Risque de crédit et scénarios climatiques : capter l’information complète de la distribution sous stress
S’appuyer sur la distribution conditionnelle du risque systémique pour évaluer l’impact des scénarios climatiques sur les probabilités de défaut
En bref Les exercices de stress testing du risque de crédit reposent traditionnellement sur une projection en valeur centrale : à partir d’un scénario macroéconomique donné, une trajectoire attendue de probabilités de défaut est dérivée, dont la moyenne résume l’exposition future. Cette approche demeure incomplète : le risque ne se révèle pas dans la moyenne, il se concentre dans les états de stress sévère. Deux scénarios peuvent produire des trajectoires moyennes proches tout en masquant des niveaux de vulnérabilité très différents dans les queues de distribution.
1. Une asymétrie des risques masquée par la moyenne
La modélisation du risque de crédit s’inscrit traditionnellement dans le cadre structurel Merton–Vasicek / ASRF, où les probabilités de défaut dépendent d’un facteur systémique latent z_t résumant l’état macro-financier. Les approches classiques souffrent d’une limite structurelle : elles projettent uniquement la trajectoire centrale de ce facteur. Or les vulnérabilités économiques et financières agissent de manière asymétrique et se lisent principalement dans les queues de distribution.
Pourquoi c’est important
- Aveuglement à la sévérité extrême. Deux scénarios aux trajectoires moyennes identiques peuvent masquer des niveaux de risque de queue du simple au double.
- Impact des politiques de transition. Les chocs macro-financiers de court terme liés aux politiques climatiques affectent la volatilité et l’asymétrie du risque bien plus que son niveau moyen.
- Mesures de queue pour IFRS 9 et l’ICAAP. L’évaluation des provisions et l’estimation du capital interne exigent des métriques dynamiques centrées sur la queue défavorable, hors de portée d’une projection en valeur centrale.
- Cohérence structurelle des mesures. Le cadre garantit la monotonie stricte des quantiles et le respect de la hiérarchie du risque : l’expected shortfall est, par construction, toujours supérieur à la VaR.
2. Du taux de défaut à la distribution at-Risk : l’architecture
L’extraction du facteur systémique procède par inversion de la formule ASRF à partir des taux de défaut observés DR_t, de la PD de long terme et de la corrélation \rho :
z_t = \frac{\Phi^{-1}(PD_{LT}) - \sqrt{1-\rho}\,\Phi^{-1}(DR_t)}{\sqrt{\rho}}
La rétrotransformation en probabilités de défaut emprunte le chemin inverse, par la fonction ASRF :
PD(z) = \Phi\!\left(\frac{\Phi^{-1}(PD_{LT}) - \sqrt{\rho}\,z}{\sqrt{1-\rho}}\right)
Ce que le cadre apporte
- Information complète. Il délivre simultanément la PD moyenne, la VaR-at-Risk à 95 % et l’expected shortfall à 95 %.
- Ancrage réglementaire et académique. Il réutilise le moteur Merton–Vasicek / ASRF tout en intégrant les avancées de l’économétrie quantile issues du Growth-at-Risk.
- Flexibilité paramétrique. La loi skew-t capte l’asymétrie et l’épaississement des queues en période de crise, que la loi gaussienne ignore.
3. Mise en œuvre
- Extraction. Inversion de la formule ASRF / Merton–Vasicek sur l’historique des défauts internes.
- Estimation. Calibration des régressions quantiles et ajustement de la loi skew-t sur la grille de quantiles estimés.
- Projection. Injection des trajectoires de scénarios — NGFS, BCE, internes — pour alimenter les métriques de queue.
À retenir pour chaque équipe
- Modélisation. La sévérité d’un scénario ne se lit pas dans sa moyenne mais dans la forme de sa queue défavorable.
- Validation. Monotonie des quantiles et hiérarchie VaR / ES sont garanties par construction, donc vérifiables.
- Pilotage. Le cadre fournit une métrique chiffrée pour challenger la solidité des fonds propres face à des trajectoires alternatives au scénario central imposé.
Article de recherche associé
Flament, G., Hurlin, C. & Lajaunie, Q. (2026). The at-Risk Approach: A New Tool for Stress Tests and Overlays. Annals of Operations Research, 361, 27–60.
Discuter de ce travail ? Une question, une application à votre portefeuille ou une demande de présentation : écrivez au collectif →
Cette note s’appuie sur les travaux conduits au sein du collectif STORM — Scenario-based Testing & Optimization in Risk Modeling — de Square Management et du Square Research Center, dédié à la modélisation et à la quantification des risques. STORM transforme la recherche quantitative en briques méthodologiques concrètes au service des équipes risques des établissements. Ces travaux s’appuient sur une collaboration avec le Master ESA de l’Université d’Orléans.
Références
Adrian, T., Boyarchenko, N. & Giannone, D. (2019). Vulnerable growth. American Economic Review, 109(4), 1263–1289.
Aydemir, R., Atik, Z. & Guloglu, B. (2024). Macro stress testing the credit risk of conventional and participation banks in Turkey: a nonparametric quantile regression approach. Eastern European Economics, 62(6), 727–761.
Azzalini, A. & Capitanio, A. (2003). Distributions generated by perturbation of symmetry with emphasis on a multivariate skew t-distribution. JRSS Series B, 65(2), 367–389.
Gordy, M. B. (2003). A risk-factor model foundation for ratings-based bank capital rules. Journal of Financial Intermediation, 12(3), 199–232.
Schechtman, R. & Gaglianone, W. P. (2012). Macro stress testing of credit risk focused on the tails. Journal of Financial Stability, 8(3), 174–192.
Vasicek, O. A. (1987). Probability of loss on loan portfolio. KMV.