2010 France Memoire Juliegamonet

PROMOTION 2006
Mmoire dactuariat prsent devant
Le Jury du CEA
Pour lobtention du
Diplme dActuaire du CENTRE DTUDES

ACTUARIELLES
Par Julie GAMONET
Sur le Sujet
MODLISATION DU RISQUE OPRATIONNEL

DANS LASSURANCE
Devant un jury compos de
Liste du Jury
Directeur du mmoire
Thomas BEHAR
Vincent DAMAS
Arnaud COHEN
Grard CROSET
Jean-Pierre DIAZ
Brigitte DUBUS
Paul ESMEIN
Michel FROMENTEAU
Benot HUGONIN
Christophe IZART
Pierre PETAUTON
Florence PICARD
Christian Yann ROBERT
Stphane MENART
CONFIDENTIALIT
Centre dtudes Actuarielles
Modlisation du risque oprationnel dans lassurance
Institut des Actuaires
2 / 180
REMERCIEMENTS
Jadresse mes remerciements Stphane Mnart, directeur de la Direction Technique
et des Risques, pour sa disponibilit, son soutien et ses prcieux conseils.
Je tiens galement remercier tous les membres de la Direction Technique et des
Risques qui mont supporte et beaucoup aide, en particulier la directrice de la
Veille Technique Brigitte Dubus et mes collgues Romain Boyer Chammard,
Alexandre You et Vronique Girault.
Je voudrais aussi remercier Christian Yann Robert pour sa grande disponibilit au
cours de la rdaction de mon mmoire.
Je tiens remercier Patrick Nam pour son aide dans le cadre des rseaux baysiens.
Enfin, je souhaite remercier mon entourage pour mavoir soutenue et encourage.
3 / 180
4 / 180
RSUM
La nouvelle norme europenne Solvabilit II sera applicable ds 2012 et remplacera
Solvabilit I. Elle impose aux compagnies dassurance un nouveau cadre
rglementaire plus strict mais plus adapt leurs risques propres. Une des grandes
nouveauts est que les compagnies ont lobligation de mobiliser une partie de leurs
fonds propres en couverture de leur exposition aux risques oprationnels. Pour
calculer ce montant de capital, le rgulateur propose deux approches : une approche
standard et une approche avance. Lapproche standard est une approche simplifie
calcule comme un pourcentage des primes ou des provisions. Lapproche avance
est un modle interne o le risque correspond rellement la situation de
lentreprise. Le CEIOPS incite les compagnies opter pour le modle interne en
rendant lapproche standard beaucoup plus consommatrice en fonds propres. Ce
mmoire sadresse aux compagnies qui souhaitent mettre en place un modle interne
pour le risque oprationnel. Il propose notamment un modle interne simplifi qui
ne ncessite pas forcment de donnes observes en sappuyant sur des avis
dexperts. Puis il propose un modle plus complexe dans lequel il distingue les
risques de frquence des risques de gravit quil modlise de faon indpendante par
les approches Loss Distribution Approach (LDA) et rseaux baysiens
respectivement. Il traite des problmes de manque de donnes, de seuil de collectes,
destimation de probabilits conditionnelles et dagrgation des risques. Il aborde
galement la thorie des valeurs extrmes pour modliser les risques de gravit.
5 / 180
ABSTRACT
The new European standard Solvency II will be applicable from 2012 and will replace
Solvency I. It imposes to insurance companies a new stricter statutory frame but
more adapted to their appropriate risks. One of the big novelties is that the
companies have the obligation to mobilize a part of their stockholders' equity on the
cover from their exposure to the operational risks. To calculate this amount of capital,
the regulator proposes two approaches: a standard approach and an advanced
approach. The standard approach is a simplified approach computed as a percentage
of the premiums or the reserves. The advanced approach is an internal model where
the risk really corresponds to the situation of the company. The CEIOPS incites the
companies to opt for the internal model by making the standard approach much
more consumer in stockholders' equity. This report addresses the companies which
wish to set up an internal model for the operational risk. It proposes in particular a
simplified internal model which does not require necessarily observed data by
leaning on opinions of experts. Then it proposes a more complex model in which he
distinguishes the risks of frequency of the risks of gravity which are modelled in an
independent way by the approaches LDA and the Bayesian networks respectively. It
treats problems of lack of data, of threshold of collections, estimation of conditional
probability and aggregation of the risks. It also approaches the theory of the extreme
values to model the risks of gravity.
6 / 180
TABLE DES MATIRES

1 Introduction ......................................................................................................................... 9
1.1
1.2
1.3
1.4
Quest-ce que le risque oprationnel ? ....................................................................... 9

Contexte Solvabilit II ............................................................................................... 9
Enjeux et objectifs pour les compagnies dassurance .............................................. 10
Objectifs du mmoire ............................................................................................... 11
2 Prsentation du risque oprationnel ............................................................................ 13

2.1
2.2
2.3
2.4
Exemples de risque oprationnel frquent ............................................................... 14

Exemples de risque oprationnel grave potentiel..................................................... 14
Exemples de risque oprationnel grave avr .......................................................... 15
Comparaison du risque oprationnel sous Solvabilit II et Ble II.......................... 15
3 Gestion du risque oprationnel dans une compagnie dassurance ........................ 19

3.1
3.2
3.3
3.4
Prsentation gnrale de la dmarche ...................................................................... 19

Principe du Self Risk Assessment............................................................................ 20
Exemple de quantification de risque dans le Self Risk Assessment ........................ 23
Cartographie des risques .......................................................................................... 23
4 Prsentation des mthodes de quantification............................................................. 27

4.1 Formule standard...................................................................................................... 27
4.1.1
4.1.2
Formule standard issue des QIS4........................................................................... 27

Formule standard issue du CP53 ........................................................................... 29
4.2 Mthode de mesures avances ................................................................................. 31

4.2.1
4.2.2
4.2.3
Mthode LDA (Loss Distribution Approach) ......................................................... 31

Approche par scnarios.......................................................................................... 34
Approche Baysienne ............................................................................................. 34
4.3 Mthodes de calcul de la charge totale..................................................................... 37

4.3.1
4.3.2
4.3.3
4.3.4
Formule rcursive de Panjer.................................................................................. 37

Inversion de la fonction caractristique................................................................. 41
Mthode base sur les moments ............................................................................. 43
Simulation de Monte-Carlo .................................................................................... 43
4.4 Thorie des Valeurs Extrmes.................................................................................. 45

4.5 Mesures de risque..................................................................................................... 51
4.6 Agrgation des risques ............................................................................................. 52
4.6.1
4.6.2
4.6.3
4.6.4
Mesure de concordance.......................................................................................... 53
Dfinition des copules ............................................................................................ 54
Estimation des paramtres dune copule................................................................ 58
Mthode des rangs.................................................................................................. 60
5 Modle thorique du risque oprationnel................................................................... 63

5.1 Modlisation des risques de frquence..................................................................... 64
5.2 Modlisation des risques de gravit ......................................................................... 68
5.2.1
5.2.2
Apprentissage des connaissances........................................................................... 69

Apprentissage des donnes..................................................................................... 75
5.3 Dfinition de la matrice des risques ......................................................................... 87

6 Modlisation simplifie du risque oprationnel ....................................................... 89
7 / 180
7 Application de la modlisation des risques de frquence ....................................... 95

7.1
7.2
7.3
7.4
7.5
7.6
Statistiques descriptives des donnes ....................................................................... 99

Estimation des distributions de svrit ................................................................. 103
Estimation des distributions de frquence.............................................................. 114
Application de la mthode Loss Distribution Approach avec seuil ....................... 117
Simulation des scnarios de perte totale ................................................................ 126
Agrgation des scnarios........................................................................................ 128
8 Application de la modlisation des risques de gravit........................................... 131

8.1
8.2
8.3
8.4
Self Risk Assessment du risque ............................................................................. 132

Modle simplifi .................................................................................................... 133
Modle Baysien .................................................................................................... 138
Comparaison des rsultats et conclusions .............................................................. 145
9 Application de la thorie des valeurs extrmes........................................................ 147

9.1 Modlisation des pertes extrmes .......................................................................... 147
9.2 Modlisation des pertes attritionnelles................................................................... 155
9.3 Simulation des pertes et rsultat............................................................................. 163
10 Capital pour tout le risque oprationnel ................................................................. 165
10.1 La formule standard issue des QIS4....................................................................... 165
10.2 La formule standard issue du CP53........................................................................ 166
10.3 Comparaison des rsultats entre formules standards QIS4 vs CP53...................... 167
10.4 Modle interne simplifi ........................................................................................ 168
11 Conclusion gnrale .................................................................................................... 169
12 Bibliographie................................................................................................................. 171
13 Liste des abrviations .................................................................................................. 173
14 Annexes .......................................................................................................................... 174
14.1 Annexe A : Rfrentiel des risques Ble II ............................................................ 174
14.2 Annexe B : Rfrentiel des processus de Generali ................................................ 176
14.3 Annexe C : Rfrentiel des risques de Generali..................................................... 177
14.4 Annexe D : Scnarios de place du secteur bancaire............................................... 180
8 / 180
1 INTRODUCTION
1.1 QUEST-CE QUE LE RISQUE OPRATIONNEL ?
Le risque oprationnel peut tre dfini comme le risque de pertes rsultant de
procdures internes inadaptes ou dfaillantes, derreurs humaines, de dfaillance
des systmes informatiques, dvnements extrieurs. Ce sont donc des risques qui
existent depuis toujours dans les compagnies. Il peut sagir par exemple, de
problmes informatiques qui ralentissent les salaris pendant quelques heures qui
sont des incidents banals et courants mais il peut galement sagir de lincendie des
locaux comme lincendie du Crdit Lyonnais qui avait engendr de lourdes pertes.
Le risque oprationnel est donc un risque qui peut savrer trs coteux.
Jusqu prsent, la rglementation ne prvoyait pas sa prise en compte. Aujourdhui,
cest chose faite avec la nouvelle rglementation Solvabilit II.
1.2 CONTEXTE SOLVABILIT II

Depuis 2001, le Comit Europen des Contrleurs dAssurance et des Pensions
Professionnelles (CEIOPS) prpare un nouveau cadre rglementaire pour les
compagnies dassurances, Solvabilit II, qui sapparente celui mis en place dans les
banques avec la rforme Ble II. Ce cadre permettra dharmoniser et de moderniser
les rgles de solvabilit en les rendant plus adaptes aux risques de lentreprise.
Ce projet sorganise en plusieurs niveaux dont le premier niveau est la directive
Solvabilit II qui dicte les principes. Adopte par le Conseil Ecofin1 et vote le 22
avril 2009 par le Parlement Europen, la nouvelle directive entrera en vigueur en
octobre 2012 et remplacera la directive Solvabilit I en vigueur actuellement. Le
niveau 2 reprsente les mesures dexcution de la directive. Pour les dfinir, le
CEIOPS organise de vastes consultations auprs des acteurs de march par le biais
des papiers consultatifs (CP) et des tudes quantitatives (QIS). Le niveau 3 reprsente
les recommandations qui seront labores ultrieurement.
La rforme Solvabilit II prvoit une structure trois piliers de type Ble II :
le Pilier I dfinit des rgles quantitatives avec principalement une valuation
prospective des provisions techniques, deux niveaux de besoin en capital
(MCR2 et SCR) et des rgles de couverture des engagements ;
1
2
Conseil pour les Affaires conomiques et Financires

MCR est le capital minimum requis et le SCR est le capital de solvabilit requis
9 / 180
le Pilier II impose un processus de contrle prudentiel avec un renforcement

des contrles en matire de gestion des risques, contrle interne, gouvernance,
processus de supervision et pouvoirs daction du superviseur ;
le Pilier III a vocation rendre la communication externe des socits plus
transparentes et plus harmonise au niveau europen en fixant les exigences
en matire dinformation publique, dinformation aux assurs et
dinformation prudentielle.
Une des grandes nouveauts de Solvabilit II est lintroduction du risque
oprationnel qui intervient dans le pilier I avec la quantification du besoin en fonds
propres mais galement dans le pilier II avec la mise en place de leur gestion.
1.3 ENJEUX ET OBJECTIFS POUR LES COMPAGNIES DASSURANCE

Actuellement, le rgulateur propose aux compagnies deux approches pour quantifier
leur risque oprationnel : une approche standard et une approche avance.
Lapproche standard est une approche simplifie calcule comme un pourcentage
des primes ou des provisions. Lapproche avance est un modle interne o les
risques correspondent rellement la situation de lentreprise. Le rgulateur semble
vouloir inciter les compagnies opter pour le modle interne en rendant lapproche
standard beaucoup plus consommatrice en fonds propres.
Les risques oprationnels sont par nature trs difficiles quantifier et lon pourrait
penser que les compagnies prfreront choisir la formule standard quinvestir dans
un modle interne.
Le modle interne ne doit pas seulement fournir un capital au titre du risque
oprationnel, il doit galement tre utilis dans la gestion dentreprise cest--dire
que les compagnies doivent prouver quelles utilisent leur modle interne comme un
outil de pilotage et de management des risques ( use-test ).
De plus, les compagnies doivent mettre en place des moyens de gestion et de
contrle des risques qui soient implants dans toute lentreprise, traduits dans
lorganisation, les procdures et les systmes dinformation, documents, la base
des dcisions oprationnelles en prservant la ractivit de lentreprise.
Il sagit donc de mettre en place un vritable outil centralis de quantification et de
pilotage des risques, assorti dun dispositif de contrle interne performant
permettant didentifier, de contrler et de grer ces risques.
10 / 180
1.4 OBJECTIFS DU MMOIRE

