Next Finance English Flag Drapeau Francais
Emploi Formation Rechercher

Perspectives de la modélisation financière aux lendemains de la crise de 2008

L’étude de MathWorks, intitulée « Modeling and Analysis in the Wake of the Global Financial Crisis : The Financial Services Perspective », a permis d’établir une cartographie des éléments qui structurent l’industrie financière d’un point de vue des techniques quantitatives...

MathWorks, l’éditeur des logiciels scientifiques Matlab et Simulink, vient de publier la dernière édition de son livre blanc, une étude sur le rôle et les perspectives de la modélisation dans l’industrie financière aux lendemains de la grande crise de 2008. L’étude, intitulée « Modeling and Analysis in the Wake of the Global Financial Crisis : The Financial Services Perspective », est une enquête réalisée auprès de 43 experts provenant d’horizons professionnels divers qui ont répondu à un certain nombre de questions sur leurs activités (banques d’investissement dont 4 appartenant au top 10 mondial, gestion d’actifs, assurances, brokers et universitaires).

Les analystes de MathWorks ayant réalisé l’enquête ont ainsi pu établir une cartographie des éléments qui structurent l’industrie financière d’un point de vue des techniques quantitatives. Et comme premières conclusions : 88% des institutions financières pensent qu’elles perdraient leur avantage concurrentiel si elles utilisaient des modèles inadaptés et 79% du panel interrogé pense que leurs profits pourraient diminuer dans ce même cas de figure. Enfin, 83% des professionnels interrogés ont affirmé que leurs entreprises étaient en train d’essayer d’améliorer leurs capacités de développement et de mise en production des modèles.

L’enquête de MathWorks démontre par la suite une certaine disparité dans la perception des modèles selon le positionnement des institutions en sell-side (banques d’investissements) ou en buy-side (sociétés de gestion, assurances, fonds de pension, etc). En effet, les experts des banques semblent, par exemple, bien plus inquiets que les assureurs quant à l’impact des modèles sur leur business : 89% des institutions buy-side ont ainsi estimé que leurs profits pourraient diminuer à cause de modèles inadaptés contre seulement 67% des entreprises sell-side. Les deux types d’institutions se rejoignant sur l’aspect « risques » puisque que 50% des sell-side et 50% des buy-side ont estimé que des modèles inefficients feraient augmenter leurs risques.

Le rôle potentiellement néfaste des modèles dans la gestion des risques a été bien souligné dans l’enquête puisque 74% des experts ont pensé que des développements de modèles en déphasage avec les bouleversements du marché rendraient leurs entreprises plus vulnérables, une majorité des participants remettant d’ailleurs en question l’efficacité de la VaR. Et pour un des experts cités, « la VaR est une mesure de risque douteuse mais elle est utilisée parce qu’elle demeure la mesure la plus usuelle et la plus reconnue sur le marché ».

La VaR étant perçue comme étant beaucoup trop simpliste, les experts ont estimé que l’Expected Shortfall était probablement la future mesure de risque alternative.

L’attitude au regard de la complexité des modèles, aussi abordée dans l’étude, montre quelques disparités légères entre institutions buy-side et sell-side. En effet, les banques, qui étaient à l’avant-garde de la complexité avant la crise, sont revenues aux fondamentaux et à la simplicité. Les sociétés de gestion et les autres institutions sell-side, quant à elles, s’orientent de plus en plus, à contrario, vers la complexité en terme de modélisation avec pour objectif principal d’améliorer la précision de leurs calculs mais aussi en vue de mettre en avant auprès de leurs clients une expertise technique et un avantage compétitif en comparaison de leurs concurrents, rappelle l’enquête.

Au delà de la complexité, la plupart des experts ont estimé que les modèles devaient d’abord être utilisables en pratique, avant tout, et que les hypothèses sous-jacentes devaient être les plus adaptées possibles à la réalité des marchés.

L’hypothèse d’une copule gaussienne dans la modélisation du risque de crédit a par exemple été un des éléments critiques dans la crise du crédit immobilier en 2008, souligne l’enquête de MathWorks, rappelant qu’il existe cependant un certain consensus sur les pratiques de modélisation au sein des institutions financières puisque 70% des entreprises interrogées utilisent des techniques de Monté-Carlo, 72% des séries temporelles, 72% des régressions et 70% des techniques d’optimisation.

La technique ayant reçu les réactions les plus différenciées est l’apprentissage automatique (machine learning).

Issue de l’intelligence artificielle, elle permet à une machine d’effectuer via un processus d’apprentissage des tâches d’automatisation qu’un algorithme normal ne pourrait réaliser. Compte tenu des gros volumes de données à traiter par les institutions financières aujourd’hui, l’enquête rappelle que cette technique est parfaitement adaptée aux réalités des marchés et qu’elle permettrait l’optimisation des stratégies de trading, l’amélioration des choix d’investissement ou encore la lutte contre la fraude. C’est un nouveau champ de recherche à explorer pour les praticiens et les institutions qui ont commencé à s’y intéresser maintiennent la charge pour se démarquer de la concurrence, poursuit l’étude de MathWorks sur ce sujet.

Concernant la mise en production des modèles, la plupart des institutions ont reconnu que c’était là aussi un enjeu majeur pour elles et que l’incapacité à rapidement s’adapter au marché était un problème, que ce soit en termes de gestion des risques qu’en maximisation des profits. 14% seulement des entreprises ont reconnu pouvoir intégrer un modèle dans leurs processus en quelques heures contre 51% d’institutions où cela prenait plusieurs mois. L’étude a mis en avant les 4 barrières principales, telles qu’identifiées par le panel d’experts, à la rapidité d’une mise en production de modèles : le code, la correction des bugs, les tests et le processus de validation, avec quelques différences dans la perception de l’importance de ces blocages. 82% des institutions buy-side (contre 51% sell-side) ont estimé que c’était le temps de développement leur challenge majeur quand 31% des entreprises sell-side (contre 18% buy-side) jugeaient que le processus de validation était la première barrière.

Pour finir, les entreprises qui ont participé à l’étude de MathWorks ont mis en exergue l’importance fondamentale que recouvrait la gestion des données pour la survie de leur business. 68% des professionnels (82% des sell-side contre 60% des buy-side) ont ainsi affirmé que travailler avec des données fiables et de bonne qualité était un défi majeur pour leur institution même si seulement 38% de l’ensemble des experts ont estimé que le volume des données était problématique : « ce n’est pas la quantité de données qui compte, c’est comment vous les utilisez », ont-ils rappelé.

Et un gérant de fonds, cité dans l’étude, de conclure : « Nous rencontrons plus de problèmes avec les données simulées qu’avec les données réelles », mettant ainsi en avant le challenge dans le traitement des données qui est le leur.

L’ensemble de l’enquête de MathWorks avec les graphiques est disponible en ligne via le site de l’éditeur : http://www.mathworks.fr/programs/other/modeling-analysis-financial-services-perspective.html?s_eid=PEP_5350

Maxime Onan Octobre 2013

Voir en ligne : La dernière édition de son livre blanc, une étude sur le rôle et les perspectives de la modélisation dans l’industrie financière aux lendemains de la grande crise de 2008

Tags


Partager

Facebook Facebook Twitter Twitter Viadeo Viadeo LinkedIn LinkedIn

Commentaire
Publicité
Dans la même rubrique
Rubriques