Tous les REX Refonte du modèle de PD Banque

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