Dans ce cadre, ce mmoire va sattacher apporter des solutions concrtes en termes
de quantification par modle interne du capital au titre du risque oprationnel.
Nous commencerons par prsenter le risque oprationnel dans le chapitre 2, en
donnant des exemples pour que le lecteur comprenne bien le caractre diffus des
risques oprationnels dans lentreprise et donc la difficult de modlisation.
Ensuite, dans le chapitre 3, nous prsenterons un exemple de gestion des risques
oprationnels dans le cadre dune premire valuation.
Dans le but de prsenter les modles, nous introduirons, dans le chapitre 4, les
diffrentes mthodes de quantification existantes : approche standard (formule
standard des QIS4 et CP53) et approche avance (LDA ou Loss Distribution
Approach, scnarios et rseau baysien) et la thorie permettant de les appliquer
(calcul de la charge globale). Nous prsenterons galement dans ce chapitre la thorie
des valeurs extrmes, la mesure de risque et lagrgation des risques par les copules.
Nous proposerons alors, dans le chapitre 5, la dmarche de quantification
dcomposant les risques oprationnels en deux principales catgories : risques de
frquence modliss par LDA (avec notamment le problme des seuils de collecte
des donnes) et risques de gravit modliss par les rseaux baysiens. Ce modle
sera long mettre en uvre pour les compagnies et ncessitera beaucoup
dinformations.
Aussi face aux manques de donnes des compagnies qui commencent sintresser
au sujet, nous proposerons, dans le chapitre 6, un modle alternatif simplifi, bas
sur les avis dexperts, nous permettant davoir une premire vision de nos risques.
Le reste du mmoire sera constitu dapplications.
Dans le chapitre 7, nous modliserons les risques de frquence en appliquant la
mthode LDA sur des donnes du secteur bancaire car, tant donn la similarit
entre les risques, les donnes dune banque nous semblaient appropries. Nous
distinguerons deux mthodes : la mthode LDA classique et la mthode LDA sur des
donnes tronques. Nous verrons galement limpact des copules pour lagrgation
de ces risques.
Puis, dans le chapitre 8, nous prendrons un exemple de risque de gravit sur lequel
nous appliquerons le modle simplifi et les rseaux baysiens, nous permettant
ainsi de les comparer.
Dans le chapitre 9, nous appliquerons la thorie des valeurs extrmes sur notre base
de donnes bancaires.
Enfin, dans la dernire partie, nous exposerons les rsultats issus des formules
standards des QIS4 et du CP53 que nous comparerons aux rsultats de notre modle
interne simplifi.
11 / 180
12 / 180
2 PRSENTATION DU RISQUE OPRATIONNEL

Le CEIOPS dfinit le risque oprationnel comme le risque de pertes rsultant de
procdures internes inadaptes ou dfaillantes, ou de membre du personnel et de
systmes, ou dvnements extrieurs. Le risque oprationnel ainsi dfini comprend
les risques juridiques mais non les risques dcoulant de dcisions stratgiques ni les
risques de rputation .
Le risque oprationnel nest pas un concept nouveau puisquil existe depuis toujours
dans les compagnies dassurance du fait mme quelles aient des clients, quelles
utilisent des outils informatiques, quelles fassent des placements financiers Le
risque oprationnel est partout dans les entreprises. La nouveaut provient de la
mise en place doutils de mesure et de contrle des risques oprationnels comme
pour les risques de march, de crdit et dassurance. Nous citerons plus loin des
exemples de risques oprationnels.
Chez Generali, les risques oprationnels se divisent en neuf grandes catgories (voir
annexe C pour plus de dtails):
Fraude interne (R1)
Fraude externe (R2)
Dysfonctionnement de lactivit et des systmes (R3)
Dommages aux actifs corporels (R4)
Clients / Tiers et produits (R5)
Excution et gestion des processus (R6)
Pratiques en matire demploi et scurit sur le lieu de travail (R7)
Rglementation et conformit (R8)
Pilotage (cette catgorie est voque indicatif mais elle est exclue dans la
Directive)
Ces risques sont appels risques de niveau 1.
Chaque risque de niveau 1 est subdivis en plusieurs sous-risques et ainsi de suite
jusquau niveau 4. Le niveau 4 reprsente lvnement de risque.
Exemple de risque :
Niveau 1
Niveau 2
Rglementation et March
conformit
financier
rgles
pratiques
Niveau 3
Nonet conformit
Niveau 4
Non-conformit de la socit de
gestion
son
agrment
(moyens, organisation, activit
)
13 / 180
Le risque oprationnel peut galement tre subdivis en deux catgories :

risques matrisables : ce sont les pertes provenant de dfaillances des
processus, des erreurs humaines, de dfaillances informatiques Ce type de
risques peut tre attnu par anticipation notamment grce des contrles
prventifs,
risques non matrisables : ce sont les pertes causes par des vnements
extrieurs non matrisables comme des catastrophes naturelles ou dautres
facteurs non contrlables par les compagnies dassurances. Cest un type de
risques non ngligeable mais non matris par les assureurs. Par exemple, la
crue de la Seine nest pas matrise par les assureurs, il faut prvoir des plans
de replis pour continuer lactivit en cas dinondation des bureaux. Les
compagnies auront souvent recours des couvertures dassurances et des
plans de continuit dactivit pour prendre en compte ce type de risques.
2.1 EXEMPLES DE RISQUE OPRATIONNEL FRQUENT

Afin dillustrer la notion de risque oprationnel, voici quelques exemples de risques
frquemment observs :
Incidents informatiques qui empchent momentanment les agents de raliser
des affaires ;
Erreur dans le paramtrage informatique des commissions ;
Un partenaire nous quitte avec son portefeuille de clients ;
Des sachants quittent la compagnie sans avoir transmis leur savoir ;
Non respect des dlais de livrable dans la conception dun produit ;
Dlais de rgularisation des carts ACAV3.
2.2 EXEMPLES DE RISQUE OPRATIONNEL GRAVE POTENTIEL

Voici quelques exemples de risques oprationnels susceptibles de survenir :
un incendie du serveur informatique qui paralyse toute la compagnie ;
une crue centennale de la Seine qui touche les bureaux de la compagnie (les
dgts faits sur les biens des assurs ne sont pas pris en compte ici mais dans
le risque assurantiel) ;
Une pandmie affecte un grand nombre de salaris de lentreprise et empche
la continuit des activits.
3
Ajustements correspondant la moins-value potentielle des placements boursiers sur les contrats UC
14 / 180
2.3 EXEMPLES DE RISQUE OPRATIONNEL GRAVE AVR

Dans les banques et compagnies dassurances du monde entier, les plus grosses
pertes oprationnelles observes sont lies des placements financiers risqus ou
frauduleux. Ces pertes sont lies la dficience en matire de contrle interne : non
sparation des pouvoirs, mauvaise supervision des employs ou non respect des
process.
Lexemple de la Socit Gnrale : La Socit Gnrale a enregistr en 2008 des pertes
normes rsultant de prises de positions frauduleuses dun de ces traders M. Jrme
Kerviel. Il aurait expos la banque un risque de march alors que ce n'tait pas dans
ses attributions : il aurait accumul des positions acheteuses sur les contrats terme
portant sur indice et dissimul ces oprations faites sur le march en introduisant
dans le systme informatique de la Socit gnrale des oprations inverses fictives
les compensant. Les causes de ces importantes pertes sont la fraude interne et une
dfaillance dans les contrles.
Lexemple du Crdit Lyonnais : Le Crdit Lyonnais a t victime de lincendie
spectaculaire de son sige parisien, le 5 mai 1996. L'incendie couvert par les
assureurs, a occasionn des dgts trs importants qui ont cot plus de 1 milliard de
francs.
Lexemple de la banque Barings : leffondrement de Barings a constitu la faillite la
plus spectaculaire au monde car elle tait la banque la plus ancienne du Royaume
Uni. La cause de cette faillite provient des risques pris par son trader M. Nicolas
Leeson. En effet, ce dernier a pris dimportantes positions dcouvert sur lindice
Nikkei en dpassant les montants autoriss. Le trader tait la fois responsable du
Back office et du trading ce qui lui permettait de faire ce quil voulait. La chute de
lindice due au tremblement de terre de Kobe a engendr dnormes pertes pour
Barings, ce qui la conduit la faillite en 1995. Les causes ont t un risque humain
volontaire associ un manque de contrles et une mauvaise sparation des
pouvoirs.
2.4 COMPARAISON
BLE II
DU RISQUE OPRATIONNEL SOUS
SOLVABILIT II
ET
Diffrents contextes rglementaires :

Dans les banques, il existe une rglementation forte en matire de contrle
interne depuis 1997 (CRBF 97-02 : ce texte a marqu une tape importante
dans le fonctionnement de laudit interne dans la mesure o il introduit les
notions de risque et de contrle continu),
15 / 180
En assurance, lintroduction des exigences de dispositif de contrle interne est

rcente (dcret du 13 mars 2006). Les exigences satisfaire sont moins prcises
que dans la rglementation Ble II.
Objectifs comparables pour le risque oprationnel :

Lobjectif des rglementations bancaire et assurantielle est dintroduire une
contrainte de surveillance du risque oprationnel pour viter la survenance de
faillites lies des dficiences oprationnelles (i.e. Barings, incendie du sige du
Crdit Agricole,).
Dfinition similaire du risque oprationnel :

La dfinition du risque oprationnel est identique dans Solvabilit II et Ble II :
Ble II : risque de pertes rsultant dune inadaptation ou dune dfaillance
imputable des procdures, personnels et systmes internes, ou des
vnements extrieurs. Inclut les vnements de faible probabilit
doccurrence, mais risque de perte leve. Le risque oprationnel ainsi dfini
inclut le risque juridique, mais exclut les risques stratgiques et de rputation
(Source : art. 4-1 de larrt transposant Ble II en France) ;
Solvabilit II : risque de pertes rsultant de procdures internes inadaptes ou
dfaillantes, ou de membre du personnel et de systmes, ou dvnements
extrieurs. Le risque oprationnel ainsi dfini comprend les risques juridiques
mais non les risques dcoulant de dcisions stratgiques ni les risques de
rputation (Source : directive cadre du 10 juillet 2007, articles 13 et 100).
Poids du risque oprationnel dans le capital rglementaire :

Dans le secteur bancaire, le poids du risque oprationnel est infrieur celui
des autres risques dans les exigences en capital : entre 12% et 20% des
exigences en fonds propres pour une banque gnraliste.
Avec Solvabilit II, il semblerait que le poids soit revu la hausse dans la
deuxime vague de papiers consultatifs mais ce nest pas encore dfinitif. Il
reprsente pour Generali un des trois plus gros risques.
Mthodes de quantification :
Deux mthodes sont proposes dans Solvabilit II contre trois dans Ble II
Modles internes :
16 / 180
o Ble II : VaR 99,9% et prise en compte des effets dassurances (i.e.

remboursement des pertes) avec un plafond maximal de 20% des pertes
sur base individuelle ;
o Solvabilit II : VaR 99,5% pour le calcul du SCR (art 100, p3), la
possibilit de prendre en compte des couvertures dassurance nest pas
prcise ;
Formules standard :
o Ble II : Indicateurs de base et standard, construits sur la base du PNB
et dun coefficient multiplicateur de 15% pour la mthode de base et
entre 12% et 18% pour la mthode standard ;
o Solvabilit II : Mthode standard construite sur la base des primes et
provisions par activit, avec application dun plafond 60% du BSCR.
Nomenclature des lignes de mtiers et risques :

Ligne de mtiers et catgories de risques normalises dans Ble II (ie matrice 8
x 7),
mais non prcises dans Solvabilit II.
17 / 180
18 / 180
3 GESTION DU RISQUE OPRATIONNEL DANS UNE COMPAGNIE

D AS S UR AN C E
Dans ce chapitre, nous allons exposer la dmarche de gestion des risques
oprationnels dans le cadre de la modlisation : le Self Risk Assessment (SRA) et les
travaux de cartographie avec leurs objectifs quantitatifs et qualitatifs.
3.1 PRSENTATION GNRALE DE LA DMARCHE

