Refonte d’un modèle de PD sur un portefeuille de client « Banques et institutions financières»
CONTEXTE
Le modèle banque actuellement en production a été hérité, il s’agit d’un modèle de Shadow rating 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 :
- Le modèle est daté
- 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 prendre en compte 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 notre client, impose 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
- Microsoft Office
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 univarié et multivarié, 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
