques responsables en la matière. Les banques seront encouragées à adopter des technologies qui respectent des directives éthiques bien définies afin de s’aligner sur les attentes réglementaires. En outre, les institutions devront montrer patte blanche quant à l’utilisation des données confidentielles dans les outils de monitoring des risques. L’intégration de l’IA peut soulever des inquiétudes par rapport à la sécurité et la protection des informations des consommateurs.

Enfin, l’adoption de masse des outils basés sur l’IA peut représenter un autre défi. En effet, l’implémentation qui nécessite des investissements dans les infrastructures peut s’avérer coûteuse en ressources. En parallèle, l’intégration de nouveaux outils pour les opérations de titrisation demandera une mise à niveau des systèmes informatiques ainsi qu’une formation des analystes. Ces éléments peuvent constituer un frein à l’utilisation généralisée de l’IA pour les opérations de titrisation.