Dans le cadre de la mise en uvre du dispositif de calcul du capital conomique, le
Groupe GENERALI a men des analyses qualitatives et quantitatives de ses risques
oprationnels. Les donnes quantitatives issues de ces analyses permettront terme
dalimenter le modle de calcul.
1) Approche Top down :
Cette approche consiste partir dune vision gnrale du risque par les dirigeants
puis de faire analyser ces risques par des experts.
Les fonctions oprationnelles de Generali sont rparties en 3 directions par march.
Chaque direction a t interroge pour faire ressortir ses 10 risques oprationnels
majeurs.
Finalement, 25 risques ont t retenus et tudis. Lanalyse de chacun de ces risques
par les causes, les dispositifs de contrle et les consquences associs a permis
destimer des paramtres de quantification du risque et de raliser une valuation de
chaque risque. Cette approche est appele Self Risk Assessment. Cette dmarche a
t dploye en ateliers de travail avec des experts oprationnels internes dsigns
par les Comits de Direction.
Cette approche dite Top down nous permet dobtenir dans un premier temps une
visibilit sur les principaux risques auxquels est expose la Compagnie. Elle constitue
par ailleurs un vecteur important dinformation et de sensibilisation aux enjeux du
risque oprationnel.
2) Approche Bottom-up :
Depuis Aot 2008, Generali mne des analyses plus exhaustives des risques. Cest
lapproche par la cartographie des risques dite Bottom-up . Elle consiste analyser
de faon exhaustive et systmatique les risques oprationnels et les contrles lis
chaque processus identifi de Generali. Cest un outil majeur du pilotage du risque
oprationnel pour le management, les contrleurs internes et les oprationnels euxmmes.
Cette approche repose sur deux lments :
19 / 180
Trouver un niveau de granularit appropri. Une maille trop fine impliquerait

un chantier trop lourd et la cartographie qui en rsulterait serait ingrable au
quotidien. Au contraire, une maille trop large ne permettrait pas le pilotage du
risque oprationnel. Generali a donc slectionn un certain niveau de
granularit qui sera expos plus loin.
Sassurer de limplication des acteurs de la gestion oprationnelle dans
llaboration de la cartographie. Les propritaires des processus et des
contrles, les contrleurs internes, les managers et les gestionnaires des
risques doivent simpliquer dans la construction dans un premier temps, puis
dans la mise jour de loutil dans un second temps.
3) Mise en place dune base dincidents :
Paralllement la cartographie, Generali va mettre en place une base de donnes
historises des vnements de risques oprationnels survenus et des pertes associes.
La constitution de cette base permettra :
de corroborer ou non les valuations donnes par les deux premires
approches (bases sur un Self Assessment) et participera au pilotage des
risques oprationnels,
de suivre lvolution des risques et lefficacit des contrles mis en place,
dalimenter le modle interne pour le calcul du capital conomique.
3.2 PRINCIPE DU SELF RISK ASSESSMENT

Les risques majeurs slectionns par le Comit ont t traits de la faon suivante :
pour chaque risque, une analyse de scnarios a t faite selon 3 hypothses : basse,
moyenne et haute. Cette analyse est la fois qualitative (causes / consquences /
dispositif de contrle) et quantitative (frquence / svrit).
Plus prcisment, la dmarche mthodologique de Self Risk Assessment des risques

oprationnels se dcompose en quatre tapes :
tape 1 : dfinition du primtre danalyse du risque
tape 2 : dtermination du contexte et des hypothses dvaluation
tape 3 : identification des facteurs danalyse qualitative
tape 4 : identification des paramtres danalyse quantitative
tape 1 : lexpert dfinit et dcrit prcisment le risque. Cela permet de dlimiter le

primtre danalyse. Il dcline tous les contextes potentiels doccurrence du risque.
20 / 180
Parmi tous les vnements de risque identifis, il slectionne celui qui lui semble le
plus significatif.
tape 2
Dclinaison du risque en
3 scnarios de criticit
basse leve
Scnario 1 :
hypothse haute
tape 3
Analyse et
identification des
impacts potentiels du
risque par scnario
tape 4
Quantification de
limpact net de
chaque scnario
Causes
Dispositifs de contrle
Consquences
Paramtres
de quantification
Scnario 2 :
hypothse moyenne
Frquence
doccurrence
Scnario 3 :
hypothse basse
Dispositif
dattnuation
tape 2 : lexpert dtermine ensuite des hypothses danalyse qui correspondent

chacune un scnario de gravit et de raret croissantes : lhypothse basse est la
plus faible en terme dimpact et de frquence ; lhypothse haute correspond une
situation svre. Ces hypothses doivent tre dcrites prcisment pour permettre
une analyse qualitative et quantitative du risque.
tape 3 : Analyse qualitative du risque fonde sur lidentification et la description

des facteurs suivants : cause du risque, dispositif de contrle, consquences.
La cause du risque constitue llment gnrateur direct de lvnement de risque
analys.
Le dispositif de contrle dsigne tous les contrles, procdures, systmes, indicateurs
de suivi tant internes quexternes dont dispose Generali afin de rduire loccurrence
de lvnement de risque et de limiter les impacts en cas doccurrence.
La consquence est un effet conscutif loccurrence dun vnement de risque. Elle
peut tre financire ou qualitative. Elle peut tre directe ou indirecte : on considre
quelle est indirecte ds lors que les pertes sont conscutives des actions correctrices
menes par lentit.
Pour aider lexpert dans sa rflexion, le risk manager lui prsente des typologies de
causes et de consquences.
Une fois tous ces facteurs de risques identifis, il sagit de construire des
combinaisons Causes / Consquences / Dispositif de contrle associes chaque
hypothse dfinie afin de permettre la quantification des impacts et frquence.
21 / 180
tape 4 : la dmarche danalyse quantitative consiste valuer les consquences

identifies pour chacune des hypothses dfinies pralablement et la frquence
doccurrence associe.
Les consquences qualitatives sont recenses pour information et pourront faire
lobjet de quantification ds lors quelles donnent lieu des cots indirects.
Pour chaque consquence quantitative, lexpert devra dterminer une formule
prcise de calcul de limpact.
La somme de toutes ces quantifications par hypothse, donnera limpact financier
global de chaque scnario.
Il est important de prendre en compte pour chaque hypothse, les diverses mesures
dattnuation et de rcuprations afin de dterminer limpact net.
La dtermination de la frquence doccurrence de chaque scnario est laisse
lapprciation des experts en fonction de leur connaissance de lactivit et de leur
propre sensibilit au risque sans quaucune assistance la dcision ne leur soit
propose.
Voici la liste des risques tudis dans le cadre du SRA :

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Non respect des procdures TRACFIN

volution rglementaire impactant les produits et lactivit
Non-respect du taux de PB annonc
Vente force, dfaut de conseil
Abus de march (dlit d'initi)
Non respect de la confidentialit
Indisponibilit temporaire des systmes d'information
Paramtrage informatique
Virus informatique, malveillance
Inadquation des ressources (dimensionnement quipe)
Perte de capital humain
Dtournement de fonds de clients (fraude interne)
Fraude de la part des clients
Retard dans le traitement des actes de gestion des contrats
Dfaillance du processus dcisionnel (stratgie d'investissement)
Non respect des dlgations commerciales
Mauvaise apprciation du risque la souscription
Actes de vente inadapts (couple risque/produit)
Non respect par un fournisseur de son contrat de prestation
Dsadossement actif-passif
Erreurs dans les comptes consolids
Fiabilit des donnes comptables (piste d'audit)
Risques de planification
Erreur d'excution sur les marchs financiers
Sinistres sur immeubles d'exploitation
22 / 180
3.3 EXEMPLE DE
ASSESSMENT
QUANTIFICATION DE RISQUE DANS LE
SELF RISK
Nous prsentons ici un rsum de fiche technique pour le risque derreur dans le
passage dordre :
Risque d'erreur interne sur le sens, la quantit ou le code valeur la saisie d'un ordre
Hypothse Basse
Description
Hypothse Moyenne
Hypothse Haute
1% de dcalage par rapport au march
Moins de 1% de la VL moyenne du
portefeuille
Entre 1% et 2% de la VL moyenne du
portefeuille
Au-del de 2% de la VL moyenne du
portefeuille
Dure de dtection de l'erreur (entranant
risque d'erreur de VL et de fait un risque
d'indemnisation) : quelques heures

Montant de l'ordre moyen fourchette
d'indemnisation) : un jour
d'indemnisation) : plusieurs mois

Impact sur les marchs de l'erreur
basse en portefeuille (5M)
moyenne en portefeuille (50M)
Primre : Generali Investments France
haute en portefeuille (250M)

Frquence
12 fois tous les ans
Consquences financires (K)
6 fois tous les ans
1 fois tous les 5 ans
175
825
15 500
175
825
15 250
Perte marge technique brute

Perte financire directe
Cots de communication / formation
Cots de rectification de l'erreur
Gestes co. / Rclamations clts
Sanctions rglementaires
250
Pertes juridiques
Autres pertes directes
Consquences qualitatives
Satisfaction client / partenaire
Assignation
Rglementaire
Fort
Incidence sur la continuit

Sant et Scurit
Climat social
Image / Rputation Grand Public
Fort
VL = Valeur liquidative
3.4 CARTOGRAPHIE DES RISQUES

Lobligation de suivi et de matrise de nos risques passe par ltape incontournable
de la cartographie des risques oprationnels. Cette tape est dautant plus importante
pour lentreprise quelle conditionne les actions de rduction des risques et le
systme de reporting incidents, quelle contribue au dimensionnement du contrle
interne et quelle fait partie du modle interne soumis la validation de lautorit de
contrle.
De faon gnrale, la cartographie consiste dcrire tous les processus et y
rattacher des risques notamment pour permettre au contrle interne de cibler ses
actions et de prparer des plans dactions.
23 / 180
La cartographie requiert au pralable le recensement de tous les processus existants

rpertoris dans un rfrentiel de processus (voir annexe B) et celui de tous les
risques pouvant affecter une compagnie dassurance, rpertoris dans un rfrentiel
de risques (voir annexe C).
Exemple de processus :
Niveau 1
Niveau 2
Processus
Grer les
mtier
rseaux
Niveau 3
Administrer
les rseaux
agents,
courtiers,
apporteurs
Niveau 4
Agents
Niveau 5
Slectionner
un Apporteur
Une fois ce travail effectu, la cartographie consiste identifier pour chaque

processus les risques oprationnels pouvant entraner une perte sur le processus et
quantifier les impacts moyens de ces risques.
Les processus seront dclins par niveau comme les risques. Le rfrentiel des
processus se dcompose en cinq niveaux de granularit :
Niveau 1 : mtier (IARD, Vie, etc.)
Niveau 2 : domaine (habitat, auto, etc.)
Niveau 3 : processus (souscription, sinistre, etc.)
Niveau 4 : opration (enregistrement, rglement, etc.)
Niveau 5 : tche lmentaire (envoi du chque, etc.)
Mais quel niveau de processus la cartographie doit-elle tre faite ?
Le niveau mdian processus semble tre le niveau pertinent de la cartographie. Il
constitue dune part le meilleur compromis entre le temps pass llaboration de la
cartographie et le degr de pertinence de la vision des risques. Dautre part, cest le
niveau dquilibre permettant de faire converger et de relier les lments obtenus
partir de chacune des deux principales mthodes (Top down et Bottom up).
Il semble galement que ce niveau soit pertinent dans la construction et le suivi dune
base incidents.
Dans le cadre du calcul du besoin en fonds propres, la cartographie intervient
surtout pour mettre en exergue les risques modliser. Pour cela, les experts
dtermineront la frquence moyenne et la svrit moyenne de chaque risque qui
seront ensuite utilises pour classer les risques dans la matrice de Prouty (voir [1]).
Voici une reprsentation thorique de la matrice de Prouty qui croise frquence

moyenne et svrit moyenne de chaque risque :
24 / 180
Frquence
Risque de
frquence
Risque
impossible
Risques
insignifiants
Risque de
gravit
Svrit
Il ressort quatre grandes catgories de risque de cette matrice :

risque faible : frquence faible, svrit faible. Ce type de risque est
ngligeable ;
risque de frquence : frquence forte et svrit faible. Le sinistre a un coup
unitaire faible mais survient souvent. Sa rduction relve essentiellement de la
prvention ;
risque de gravit : frquence faible et svrit forte. Le sinistre est rare mais a
un cot important voire trs important. Sa rduction relve essentiellement de
la protection et parfois du plan de continuit dactivit ;
risque impossible : frquence forte et svrit forte. Il doit tre hors du champ
des possibles pour viter la disparition rapide de lentreprise.
Cette classification va nous permettre didentifier les risques de frquence et de
gravit et de les modliser indpendamment.
25 / 180
26 / 180
4 PRSENTATION DES MTHODES DE QUANTIFICATION

