Refonte du modèle de PD Banque
#Nexialog
CONTEXTE
- Le client est une banque publique développement créée en 2013 pour rependre le périmètre français de DEXIA.
- Le modèle banque actuellement en production a été hérité de DEXIA, il s’agit d’un shadow-model répliquant la note Fitch développé en 2012.
- En 2019, la mission d’audit de la BCE a souligné plusieurs carences, concluant à l’obsolescence du modèle :
- Datation du modèle
- Manque de représentativité de l’échantillon de modélisation
- Problèmes méthodologiques lors de la modélisation
- Il a donc été décidé de refondre entièrement le modèle :
- La base du modèle reste la réplication de la note Fitch pour évaluer la qualité de crédit intrinsèque des contreparties (avant application du support, du seuil pays et Override).
- L’architecture du modèle évolue pour ajouter une couche experte ajustant cette note intrinsèque.
- La réplication de la note Fitch, ainsi que la faible taille du portefeuille banque et de l’historique de ce groupe bancaire imposent l’achat de données à Fitch pour la constitution de la base de modélisation.
TYPE DE MISSION
- Modélisation quantitative : dans le contexte décrit ci-dessus, la mission consiste à développer entièrement le modèle quantitatif répliquant la Note Fitch.
OUTILS UTILISÉS
- Matlab, R, SQL
- FitchConnect
TRAVAUX RÉALISÉS
- Analyse de l’existant :
- Compréhension du modèle en production et des recommandations BCE
- Appropriation des programmes Matlab
- Etudes préliminaires
- Définition de l’expression de besoin pour l’import des données Fitch
- Time-lag, représentativité du périmètre et de l’historique
- Construction de la base de modélisation
- Application du Time-Lag
- Qualité des données : gestion des valeurs manquantes et extrêmes
- Discrétisation des variables continues
- Estimation du modèle
- Analyse univariée et multivariée, estimation de la fonction de score (régression logistique ordinale)
- Transformation de variable et prise en compte des ajustements experts
- Recalibration des seuils de la fonction de score pour attribution de la classe de risque (calibration des thêtas)
- Evaluation du modèle
- Analyse de la performance du modèle (discrimination, stabilité, sensibilité)
- Basktesting de la calibration des PD de la master-scale si défauts observables
- Etude d’impact
RÉSULTATS
- Pas de résultats déjà disponibles
