La revue fondamentale du portefeuille de négociation (FRTB), élaborée par le Comité de Bâle (Basel Committee on Banking Supervision), impose une série d'exigences en matière de capital pour le risque de marché. L'une des principales innovations définies par le FRTB concerne le concept de facteurs de risque non modélisables (NMRF), qui exigent la détention de capital supplémentaire. Les institutions financières cherchent à réduire cette charge en capital afin d'accroître leur rentabilité.
Cet article présente une méthode permettant de gérer les facteurs de risque non modélisables par apprentissage automatique, et compare les résultats obtenus avec la méthode de marché standard.
Le défi des facteurs de risque non modélisables
Un facteur de risque devient non modélisable lorsqu'il n'existe pas suffisamment de données de marché observables pour le modéliser de façon fiable. Sous FRTB, ces facteurs entraînent des surcharges en capital pénalisantes. La difficulté centrale est donc celle de la rareté des données : comment reconstruire un comportement de risque robuste lorsque les observations sont limitées ou illiquides.
Une approche par apprentissage automatique
L'apprentissage automatique offre un moyen de recréer des indicateurs de risque fiables malgré la rareté des données. L'étude explore comment des modèles appris peuvent estimer le comportement des facteurs non modélisables et compare leur précision à celle de l'approche de marché traditionnelle, ouvrant une voie pour réduire les exigences en capital sans compromettre la couverture du risque.