4.1 FORMULE STANDARD
Dsormais, Solvabilit II nous impose de dtenir du capital au titre du risque
oprationnel. Ce montant peut tre calcul soit par une formule standard donne par
le rgulateur, soit par un modle interne qui sera valid par les autorits de contrle.
Pour les entreprises qui auraient du mal mettre en place un modle pour le risque
oprationnel, la formule standard permet de dterminer facilement le besoin en
capital du risque oprationnel.
Le CEIOPS fait tester les formules standard auprs des assureurs du march par le
biais de questionnaires appels quantitave impact studies (QIS) et fait voluer les
formules en fonction des remarques et difficults rencontres par les entreprises.
4.1.1
FORMULE STANDARD ISSUE DES QIS4
La dernire formule standard qui a t teste est celle issue des QIS 4, tait de la
forme suivante :
0.03 Earn life + 0.02 Earn nl + 0.02 Earn h ;

SCRop = min Op load BSCR; max
+ Op unitlinked
0.003 TPlife + 0.02 TPnl + 0.002 TPh
TPlife
provisions techniques vie (brutes de rassurance)
TPnl
provisions techniques non vie (brutes de rassurance)
TPh
provisions techniques dassurance-sant (brutes de rassurance)
Earnlife
primes acquises vie (brutes de rassurance)
Earnnl
primes acquises non vie (brutes de rassurance)
Earnh
primes acquises sant (brutes de rassurance)
BSCR
SCR avant ajustement
SCRop
Le montant de capital au titre du risqu oprationnel
Opload
Coefficient prdfini (entre 25 et 50%)
Opunitlinked
Coefficient prdfini 1% des provisions techniques pour

lentit lie
27 / 180
Cette formule limite le risque oprationnel par un plafond qui est un pourcentage du
SCR. Elle dcompose le risque en vie, non-vie et sant dune part et en primes et
provisions dautre part. Le coefficient attribu aux primes en vie est plus lev que
pour la non vie et la sant car le risque semble plus lev en vie du fait des
placements financiers qui nexistent pas ou peu en non vie et sant. En ce qui
concerne les provisions, cette fois, cest le coefficient non vie qui est le plus
important.
Cette formule est trop simpliste pour tre raliste, elle ne prend pas en compte les
vnements extrieurs ni la faon de grer les risques : 2 compagnies peuvent avoir le
mme montant de primes et grer leurs risques totalement diffremment, elle ne tient
compte que des primes et des provisions. Dautres facteurs sont trs importants pour
valuer ce risque.
Voici le retour sur les QIS4 (source CEIOPS):
Les compagnies qui ont rpondu au QIS4 sont partages sur le fait que la formule
standard soit adquate ou non (47% pensent quelle lest contre 53%). En gnral, les
assureurs non vie ont une opinion plus positive de la charge du risque oprationnel
que les assureurs vie.
De nombreuses compagnies ont dclar que la formule standard avait besoin de
quelques amliorations. Les principaux problmes remonts par les compagnies au
sujet de la formule sont :
La corrlation 100% avec les autres risques ;
Le plafond des 30% du SCR est trop lev : en moyenne, la charge au titre du
risque oprationnel tourne autour de 6% du SCR mais dans 8 tats certaines
grosses compagnies ont dpass le plafond des 30% ;
Le manque de sensibilit au risque : la segmentation du risque oprationnel
dans la formule standard nest pas suffisamment fine pour rellement capter
les risques.
Certaines compagnies pensent que le risque oprationnel ne peut tre apprhend
que via un modle interne et repose essentiellement sur le pilier 2.
Les propositions de solutions faites par les compagnies :
Modifier la formule standard en prenant un pourcentage du BSCR ou du
SCR ;
Le capital doit tre sensible au management des risques oprationnels ;
Prendre en compte la diversification des risques.
Il ressort galement que lapplication de la formule standard de nombreuses
compagnies pourraient conduire certaines compagnies dtenir plus de capital que
leur modle interne ne le suggre et dautres nen pas dtenir assez.
28 / 180
Dautre part, le rapport du CEIOPS sur le QIS4 montre les rsultats suivants : le
modle interne aurait des rsultats bien suprieurs ceux obtenus par la formule
standard avec un ratio mdian de 133%.
Le CEIOPS interprte ce rsultat par le fait que le capital de la formule standard nest
pas assez lev. Cest pourquoi le calibrage de la formule standard du SCR a t revu
dans la deuxime vague de consultation papers (CP). Les nouveaux coefficients
ont t calibrs par le CEIOPS partir de donnes collectes dans cinq pays
europens et 32 compagnies au total de faon faire converger lapproche formule
standard et modle interne. Cette tude consistait analyser les ratios des charges
issues des modles internes sur les provisions techniques, primes acquises en vie et
non-vie en excluant les units de comptes. Le CEIOPS a choisi de retenir les
coefficients qui correspondaient au quantile 60%. Pour les units de compte, le
CEIOPS a suppos quelles voluaient de la mme faon que la vie et a donc appliqu
aux paramtres dunits de compte la mme volution que les paramtres de la vie.
4.1.2
FORMULE STANDARD ISSUE DU CP53
Il rsulte de ltude du CEIOPS de nouveaux facteurs beaucoup plus pnalisant, le

plafond du BSCR a t revu la hausse en passant de 30% 60%. Il pnalise
galement la croissance des entreprises en ajoutant aux provisions et aux primes
leurs variations dune anne sur lautre lorsquelles sont suprieures 10%.
De plus, le CEIOPS a intgr un nouveau terme pour pnaliser la gestion financire
dlgue. Ceci pnalise en particulier les compagnies qui auraient une dlgation
concentre chez un mme dpositaire.
Comparaison des facteurs :
Voici la nouvelle formule issue des derniers CP :
SCRop = Min {0,60 * BSCR ; Opall _ non _ ul }+ 0,5 * Expul + 0,005 * InvestOutsourc
O Op all _ non _ unit _ linked = Max(Op premiums ; Op provisions )
29 / 180
Avec
Op premiums = 0,076 * ( Earnlife + Earn SLT Health Earnlife ul ) +
0,041 * ( Earnnon life + Earn NonSLT Health ) +
Max (0 ; 0,076 * (Earnlife Earnlife ul )) +

Max (0 ; 0,041 * Earn non life )
Op provisions = 0,009 * (TPlife + TPSLT Health TPlife ul ) +
0,044 * (TPnon life + TPNonSLT Health ) +
Dans le cas o
Max (0 ; 0,009 * (TPlife TPlife ul )) +

Max (0 ; 0,044 * TPnon life )
Op provisions = 0,01 * (TPlife + TPSLT Health TPlife ul ) +
0,044 * (TPnon life + TPNonSLT Health ) +
Dans le cas o
Max (0 ; 0,01 * (TPlife TPlife ul )) +

Max (0 ; 0,044 * TPnon life )
TP
Variation dans les provisions entre t-1 et t
Earn
Variation dans les primes acquises entre t-1 et t
TPlife
provisions techniques vie (brutes de rassurance)
TPnl
provisions techniques non vie (brutes de rassurance)
TPh
provisions techniques dassurance-sant (brutes de rassurance)
Earnlife
primes acquises vie (brutes de rassurance)
Earnnl
primes acquises non vie (brutes de rassurance)
Earnh
primes acquises sant (brutes de rassurance)
BSCR
SCR avant ajustement
SCRop
Le montant de capital au titre du risqu oprationnel
Opunitlinked
Coefficient prdfini 1% des provisions techniques pour

lentit lie
Expul
Montant des dpenses annuelles (brutes de rassurance)
InvestOutsourc
Montant correspondant au plus important investissement

financier dpos ou externalis avec une seule contrepartie
30 / 180
4.2 MTHODE DE MESURES AVANCES

Les entreprises qui le souhaitent, ont la possibilit de mettre en place un modle
interne en utilisant des mthodes de mesures avances. Ces mesures savrent trs
intressantes pour les entreprises car elles permettent une analyse plus prcise de
leur risque et une ventuelle rduction de lallocation en fonds propres mais pas
toujours.
Actuellement, trois mthodes sont principalement utilises : la mthode LDA,
lapproche par scnario et lapproche Baysienne prsentes en dtail plus bas.
4.2.1
MTHODE LDA (LOSS DISTRIBUTION APPROACH)
Cest lune des approches les plus utilises dans le secteur bancaire pour la
quantification du risque oprationnel : il sagit dajuster des lois statistiques des
donnes de pertes, plus prcisment de modliser dune part la frquence des
incidents oprationnels et dautre part leur svrit, puis de les combiner pour
obtenir la distribution de pertes totales. Cette approche est bien connue des assureurs
qui lutilisent depuis longtemps pour modliser la charge totale des sinistres dans le
cadre de la tarification, du provisionnement, de loptimisation de la rassurance
La condition essentielle pour appliquer cette mthode sera la disponibilit de
donnes de pertes historiques afin de calibrer le modle.
Etape 1 : choix et calibrage des lois de frquence et de svrit
La modlisation de la distribution des pertes se fera pour chaque croisement de
risque k et de processus i :
Ni ,k
S i ,k = X i(,kj )
j =1
o N i ,k est la variable alatoire reprsentant le nombre de pertes pour le croisement

(i,k)
X i(,kj ) est la variable alatoire reprsentant le cot de la perte j pour le croisement (i,k)
S i ,k est la somme des pertes du croisement (i,k)
La dmarche doit tre reproduite pour chaque croisement (i,k). Elle consiste ajuster
des lois de probabilit sur les donnes de frquence des vnements de pertes dune
part et les donnes de svrit de ces mmes vnements dautre part, sur un
intervalle de temps donn.
Pour ce faire il faut trier les vnements de pertes par frquence d'une part, et par
cot d'autre part, puis reprsenter le rsultat sous forme graphique. Pour chacune
des distributions empiriques obtenues, il sagit de rechercher la distribution
31 / 180
thorique qui rend le mieux compte de la forme de la courbe. Les principales lois
utilises pour la frquence sont Poisson, Binomiale et Binomiale Ngative.
Les deux principales mthodes utilises pour calibrer les paramtres de lois testes
sont :
la mthode des moments gnraliss qui est relativement facile implmenter
mais dont les rsultats sont de moindre qualit ; la mthode des moments est
une mthode statistique intuitive qui consiste estimer les paramtres dune
loi en galisant certains moments thoriques avec les moments empiriques,
base sur la loi des grands nombres.
la mthode du maximum de vraisemblance qui est plus difficile mettre en
uvre mais dont les rsultats sont de meilleure qualit. La mthode du
maximum de vraisemblance est une mthode statistique courante permettant
destimer les paramtres dune loi en maximisant sa fonction de
vraisemblance :
Soit f(x ;) la densit de la loi tudie dont lensemble des paramtres est not
Soit ( x1 , x 2 , , x n ) un chantillon donn

La fonction de vraisemblance est dfinie par :
n
L( x1 , x 2 , , x n ; ) = f ( xi ; )
i =1
Soit : ln (L( x1 , x 2 , , x n ; )) = ln ( f ( xi ; ) )
i =1
Il sagit ensuite de rsoudre lquation :
ln(L( x1 , x 2 , , x n ; ))
=0
Il y a un quasi consensus de place pour utiliser la mthode du Maximum de

vraisemblance afin destimer les paramtres des lois.
Pour valider le choix d'un modle mathmatique, le premier test dadquation est un
test graphique qui consiste placer sur un mme graphique les donnes relles
observes et les ralisations simules par le modle. Si les deux courbes se
superposent, le modle semble fiable mais il est essentiel de valider cette impression
visuelle par des calculs. En effet, les tests statistiques sont plus prcis et permettent
de valider le choix des modles. Pour cela, nous disposons des tests de KolmogorovSmirnov, Anderson-Darling, Cramer Von Mises et du Khi-Deux.
Remarque : nous exposons ici la mthode LDA en supposant quil ny aura pas de
seuil de collectes, ce qui nest pas trs raliste. Le seuil de collecte va induire un biais
impactant principalement le corps de la distribution puisque de manire gnrale, les
32 / 180
incidents de faible intensit qui ne seront pas remonts sont les plus frquents et
constituent le corps de la distribution.
Les travaux de la place sont encore en cours pour compenser ce biais mais la
technique principalement utilise jusqu prsent est la prise en compte du seuil
suivant une logique de probabilit conditionnelle qui sera tudie dans la suite du
mmoire.
Etape 2 : Construction de la distribution de pertes totales
Remarque : Cette modlisation ne conduit une expression analytique de la fonction
de rpartition FS de S que dans le cas o N suit une loi gomtrique et X suit une loi
exponentielle. Cela nous permettra de faire des comparaisons entre la vraie
distribution et celle qui est estime pour apprcier la qualit des estimations.
Il est possible dobtenir des approximations de FS avec les mthodes suivantes que
nous dtaillerons plus loin :
algorithme de Panjer qui donne mme les valeurs exactes dans le cas o X est
arithmtique
Inversion numrique de la fonction caractristique de S
Utilisation des premiers moments de S et dune distribution approximante,
lapproximation Normal Power
Simulation de Monte-Carlo.
Pour chaque croisement risque processus, nous obtenons une courbe agrge de
distribution des pertes pour un horizon de temps donn (dans Solvabilit II il sagit
dune anne).
Remarques :
Il semblerait plus logique dappliquer cette mthode uniquement aux risques de
gravit faible et de frquence leve car les pertes observes seraient en nombre
suffisant pour que la modlisation soit valable. Cest ce que nous verrons plus loin.
Cette mthode permet de simuler indpendamment tous les risques et de les agrger
en additionnant les distributions empiriques. Cela suppose lindpendance entre
tous les risques oprationnels ce qui nest vraisemblablement pas le cas.
Dans le cadre de la rglementation Ble II, le capital requis pour ce risque est la VaR
calcule avec une probabilit de 99,9%. Les banquiers utilisent plusieurs mthodes
pour agrger leurs risques : utilisation de matrice de corrlation, des copules, simple
somme des VaR). Dans le cadre de Solvabilit II, la mthode dagrgation des
risques nest pas impose.
33 / 180

4.2.2
APPROCHE PAR SCNARIOS
Lapproche par scnarios consiste raliser dans un premier temps une analyse
qualitative des risques avec les experts mtiers, qui vont construire des scnarios
pour chaque risque afin de dterminer les frquences et svrits moyennes ainsi que
la svrit extrme du risque. La construction des scnarios sapparente lapproche
SRA dcrite plus haut. Les valeurs seront ensuite utilises pour estimer les
paramtres de lois choisies a priori qui pourront donner lieu des simulations de
Monte-Carlo pour obtenir la charge totale de chaque risque. Nous verrons par la
suite des applications de cette approche.
Cette approche constitue un complment intressant quand les donnes historiques
ne sont pas suffisantes pour appliquer une mthode purement statistique. Elle trouve
en particulier son application dans lvaluation des impacts d'vnements de risque
de svre amplitude.
4.2.3
APPROCHE BAYSIENNE
La troisime approche la plus utilise est lapproche baysienne.

