Les nouvelles frontières de la Technologie Réglementaire (Regtech) dans le cadre du FRTB

La Différentiation Algorithmique Adjointe & Machine Learning

LES NOUVELLES EXIGENCES POUR LE RISQUE DE MARCHÉ

Le 14 janvier 2016, le Comité de Bâle sur le Contrôle Bancaire (CBCB) a publié sa nouvelle norme pour les fonds propres réglementaires relative aux risques de marché. La nouvelle norme, connue sous le nom de Revue Fondamentale du Portefeuille de Négociation (FRTB - Fundamental Review of the Trading Book) a pour but d’harmoniser la gestion du risque de marché au sein des différentes juridictions nationales et va en général se traduire par des exigences plus élevées en termes de fonds propres pour les institutions financières, que ce soit en Méthode Standard (MS) ou en Méthode des Modèles Internes (MMI). Pour cette raison, il a été demandé aux banques d’analyser les calculs en besoins en fonds propres au travers d’une Approche Standardisée.

AVANTAGE REPLY

Avantage Reply aide les groupes bancaires dans l’implémentation de ce nouveau cadre en définissant la voie stratégique suivante:

  • La réalisation d’une analyse en profondeur du nouveau cadre réglementaire et la définition des orientations pour sa mise en place;
  • L’analyse du processus de Pertes et Profits comme il existe en comparaison avec le procédé d’attribution de Pertes et Profits dans le cadre du FRTB afin de pouvoir définir les besoins fonctionnels nécessaires au 
test de choix du Modèle Interne au niveau de la salle de marché;
  • La modélisation des facteurs de risques de marché (Risque sur Actions, Risque de Taux d’Intérêt Général, GIRR - General Interest Rate Risk, Risque de Change, Risque d’Ecart de Taux, CSR - Credit Spread Risk) pour chaque salle 
de marché;
  • Le test de la modélisation des facteurs de risque;
  • L’implémentation d’un prototype facile à utiliser capable de calculer la charge de capital Delta, la Charge de Capital Vega, la Courbe, la Charge de Risque de Défaut, les Ajouts en Risque résiduel, le tout dans le cadre de la méthodologie SBA.

Pour ces raisons, Avantage Reply aide les sociétés dans la définition des exigences méthodologiques et fonctionnelles nécessaires pour le développement de deux méthodologies algorithmiques: la Différentiation Algorithmique Adjointe and Machine Learning.

  • La Différentiation Algorithmique Adjointe (AAD)

    LaDifférentiation Algorithmique Adjointe (AAD) est une méthodologie algorithmique avancée pour le calcul des sensibilités. Avantage Reply utilise cette technique afin d’aider votre société dans:

    • Le calcul des fonds propres réglementaires pour la gestion du risque de marché;

    • Le calcul des mesures telles que requises par les nouvelles réglementations FRTB – SA, SIMM, FRTB – CVA;

    • L’aide aux bureaux dans l’analyse préalable aux opérations;

    • la gestion active des fonds propres réglementaires (APR).

    strip-0
  • strip-1

    AAD est une technique mathématique qui améliore la performance et la rapidité en comparaison à la méthode traditionnelle de re-fixation réactive de prix. Récemment appliquée à la finance (Prof. Luca Capriotti - 2012), la méthode AAD permet de mesurer les sensibilités de VAN et autres ajustements de valeur qui ne sont pas possibles avec des méthodes standards. Formellement, l’AAD se compose de trois étapes principales: 


    • Fractionnement: la fonction est décomposée en éléments plus simples;

    • Propagation: la valeur de fonction est calculée via des étapes intermédiaires;

    • Différentiation adjointe (Adjoint Differentiation): le calcul du gradient est réalisée en repartant “en arrière”.

  • IL MACHINE LEARNING

    Une nouvelle méthode pour atteindre l’optimisation du capital est l'apprentissage algorithmique automatique (Machine Learning Algorithmic) 
L’apprentissage machine est un sous-domaine des sciences informatiques qui donne aux ordinateurs la capacité d’apprendre sans être programmés de manière explicite. Elle dérive de l’étude de reconnaissance de tendances et de la théorie 
 d’apprentissage informatique en intelligence artificielle. L’apprentissage machine explore l’étude et la construction d’algorithmes qui peuvent apprendre et prendre des décisions sur base de l’analyse de données - par rapport à des instructions de programmations statiques. De tels algorithmes présentent l’avantage de faire des prédictions et prendre des décisions sur base de données réelles, en construisant un modèle basé sur des échantillons.

    Une des principales typologies algorithmiques utilisée est l’apprentissage par renforcement positif (Reinforcement Learning) qui permet de résoudre des problèmes mathématiques de maximisation/minimisation limitées.
Ces algorithmes sont utilisés pour maximiser la Fonction de Pertes et Profits et maximiser la charge de capital calculée suivant la nouvelle Approche Standardisée (FRTB).

    strip-2