Lapproche baysienne consiste raliser une analyse qualitative des risques dire
dexperts et la transformer en une analyse quantitative. Cette mthode sapparente
la mthode par scnarios dans la mesure o elles se composent toutes deux dune
premire phase danalyse qualitative et de constitution de scnarios.
Lapproche baysienne permet dintroduire de la variabilit dans les scnarios
tudis et de simuler les pertes sans ncessiter de base historise. Elle permet
galement didentifier des leviers de rduction de risque dans la mesure o les pertes
sont conditionnes des indicateurs qui peuvent tre suivis et modifis pour rduire
le risque. Et enfin elle a lavantage dviter les problmes de diversification par la
construction mme du rseau comme nous le verrons plus loin.
Lavantage de lapproche baysienne est aussi quelle permet de modliser des
risques exognes pour lesquels nous navons presque pas de donnes (par exemple la
crue centennale).
Un rseau baysien est un graphe causal probabiliste reprsentant la structure de la
connaissance dun certain domaine. Il est constitu de variables alatoires discrtes
relies par des arcs orients, ces variables tant appeles des nuds. Une distribution
est rattache chaque nud. Les arcs sont des liens qui reprsentent une
dpendance causale.
Une fois le rseau baysien construit, il est possible de calculer la distribution dun
nud conditionnellement une observation effectue sur un autre nud, il sagit de
linfrence. Cela pourra nous permettre entre autres de dtecter les variables leviers,
les variables sur lesquelles les contrleurs internes devront porter plus dattention.
34 / 180
Nous avons tudi en particulier la mthode XSG (exposition, survenance,

gravit) qui consiste dfinir et modliser les trois grandeurs caractristiques du
risque savoir lexposition, la survenance et la gravit (voir [20]). Ces trois grandeurs
sont influences par des variables appeles indicateurs de risque (ou KRI4).
Nous allons prsenter les mthodes pour valuer les diffrents lments du rseau
baysien.
a) Evaluation de lexposition
Lexposition est lensemble des lments de lentreprise qui sont exposs au risque.
Elle doit tre dfinie de sorte que le risque ne puisse survenir quune seule fois au
plus dans lanne.
La quantification du risque oprationnel doit tre faite sur lanne venir, le nombre
dobjets exposs au risque doit donc tre anticip pour lexercice suivant.
En gnral, lexposition prvue pour lanne venir est lexposition constate
multiplie par un coefficient daugmentation.
b) Evaluation de la survenance
Lobjet expos tant choisi de sorte quil ne puisse tre frapp quau plus une seule
fois, la survenance sera par construction une loi Binomiale B(n,p) o n est le nombre
dobjets exposs et p la probabilit que nous aurons estimer.
Il existe plusieurs mthodes pour valuer cette probabilit :
Mthode empirique : elle consiste rapporter le nombre de sinistres constats
au nombre dobjets exposs dans le pass. Si aucun sinistre nest survenu
pendant la priode de rfrence alors on supposera titre prudentiel quun
sinistre est survenu.
Mthode externe : cest une valuation externe pour les risques non
spcifiques la compagnie.
Mthode subjective : dire dexperts.
Mthode combine : il sagit de combiner lavis dexpert au rsultat empirique.
c) Evaluation de la gravit
Il faut se placer dans la situation o la survenance de la perte est avre et identifier
les variables quantifiables (KRI) intervenant dans le calcul de la gravit.
d) Evaluation des KRI :
Il existe plusieurs mthodes pour valuer les KRI selon les informations dont on
dispose (nous privilgions toujours les valuations bases sur des observations)
Lvaluation dire dexperts se fait autant que possible sous la forme de trois
hypothses : hypothse basse (cas favorable : la probabilit rattache cette
4
KRI = Key Risk Indicator
35 / 180
hypothse est fixe a priori 25%), hypothse moyenne (la probabilit rattache
cette hypothse est fixe a priori 50%), hypothse haute (cas dfavorable : la
probabilit rattache cette hypothse est fixe a priori 25%).
Lvaluation empirique des KRI consiste construire une distribution empirique sur
la base de donnes observes.
La structure du rseau baysien sera dfinie par les experts travers des scnarios.
Les paramtres du rseau baysien pourront tre dtermins de faon empirique ou
dire dexperts. Ce point sera dvelopp en dtail plus bas.
Une fois le rseau baysien construit, il reste dfinir lalgorithme de calcul.
Soient ( X 1 , , X n ) les objets exposs au risque oprationnel tudi.
Soit Pi = P (Exposition = X i ) la probabilit que lexposition soit les objets X i .
Soit PS i = P (Survenance =" Oui" Exposition = X i ) la probabilit que le risque survienne
sachant que lexposition est Xi.
Ces deux probabilits sont
prcdemment).
connues (elles ont
estimes comme
vu
Soit PG i = P (Gravit Survenance =" Oui" et Exposition = X i ) la distribution de la gravit

sachant que le risque sest produit sur les objets X i .
Lalgorithme consiste raliser successivement les tapes suivantes :
1) positionner lexposition X i , la survenance Oui dans le rseau baysien et lire la
distribution de la gravit PG i = P (Gravit Survenance =" Oui" et Exposition = X i ) .

2) chantillonner le nombre de pertes Fi selon la loi binomiale B(nb( X i ); PS i ) .
3) pour chacun des incidents de 1
Fi ,
chantillonner la gravit suivant la
distribution PGi .
4) sommer les Fi gravits.
Rpter ces 4 tapes un grand nombre de fois en conservant les sommes des gravits
chaque fois. Nous obtenons ainsi une distribution de pertes totales.
36 / 180
4.3 MTHODES DE CALCUL DE LA CHARGE TOTALE

Nous dcrivons ici les diffrentes mthodes permettant dobtenir la distribution de la
charge totale dun risque oprationnel, sachant que nous avons ajust au pralable
des lois de frquence et de cot.
4.3.1
FORMULE RCURSIVE DE PANJER
La formule de Panjer est une formule de rcurrence qui fournit la vraie distribution
de charge totale si les lois de cots individuels et de frquence sont connues,
valeurs entires et bornes. Sinon ce sera une approximation.
Plusieurs conditions sur la loi des cots et la loi des frquences doivent tre remplies
pour appliquer la mthode de Panjer. Il y a notamment une contrainte sur la forme
de la loi des cots individuels qui doit tre valeurs entires et bornes et une
contrainte sur la forme de la loi de frquence. Voici ces conditions et comment
adapter nos lois ces conditions :
1) Rendre la loi du cot individuel valeurs entires et bornes :
Pour pouvoir appliquer lalgorithme de Panjer, il est ncessaire de transformer la loi
des cots individuels qui est en gnral continue en une loi valeurs entires et
bornes.
Pour cela, nous avons utilis la mthode des arrondis que nous allons vous prsenter
ci-dessous.
Mthode des arrondis :
Cette mthode sapplique une loi continue pour la rendre valeurs entires
bornes.
Soit F la fonction de rpartition du cot individuel X que nous avons dtermin au
pralable.
~
Soit K la fonction de rpartition du cot individuel arithmtis X que nous
cherchons approcher.
~
En particulier, nous allons chercher estimer les probabilits P ( X = jh) pour j=0, 1,
, n et h>0 le pas choisi (pour appliquer Panjer nous prendrons h=1).
La mthode des arrondis consiste estimer ces probabilits selon les trois approches
suivantes :
Arrondi lunit infrieure : PA
~
Lorsque X prend la valeur 0, nous dirons que cela correspond X prend ses
~
valeurs entre 0 et h, la valeur de X est la valeur de la borne infrieure de lintervalle
~
[0 ; h] : PA ( X = 0) = P (0 X h) = F ( h)
37 / 180
~
De mme, lorsque X prend la valeur h, nous dirons que cela correspond X prend
~
ses valeurs entre h et 2h, la valeur de X est la valeur de la borne infrieure de
~
lintervalle [h ; 2h] : PA ( X = h) = P ( h X 2 h) = F ( 2h ) F ( h)
~
X =0
~
X =h
X entre 0 et h
~
X =2h
X entre h et 2h
X entre 2h et 3h
2h
3h
~
En gnralisant : lorsque X prend la valeur jh, nous dirons que cela correspond X
~
prend ses valeurs entre jh et jh+h, la valeur de X est la valeur de la borne infrieure
de lintervalle [jh ; (j+1)h] :
~
PA ( X = jh) = P( jh X ( j + 1)h) = F (( j + 1)h) F ( jh) pour j
F(x)
~
P ( X = 2h)
~
P ( X = h)
~
P ( X = 0)
F(h)
2h
3h
Arrondi lunit la plus proche :

~
Lorsque X prend la valeur 0, nous dirons que cela correspond X prend ses
h
~
h
valeurs entre 0 et h/2 : PB ( X = 0) = P 0 X = F
2
38 / 180
~
~
ces valeurs entre h/2 et h+h/2, la valeur de X est le milieu de lintervalle [h/2 ; 3h/2] :
3h
~
h
3h
h
PB ( X = h) = P X
= F F
2
2
2
2
~
X =0
~
X =h
X entre 0 et h/2
~
X =2h
X entre h/2 et 3h/2
h/2
X entre 3h/2 et 5h/2
3h/2
2h
5h/2
~
~
prend ces valeurs entre jh-h/2 et jh+h/2, la valeur de X est le milieu de lintervalle [jhh
h
h
h
~
h/2 ; jh+h/2] : PB ( X = jh ) = P jh X jh + = F jh + F jh pour j *
2
2
2
2
~
P ( X = 2h)
~
P ( X = h)
~
P ( X = 0)
h/2
h+h/2
2h
2h+h/2
Arrondi lunit suprieure :

~
Lorsque X prend la valeur 0, nous dirons que cela correspond X prend ces
~
valeurs entre 0 et 0+ : PC ( X = 0) = P ( X 0+ ) = F (0 + )
~
~
ces valeurs entre 0 et h, la valeur de X est la valeur de la borne infrieure de
~
lintervalle [0 ; h] : PC ( X = h) = F (h + ) F (0 + )
39 / 180
~
X =0
X est 0+
~
X =h
X entre 0 et h
~
X =2h
X entre h et 2h
2h
~
~
prend ces valeurs entre jh-h et jh, la valeur de X est le milieu de lintervalle [jh-h ;
~
jh] : PC ( X = jh) = P ( jh h X jh) = F ( jh + ) F (( j 1) h + ) pour j *
~
P ( X = 2h)
~
P ( X = h)
~
P ( X = 0)
2h
3h
Larrondi lunit la plus proche donne une bonne approximation de la distribution

de la charge totale et les deux autres arrondis forment un encadrement de la
distribution.
Par exemple pour arithmtiser la loi de Weibull avec un pas de 1, on aurait :
1/ 2 a
~
1
PB ( X = 0) = F = 1 exp
(a et b sont dfinis page 92)
2
b

j 1 / 2 a
j +1 / 2 a
1
1
~
PB ( X = j ) = F j + F j = exp
exp

b
b
2
2
pour j *
40 / 180
2) Vrification de la forme de la loi de frquence :

Une fois la loi du cot est valeurs entires et bornes, nous devons nous assurer
que la loi de la frquence
a, b tels que
( pn )n0
utilise vrifie bien :
p n = a + p n 1
n
pour n 1
Cette proprit est ncessaire lapplication de la formule de Panjer (voir

dmonstration [21])
Les distributions Binomiale, Poisson et Binomiale Ngative sont les seules lois
vrifier cette proprit avec les a et b indiqus dans le tableau suivant :
Distributions
( , p )
b
p
q
( + 1)
p
q
( )
(r , p )
(r 1)q
3-a) Formule rcursive de Panjer dans le cas o X valeurs dans N*:

La formule de Panjer nous permet de reconstituer la distribution de S discrtise
partir de P(S=0) = P(N=0) (car toute perte a un cot >0) :
s
k
P( S = s) = a + b P( X = k ) P( S = s k )
s
k =1
pour s 1
3-b) Formule rcursive de Panjer dans le cas o X valeurs dans N:

La formule stend au cas o X est valeurs dans N :
+
P ( S = 0) = P ( N = k ) P k ( X = 0)
k =0
s
P( S = s) =
4.3.2
a + b s P( X = k ) P( S = s k )
k =1
1 aP ( X = 0)
pour s 1
INVERSION DE LA FONCTION CARACTRISTIQUE
Cette mthode consiste obtenir la fonction caractristique S de la charge totale S

puis de linverser par la transforme inverse de Fourier pour obtenir la loi de S.
41 / 180
La fonction caractristique S de la charge totale S peut tre dtermine partir de la

fonction gnratrice des probabilits g N de la loi de frquence et la fonction
caractristique X de la loi du cot individuel :
S (t ) = g N [ X (t )] pour t
La transformation de Fourier fonctionne avec des variables alatoires valeurs dans
kN, ainsi il va falloir arithmtiser la loi de X et par consquent celle de S.
Linverse de la fonction caractristique repose sur la proprit suivante :
Si Y est une variable alatoire arithmtique valeurs dans hN avec h>0 fix, on a
P(Y = kh) =
1
2
2
0
t
e itk Y dt
h
pour k
Cette quantit peut ensuite tre estime grce aux transformes de Fourier, comme
nous allons le montrer ici :
Lintervalle [0 ; 2 ] est dcoup en m sous intervalles de mme longueur gale
2
.
m
Lexpression peut alors scrire
P (Y = kh) =
1
2
m 1
j =0
2
( j +1)
m
2
j
m
t
e itk Y dt
h
pour k
Lide est alors dapproximer les intgrales sur les sous intervalles par des aires de
rectangles pour tomber sur des transformes de Fourier :
2
( j +1)
m
2
j
m
itk
2
t
e m
Y dt
m
h
jik
2j
mh
1 m 1 m jik 2j
Y
Do P (Y = kh) e
m j =0
mh
pour j , k = 0, 1, , m 1
pour k
Les diffrentes tapes de calcul sont :

Arithmtiser la loi du cot individuel (vu prcdemment)
Calculer la fonction caractristique du X arithmtis
Calculer S en appliquant la fonction gnratrice de N X selon la proprit
vue plus haut
Calculer la loi de S en appliquant la transforme de Fourier inverse.
42 / 180

4.3.3
MTHODE BASE SUR LES MOMENTS
Cette mthode repose essentiellement sur la loi Normale et les moments de S qui
sobtiennent facilement partir des moments de N et de X.
S 3
Notons = E ( S ), = V ( S ) et 1 = E
les moments de S.

Il existe plusieurs approximations
lapproximation Normal Power :
3
9
6 x
+
+
FS ( s ) +
1
1
12
1
4.3.4
bases
sur
les
moments
notamment
3
pour x 1 +
et 1 > 0
6 2 1
SIMULATION DE MONTE-CARLO
Dans le cadre du calcul de la charge totale, la mthode de Monte-Carlo consiste

simuler un certain nombre de scnarios partir des lois de frquence et de cot
individuel des pertes comme le montre le schma suivant.
Frquence
Svrit
La simulation dun scnario consiste tout dabord, simuler la variable alatoire de

frquence avec la loi retenue. En fonction de la ralisation obtenue il faut alors
simuler le montant des pertes de faon indpendante. Dans lexemple ci-dessous, le
scnario n1 correspond la simulation des pertes sur une anne. Au cours de cette
anne, lentreprise aura subi 135 pertes du risque k dont la perte n1 aura pour
montant 10 000 et la perte n135 aura pour montant 150 000 et le total des pertes
43 / 180
sur un an pour le risque k sera de 680 000, cest ce montant que nous conserverons
et qui reprsentera un point de la distribution empirique.
Il suffit alors de rpter cette opration en nombre assez important, de classer tous
les scnarios en ordre croissant et nous obtenons la distribution empirique des pertes
totales pour le risque k.
La convergence se vrifie en reprsentant graphiquement les valeurs du quantile en

fonction du nombre de simulations. Si cela se stabilise cela a toutes les chances de
converger.
44 / 180
4.4 THORIE DES VALEURS EXTRMES

La Thorie des Valeurs Extrmes (voir [22]) fournit un certain nombre doutils
probabilistes et statistiques pour la modlisation des vnements rares qui peut nous
tre utile pour modliser les risques oprationnels graves. Nous prsentons ici les
grandes lignes de cette thorie puis nous verrons comment elle peut sappliquer au
risque oprationnel.
Il existe deux approches principales :
Lapproche des maxima, ou mthode par blocs, qui consiste observer et
modliser les valeurs de pertes maximales. Si nous raisonnons sur tout notre
chantillon, nous navons quun seul maximum. Pour avoir un certain nombre
dobservations de maximum, il faut dcouper notre chantillon et prendre le
maximum pour chaque bloc. Nous obtenons ainsi un nombre de maxima gal
au nombre de blocs.
Le thorme de Fisher Tippett nous fournit la loi limite du maximum
normalis. Cette loi est la loi des extrmes gnraliss. Nous utilisons alors nos
maxima observs pour la calibrer.
Lapproche dite Peaks Over Threshold (POT) qui consiste considrer les
valeurs au-del dun seuil et non plus seulement le maximum. Toute la
difficult revient choisir un seuil appropri qui nous permette dappliquer le
thorme de Pickands. Ce thorme nous permet de modliser nos excs par
une distribution de Pareto Gnralise (GPD). Cette approche est plus
couramment utilise que lapproche des maxima car elle permet dexploiter
plus dinformations fournies par notre chantillon.
Approche des maxima :

Soit ( x1 , x 2 , , x n ) un chantillon donn reprsentant le cot des pertes.
En pratique, le maximum de lchantillon x( n ) ne reprsente quune seule observation,
il nest pas possible de se baser sur une seule observation pour faire notre
modlisation.
Lide est donc de dcouper notre chantillon en m chantillons de taille n/m pour
obtenir m valeurs de maximum.
Puis le thorme de Fisher-Tippett nous fournit la loi du maximum.
Thorme de Fisher Tipett :
Soit (X 1, X 2 , , X n ) une suite de variables alatoires indpendantes et identiquement
distribues de fonction de rpartition FX .
Notons X n:n = max ( X 1, X 2 , , X n ) .
45 / 180
Sil existe deux suites de rels (an) R et (bn)> 0 et une loi non dgnre de fonction
X an
de rpartition G tels que n:n
G
loi
bn
alors G est ncessairement sous lune des trois formes suivantes :
Frchet
Weibull
0
( x ) =
exp( x )
si x 0
si x > 0
Gumbel
exp(( x) )
( x) =
1
si x 0
si x > 0
( x) = exp e x
pour x
Ces trois distributions sont le cas particulier de la loi GEV (Generalized Extreme
1 /
1 /
x
x
exp
1
+
,
si
1
+
> 0 et 0,
Value) : G , , ( x) =
1 /
x
x
si 1 +
> 0 et = 0.
,
exp exp

reprsente lindice des valeurs extrmes. Plus il sera lev en valeur absolue, plus le
poids des extrmes dans la distribution initiale sera important.
le paramtre de localisation. Il indique approximativement le cur de la
distribution.
le paramtre dchelle. Il indique ltalement des extrmes.
Frchet
Weibull
Gumbel
= 1 > 0
n = 0
= 1 < 0
n = xF
=0
1
n
n = F 1 1
1
n
n = xF F 1 1
1
n
n = F 1 1
n =
1
S ( n )
S (t )dt
n
O S(x)=1-F(x) et xF = sup{x tel que FX ( x) < 1}
La fonction de rpartition FX influe sur la distribution limite G, c'est--dire sur les

paramtres, elle est dite dans le domaine dattraction de G.
La thorie des valeurs extrmes nous permet de connatre les lois qui appartiennent
aux trois domaines dattractions :
Les lois de Cauchy, Pareto, Student et LogGamma appartiennent au domaine
dattraction de la loi de Frchet : ce sont des lois queues paisses,
46 / 180
Les lois Weibull, Normale, Exponentielle, Gamma et Log-Normale

appartiennent au domaine dattraction de la loi de Gumbel : ce sont des lois
queues fines et moyennes,
Les lois Uniformes et Beta appartiennent au domaine dattraction de la loi de
Weibull : ce sont des lois queues finies .
Ainsi, si nous connaissons la loi des sinistres, nous pouvons en dduire la loi du
maximum. Or, en pratique nous ne connaissons pas la loi thorique de notre
chantillon et les paramtres doivent tre estims par des mthodes statistiques. Il
existe plusieurs mthodes pour estimer les paramtres : nous pouvons distinguer les
approches paramtriques et non paramtriques.
Estimation des paramtres par la mthode du maximum de vraisemblance :

Considrons lchantillon des maxima sur les m chantillons crs, not :
( M 1 , M 2 ,..., M m ) . La log-vraisemblance peut scrire :
Pour 0,
m
ln L(M 1 , , M m ; , , ) = ln(h , , ( M i ))
i =1
m
Mi
M 1 /
1+ m
= m ln (
) ln(1 +
) (1 + i
)
i 1
i =1
O h,, est la densit de la loi des Valeurs Extrmes Gnralise (GEV)

1+

1
x
x 1 /
x 1 /
1+ (
)
exp((1 + (
) ), si (1 + (
) ) > 0, 0,

h,, =
1
x
x
exp(
)), si = 0;
exp(
La rsolution de cette quation se fait par des mthodes numriques (algorithme de

Quasi-Newton). En pratique, nous utilisons les fonctions prdfinies sur les logiciels
statistiques tels que le logiciel R.
Remarque : Lorsque la taille de lchantillon est petite, lestimateur du maximum de
vraisemblance fournit une estimation biaise.
Dans le cas o =0, la log-vraisemblance scrit :
m
ln L(M 1 , , M m ;0, , ) = -n ln - exp(i =1
Mi
Mi
i =1
La rsolution se fait l encore par des mthodes numriques.

Lapproche des maxima est utilise dans le cas o nous avons des observations
priodiques. Dans le cadre des risques oprationnels, cette mthode ne peut pas tre
47 / 180
applique dans la mesure o nous navons pas forcment dobservations tous les
mois et peu de recul.
Mthode des sinistres au-del dun seuil :

Cette mthode a pour but de modliser la loi des observations au-del dun seuil par
la loi de Pareto Gnralise travers le thorme suivant :
Thorme de Pickands-Balkema-de Haan :
Soit X variable alatoire de fonction de rpartition FX.
X b
lim n > P n, n n x = G ( x)
an
limu > x F sup[ 0, x F ] FXu ( x) G , (u ) ( x) = 0
Avec xF = sup{x tel que FX ( x) < 1} , FXu ( x) = P( X u x X > u ) et G , est la fonction de

rpartition de la loi de Pareto gnralise :
1 (1 + x / )( 1 / ) si 0
G , ( x) =
1 e( x / ) si = 0
Remarque : lindice de queue intervenant dans la limite du maximum est identique

au paramtre de la loi GPD.
Pour un seuil u fix, la fonction de rpartition des excs au-del de ce seuil peut
P X x+u X >u
F ( x + u ) FX (u )
scrire : FXu ( x) = P( X u x X > u ) =
= X
P( X > u )
1 FX (u )
u doit tre suffisamment grand pour que lon puisse appliquer le rsultat prcdent,
mais u ne doit pas tre trop grand afin davoir suffisamment de donnes pour
obtenir des estimateurs de bonne qualit. Gnralement, u est dtermin
graphiquement. Pour des chantillons de taille infrieure 500, le nombre dexcs
reprsentent entre 5 et 10% de lchantillon.
Mthodes pour dterminer le seuil u :

Dfinissons la fonction dexcdent moyen (Mean Excess Function), il sagit de
lesprance des excs sachant que les pertes dpassent le seuil :
xF
e(u ) = E (X u X > u ) = ( y u )
u
dFX ( y)
avec xF = sup{x tel que FX ( x) < 1}
1 FX (u )
48 / 180
Cette fonction peut tre estime par la fonction dexcdent moyen empirique :
+
en (u ) =
(X
i =1
u)
I{
i =1
X i >u }
Pour u , E [X X > ] =
(u ) + ( u )
si les excs au-del du seuil suivent une
1
loi GPD.
Lesprance conditionnelle des excs est une fonction affine de v, lorsque v est
suprieur au seuil de rfrence u. Cela donne un moyen empirique de tester si le
seuil u choisi pour les calculs est suffisamment lev : les esprances des excs audel des seuils plus levs doivent tre alignes sur une droite de pente
Estimateur de Hill : cest un estimateur de lindice de queue qui nest valable que
pour > 0, il scrit :
kH, n =
n
1
ln X (i ,n) ln X ( n k ( n) +1,n)
k (n) i = n k ( n ) +1
Une approche alternative au mean excess plot consiste calculer lestimateur de Hill
de lindice de queue pour diffrents seuils et chercher partir de quel seuil cet
estimateur est approximativement constant.
Il est galement possible de calculer un estimateur de lindice de queue par la

mthode du maximum de vraisemblance pour diffrents seuils et chercher partir
de quel seuil cet estimateur est approximativement constant.
Estimation des paramtres :

Lorsque u est dtermin, les paramtres peuvent tre estims par la mthode du
maximum de vraisemblance.
La densit de la loi de Pareto gnralise peut scrire :
x (1+ ) /
1
si 0
(1 + )
g , ( x ) =
1 e( x / )
si = 0
49 / 180
Estimation des paramtres par la mthode du maximum de vraisemblance :
nu
La log-vraisemblance scrit ln L X 1 , X 2 ,..., X nu ; , = ln(g , ( X i )) avec nu la taille

i =1
de notre chantillon X 1 , X 2 ,..., X nu qui contient les pertes au dessus du seuil u.

Pour 0, la log vraisemblance est gale :
nu
1
ln L X 1 , X 2 ,..., X nu ; , = nu ln( ) ( + 1) ln(1 + X i ) .
i =1
Dans ce cas, la maximisation de la log-vraisemblance se fait par des mthodes

numriques.
Pour =0, la log vraisemblance est gale :
ln L X 1 , X 2 ,..., X nu ;0, = nu ln( )
nu
X
i =1
Dans ce cas, la maximisation donne une forme analytique de lestimateur nu de

nu
n =
u
i =1
Xi
nu
Il existe dautres mthodes pour estimer les paramtres dune loi GPD. Hosking et
Wallis (voir [25]) ont montr que, pour des chantillons de taille infrieure 500, les
mthodes des moments et des moments pondrs sont plus efficaces que la mthode
du maximum de vraisemblance. Cependant, le problme essentiel est le domaine de
validit de : <1/2.
Jean Diebolt, Armelle Guillou et Imen Rached (voir [13]) ont trouv une mthode
permettant dlargir le domaine de validit <3/2. Il sagit de la mthode des
moments pondrs gnralise.
Pour un seuil suffisamment lev, la frquence des excs est modlise par une loi de
Poisson (voir dmonstration page 428 [11]).
Cette mthode est trs intressante dans le cadre des risques oprationnels. En effet,
lide est de trouver un seuil par type de risque et de simuler les pertes en dessous
du seuil avec des lois classiques et les pertes au-dessus avec une GPD. Puis de les
agrger en supposant que les graves sont indpendants des pertes attritionnelles ce
qui est une hypothse couramment utilise. Si le nombre de graves est trop faible par
risque, nous considrerons notre base et estimerons le seuil des graves sur toute la
base. Puis nous simulerons de la mme faon que celle dcrite prcdemment les
pertes attritionnelles et les pertes graves.
50 / 180
4.5 MESURES DE RISQUE

Ds lors que lon dispose de la distribution estime de la perte totale, comment peuton en dduire le capital conomique ? Il faut alors utiliser une mesure de risque qui
dans la plupart des cas sera la VaR ou la TVaR que nous dfinissons plus bas.
Une mesure de risque est, par dfinition, une fonctionnelle f qui associe le rel f(X)
une perte X du risque. f(X) sera donc considr comme le montant de capital dont la
compagnie doit disposer pour faire face une perte de montant X. Cette mesure doit
vrifier un certain nombre proprits:
Invariance par translation : ( X + a ) = ( X ) + a
Homognit : ( X ) = ( X )
pour tout X et a 0
pour tout X et 0
Lhomognit peut traduire une invariance par rapport aux units

montaires.
Monotonie : X Y
implique ( X ) (Y )
pour tout X et Y
La monotonie traduit le fait que plus le risque est important, plus le montant
de capital sera lev.
Sous-additivit : ( X + Y ) ( X ) + (Y )
pour tout X et Y
La sous-additivit traduit la rduction de risque par diversification.

Borne suprieure : ( X ) max( X )
pour tout X
Si une mesure vrifie toutes les proprits ci-dessus, elle est dite cohrente.
Les mesures de risque les plus utilises actuellement sont la Value at Risk (VaR) et la
Tail Value at Risk (TvaR).
Dfinissons la VaR :
Etant donn un risque X et un niveau de probabilit [0; 1] , la VaR note
VaR ( X ) est le quantile dordre de X.
VaR ( X ) = inf {x FX ( x) }
La VaR ne possde pas toutes les proprits prcdentes et nest donc pas une
mesure cohrente. Elle est invariante par translation, homogne et monotone.
La VaR nest pas sous-additive ce qui implique que leffet de diversification nest pas
toujours positif : une compagnie pourrait avoir une VaR globale plus leve que la
somme des VaR calcules sur chaque risque. Ceci pousserait les compagnies ne pas
diversifier leurs risques ce qui est contraire la logique du modle interne.
De plus, linconvnient de la VaR est quelle fournit un niveau de pertes qui sera
dpass dans 1- cas au plus mais elle ne donne aucune information propos de ce
qui se passe lorsque la VaR est dpasse. Par contre, cest ce que va nous fournir la
TVaR.
51 / 180
En effet, la TVaR reprsente la perte moyenne au-del de la VaR ( X ) , ie dans les

1
1
pires des cas : TVaR ( X ) =
VaR ( X ) d
1
La TVaR est cohrente.
Malgr ces qualits, la TVaR est peu utilise en assurance du fait de la difficult de
calcul et dinterprtation.
Par ailleurs, Solvabilit II recommande dutiliser la VaR pour dterminer le capital
conomique.
Calcul de la VaR dans la thorie des extrmes :
Soit n le nombre de pertes observes.
N u reprsente le nombre de sinistres qui dpassent le seuil u.
X reprsente le cot de chaque sinistre.

Une fois les paramtres de la loi de Pareto Gnralise , estims, il faut inverser la
N
x u
) pour obtenir la fonction
fonction de rpartition F X ( x) = 1 u 1 + (
n

quantile. Cela nous permet ensuite de calculer la VaR dordre par la formule

n

1 .
suivante: VaR = u + (1 )
Nu

4.6 AGRGATION DES RISQUES

Comment modliser les liens entre les risques ? Comment agrger les scnarios
simuls ?
Dans la mthode classique LDA, les VaR des diffrents risques sont additionnes ce
qui correspond comme nous lavons dj vu une dpendance totale positive : les
scnarios sont tris par ordre croissant sur chaque risque puis ils sont additionns.
Lemploi dune matrice de corrlation est trs souvent observ, cela permet de
prendre en compte la diversification. Lindpendance est galement souvent utilise
pour des raisons de simplicit bien quelle ne soit pas reprsentative de la ralit.
Depuis plusieurs annes est apparue lutilisation de la thorie des copules dans la
modlisation des dpendances entre les risques. Lavantage des copules par rapport
une matrice de corrlation rside dans la possibilit de lier les risques de faon non
linaire. Nous allons exposer brivement lessentiel de la thorie.
Avant dentamer la thorie des copules, rappelons que les notions de dpendance et
corrlation ne sont pas gales. En effet, si deux variables sont indpendantes alors
elles ne seront pas corrles. Par contre, la rciproque nest pas vraie (except dans le
52 / 180
cas gaussien). Intressons-nous aux mesures de concordance qui sont utiles dans la
thorie des copules.
4.6.1
MESURE DE CONCORDANCE
Dfinissons la concordance :
Soient ( x, y ) et (~
x, ~
y ) deux ralisations dun vecteur alatoire continu (X, Y), alors
(x, y ) et (~x , ~y ) sont dites concordantes si (x ~x )( y ~y ) > 0 et discordantes
si ( x ~
x )( y ~
y)< 0.
Le tau de Kendall et le rh de Spearman sont deux mesures de concordance

couramment utilises en statistique. Elles donnent une mesure de la corrlation entre
les rangs des observations, la diffrence du coefficient de corrlation linaire qui lui
apprcie la corrlation entre les valeurs des observations. Elles offrent par ailleurs
lavantage de sexprimer simplement en fonction de la copule associe au couple de
variables alatoires. Par contre, ces mesures ne permettent destimer la dpendance
quentre 2 variables.
Tau de Kendall :
Pour ( x, y ) et (~
x, ~
y ) deux ralisations dun vecteur alatoire continu (X, Y), le tau de
Kendall est dfini par ( X , Y ) = Pr (( x ~
x )( y ~
y ) > 0) Pr (( x ~
x )( y ~
y ) < 0) .
Avec une structure de copule C continue (voir dfinition copule sur la page
suivante), nous pouvons dduire :
( X , Y ) = 4 E[C (U ,V )] 1
Rh de Spearman :
Le Rh de Spearman est dfini par :
( X , Y ) = 3{Pr (( x ~x )( y ~y ) > 0) Pr (( x ~x )( y ~y ) < 0)}
S
Avec une copule continue : S ( X , Y ) = 12 C (u , v )dudv 3

[ 0 ,1 ]2
Le Rh de Spearman peut aussi tre considr comme un coefficient de corrlation

sur les rangs des variables.
(R
n
S (X ,Y ) =
i =1
(R
R )(S i S )
R)
(S
S)
, o Ri et S i sont les rangs de la ralisation de (X, Y).
53 / 180

4.6.2
DFINITION DES COPULES
Nous pouvons prsent entrer dans le vif du sujet avec, pour commencer, la
dfinition dune copule :
Une copule est une fonction de rpartition multivarie C dfinie sur [0 ;1]n et dont les
lois marginales sont uniformes standards :
C (u1 , , u n ) = P (U 1 u1 , , U n u n )
L'outil fondamental de la thorie des copules est le thorme de Sklar (1959) :

Soit F une fonction de rpartition n-dimensionnelle avec des marginales F1 , , Fn ,
alors il existe une n-copule C telle que pour tout x de
F ( x1 , , x n ) = C ( F1 ( x1 ), , Fn ( x n ))
Si de plus les marginales F1 , , Fn sont continues alors C est unique.

Ainsi une copule rsume toute la structure de dpendance.
Il existe plusieurs types de copules dont les deux principaux sont : les copules
elliptiques et les copules archimdiennes.
Copules archimdiennes :
La dfinition dune copule archimdienne est la suivante :
Soit une fonction convexe, continue, strictement dcroissante de [0; 1] dans [0 ;]
telle que (1)=0 et (0)= alors C (u1 , , u n ) = 1 ( (u1 ) + + (u n )) est une copule
archimdienne stricte et est appel gnrateur strict de C.
Les copules archimdiennes ont lavantage de dcrire des structures de dpendance
trs diverses. Linconvnient des copules archimdiennes est quelles ne possdent
quun seul paramtre donc dans le cas o la dimension sera suprieure 3 la
structure se rsumera en un seul paramtre. Dans ce cas, il faudra passer par
plusieurs copules archimdiennes bi-varies mais l, le problme sera le conflit entre
les dpendances.
54 / 180
Le tableau suivant comporte les caractristiques des copules les plus connues.
Copule
(u)
C(u,v)
Gumbel
( ln(u )) a , a 1
exp ( ln u ) a + ( ln v) a
Frank
e au 1
, a 0
ln a
e 1
Clayton
(u a 1)
,a>0
a
k
O Dk ( x) = k
x
Taux
de
Kendall a
1 (e au 1)(e av 1)
ln 1 +
a
e a 1
(u
+ v a 1
1 1
1
4 (1 D1 (a ))
a
a
a+2
tk
0 e t 1 dt
x
Le paramtre a mesure le degr de dpendance entre les risques : plus il est lev
plus la dpendance est forte et une valeur positive de a indique une dpendance
positive.
La copule de Gumbel napprhende que des dpendances positives et notamment la

queue suprieure. En particulier, elle convient trs bien pour modliser les
dpendances entre des risques rares fort impact.
La copule de Frank permet de modliser les dpendances aussi bien positives que
ngatives mais il nexiste pas de dpendance de queue pour cette copule.
La copule de Clayton ne permet de modliser que des dpendances positives comme

la copule de Gumbel. Cependant, elle apprhende les dpendances entre risques de
frquence faible intensit.
55 / 180
56 / 180
Copules elliptiques :
Parmi les copules elliptiques figurent les copules gaussienne et de Student, elles sont
peu adaptes nos problmatiques dans la mesure o elles sappliquent des
distributions symtriques. Cependant, les copules gaussiennes offrent lavantage
dapprhender des dpendances en dimension n trs simplement laide dune
matrice de corrlation.
La copule gaussienne est dfinie par :
C (u1 , , u d ) = 1 (u1 ), , 1 (u d )
O (x) est la fonction de rpartition de la loi normale centre rduite et

( x1 , , x d ) est la fonction de rpartition jointe des distributions normales et la
matrice de corrlation.
Le nombre de paramtres de la copule est le nombre de corrlations d(d-1)/2 .
57 / 180
Il nexiste pas de forme simple de la copule. Dans le cas bi dimensionnel (avec un

seul lment de corrlation), la copule gaussienne peut scrire :
C (u1 , u 2 ) =
1 ( u1 )
4.6.3
1 ( u 2 )
1
2 1 2
x 2 2 xy + y 2
exp
2 (1 2 )
dy dx
ESTIMATION DES PARAMTRES DUNE COPULE
Nous allons prsenter ici les diffrentes mthodes permettant destimer les
paramtres dune copule.
Mthode des moments :

Cette mthode consiste utiliser une mesure de concordance qui dpendra du
paramtre de la copule et linverser pour en dduire une estimation du paramtre.
Cette mthode nest pas robuste dans la mesure o il y a plusieurs mesures de
concordances utilisables. Dans la pratique, cest le taux de Kendall qui est le plus
utilis en tant que mesure de concordance pour estimer le paramtre car il est facile
calculer.
Pour les copules archimdiennes, nous avons vu plus haut les relations qui existaient
entre le tau de Kendall et le paramtre. Il suffit d inverser cette relation. Dans le
cas de la copule de Frank, le tau de Kendall sexprime en fonction dune intgrale du
paramtre, cette rsolution sera donc numrique.
Pour les copules elliptiques, il existe un lien simple entre la matrice de forme et le
tau de Kendall (ou le rh de Spearman). Ces deux mesures ne dpendent pas des
distributions marginales des variables, mais uniquement de la copule.
(X i , X j ) =
arcsin ( i , j ) , o i , j est le coefficient de corrlation entre X i et X j .
Nous en dduisons , en inversant chaque relation :
2
=

1
1
2
k +1
k +1
j +1
j +1
n2
n 3
n2
n 1
j
n 3
n1
n
1
58 / 180
Mthode du maximum de vraisemblance :

La mthode du maximum de vraisemblance consiste maximiser la vraisemblance
de la loi jointe.
Grce au thorme de SKLAR, nous pouvons exprimer la densit dun vecteur
alatoire ( X 1 , X 2 , , X n ) en fonction de la densit de la copule associe c et de ses
marginales.
Soit f la fonction de densit de la distribution jointe de ( X 1 , X 2 , , X n ) , alors :
n
f ( x1 , , x n ) = c(F1 ( x1 ), , Fn ( x n )) f i ( xi ) , o les
sont les densits des lois
fi
i =1
marginales, les Fi sont les fonctions de rpartition des lois marginales et c(.) est la
densit de la copule.
La fonction de log-vraisemblance scrit alors :
T
( (
) )
L( ) = ln c F1 x1t ; 1 , , Fn x nt ; n ; + ln f i x it ; i , o = ( 1 , , n , ) est le
t =1
t =1 i =1
vecteur des paramtres estimer

Nous pouvons dduire lestimateur en maximisant la vraisemblance.
Mthode IFM (Inference Functions for Margins):

Cette mthode propose une estimation spare des paramtres des distributions
marginales et ceux de la copule.
Dans un premier temps, nous devons estimer les paramtres de chaque distribution
marginale une une par la mthode du maximum de vraisemblance :
i = arg max Li ( i ) = arg max ln f i (x it ; i ) , o Li est la fonction de log-vraisemblance

T
t =1
de la distribution marginale Fi .
Nous pouvons alors dduire les paramtres de la copule en utilisant lestimation :
T
( (
) )
= arg max Lc ( ) = arg max ln c F1 x1t ; 1 , , Fn x nt ; n ; , o Lc est la fonction de

t =1
log-vraisemblance de la copule.
59 / 180
Mthode CML (Canonical Maximum Likelihood):

La diffrence entre cette mthode et la mthode IFM est que nous navons pas besoin
destimer les paramtres des distributions marginales pour calibrer la copule.
Etape 1 : Nous devons dans un premier temps transformer lchantillon des
observations x1t , , xnt en un chantillon de fonction de rpartition marginale
uniforme standard (u1t , , u nt ) en utilisant la distribution empirique.
Etape 2 : Les paramtres de la copule sont alors les paramtres qui maximisent la logvraisemblance de la copule : = arg max ln c(u1t , u nt ; ) .
T
t =1
Une fois la copule choisie et ses paramtres estims, lagrgation des scnarios est
ralise par la mthode des rangs.
4.6.4
MTHODE DES RANGS
De manire gnrale, cette mthode consiste lier les scnarios de diffrents risques
par leur rang laide des copules pour obtenir des scnarios agrgs. Par souci de
clart, la mthode dtaille ci-dessous est applique deux risques uniquement.
Cependant, il est possible de la gnraliser plusieurs risques (cest dailleurs ce que
nous avons fait dans lapplication ci-aprs).
1) Simuler n scnarios de pertes totales pour chacun des deux risques ;
2) Pour chaque risque, classer les scnarios obtenus par le rang : la perte la plus
leve aura un rang gal n et la plus faible, un rang gal 1 ;
3) Simuler n fois un couple de variables alatoires N1 , N 2 par une copule ;
4) Attribuer un rang chacune des variables N1 et N 2 ;
5) Lier le rang de N1 avec le rang du premier risque et celui de N 2 avec celui du
second risque. Les valeurs du risque 1 sont ainsi relies aux valeurs du risque 2 ;
6) Sommer les deux risques pour obtenir une distribution de pertes totales.
60 / 180
Voici une illustration de cette mthode :

Pour le risque 1, le scnario n 2 correspond la perte de rang 9 658.
Daprs le scnario n 8 215 de la copule, le rang 9 658 du risque 1 est li au rang
9 342 du risque 2, ce qui signifie que le scnario n2 du risque 1 est li au scnario n
568 du risque 2 : la perte du risque 1 de 280 807 euros sajoute la perte du risque 2
de 18 920 euros ce qui donne une perte totale de 299 727 euros.
Scnario
Copule
1
2
:
:
8 215
:
n
Scnario
Risque 1
412
n
2
2 290
Risque 1
10 250
31 380
:
:
280 807
:
520
Scnario
Risque 2
7 632
1
568
1 433
Risque 2
623
5 314
:
:
18 920
:
514 675
Perte
Totale
10 873
36 694
:
:
299 727
:
515 195
61 / 180
62 / 180
5 MODLE THORIQUE DU RISQUE OPRATIONNEL

Ce chapitre expose le modle interne que Generali envisage de mettre en place
terme. Il ncessite un certain nombre dinformations et distingue deux types de
risques oprationnels qui sont modliss de faon diffrente :
les risques de frquence : associ des pertes de montants peu levs mais
frquentes, sont modliss par la mthode LDA ;
les risques de gravit : associ des pertes de montants trs importants mais
trs rares, sont modliss par les rseaux baysiens.
Frquence
Risque de
frquence :
LDA
Risques
insignifiants
Risque de
gravit :
rseaux
baysiens
Svrit
Pour identifier la mthodologie appliquer, le type de risque sera identifi lors de la

cartographie des risques et devra tre revu priodiquement.
Les risques de pertes importantes et frquentes ne seront pas modliss car lorsquun
risque de gravit survient lentreprise mettra en place des contrles et autres plans
dactions qui viendront diminuer voire liminer ce risque (case noire).
Lors de la cartographie, il faudra distinguer les risques qui ncessitent du capital de
ceux qui nen ncessitent pas.
Les raisons possibles pour ne pas dtenir de capital sont :
Le risque nimpacte pas la solvabilit : risque dopportunit stratgique, risque
daffaires nouvelles ;
63 / 180
Il existe des actions plus appropries pour faire face ce risque, pour certains
risques, il vaut mieux :
o renforcer les contrles pour rduire ou liminer le risque (par
exemple en installant un nouveau processus de surveillance),
o transfrer le risque travers des assurances : assurer le risque
(lorsquil est assurable),
o avoir un plan de contingence autre que dtenir du capital comme par
exemple avoir des fonds externes,
o viter le risque en stoppant lactivit risque en la diffrant ou en
changeant de stratgie.
Lentreprise devra documenter en dtail les raisons qui lautorisent ne pas
dtenir de capital pour certains risques, y compris les raisons qui lui
permettent de croire que les contrles et actions de rduction sont adquats.
Limpact est couvert par ailleurs.
Remarque 1 : Un des problmes dans la modlisation du risque oprationnel est de
garantir lexhaustivit des risques et dviter les doubles comptages. Cest le
rfrentiel de risques qui va nous permettre de rsoudre en partie ce problme. Cest
pour cela quil est essentiel et quil doit tre bien verrouill avant de passer la
modlisation.
Remarque 2 : La modlisation spare des risques de frquence et de gravit rend la
modlisation des risques de frquence beaucoup moins sensibles aux choix
techniques (lois ajustes, agrgation).
5.1 MODLISATION DES RISQUES DE FRQUENCE

La mthode LDA dcrite prcdemment sera utilise pour modliser les risques de
frquence. Cest ce qui est couramment employ dans le secteur bancaire pour
modliser ce type de risque.
Pour utiliser cette mthode, il est ncessaire de disposer dune base dincidents
suffisamment bien alimente pour pouvoir faire des ajustements de lois. Se pose ainsi
le problme du seuil de collecte des pertes : partir de quel niveau doit-on rcuprer
les pertes sans que cela ne soit trop lourd en terme de charges de travail pour les
oprationnels mais pour que le modle soit suffisamment aliment en donnes ?
Dans le secteur bancaire, le seuil le plus frquemment utilis est de 10 000 euros.
La base de donnes devra tre retraite des pertes issues des risques de gravit qui
sont modliss par ailleurs.
Quelles sont les informations ncessaires et suffisantes pour mettre en uvre le
modle ?
64 / 180
La base devra contenir au minimum :

les catgories de risque aux niveaux 1, 2 et 3 ce qui permettra de rattacher la
perte au rfrentiel de risques,
le processus impact (sous forme de codification du processus) ce qui
permettra de rattacher la perte au processus impact,
le service dans lequel sest produit lincident,
les services impacts,
la date de survenance,
la date de dtection,
la date de fin dincident,
le cot estim de la perte,
les rcuprations ventuelles.
Voici un extrait de la base prvisionnelle :

N
Perte
1
2
3
4
5
6
7
8
9
10
Date de
survenan
ce
Date de
dtection
Date de fin
Process
us
impact
Servic
e
impact
Catgor
ie
de
risque
niveau
1
Catgor
ie
de
risque
niveau
2
Catgor
ie
de
risque
niveau
3
Pertes
estimes
a priori
Pertes
relles
Rcup
ration
estim
e
Rcuprat
ions
relles
20070115
20070115
20070115
000015
000104
000010
000010
061
147,95
147,95
20070118
20070118
20070118
000020
000152
000040
000040
096
1405000
576620,22
290254,7
20070119
20070119
20070119
000015
000105
000010
000010
066
289
501
20061111
20061111
20061111
000015
000118
000010
000010
008
12,2
12,2
20061208
20061208
20061208
000015
000105
000010
000010
086
170
247,38
20061108
20061108
20061108
000015
000105
000010
000010
086
30
45,66
20061229
20061229
20061229
000015
000105
000010
000010
086
1700
2401,21
20061213
20061213
20061213
000015
000105
000020
000020
086
80
181,26
20061127
20061127
20061127
000015
000104
000020
000020
008
545,41
515,41
20061215
20061215
20061215
000015
000105
000020
000020
008
9582,06
3194,02
A partir de cette base, des analyses de donnes seront menes pour ajuster les lois de
frquence et de cots. Cest une mthode classique de lassurance.
Remarque : Le risque que nous souhaitons modliser est le risque que nous
encourrons dans lanne venir. Lhistorique de la base dincidents ne sera utile que
pour les risques dont la structure est stable dans le temps.
65 / 180
Seuil de collecte :
Gnralement, les oprationnels ne dclareront pas toutes les pertes. Le seuil de
dclaration sera dtermin par le risk management. Les observations dont nous
disposerons seront alors les pertes dont le montant dpasse ce seuil. Il faudra ainsi
prendre en compte cette troncature dans nos ajustements et modifier lestimation des
paramtres et des tests dadquation en consquence. En effet, si nous ne tenons pas
compte du fait que les donnes sont tronques, nous allons sous-estimer la frquence
et ajuster la loi des cots individuels de faon errone.
Loi du cot individuel :
Si nous ne tenons pas compte du seuil de troncature, nous allons ajuster nos
donnes une loi dforme comme nous le prouve le graphique ci-dessous (ce
graphique reprsente le cot des pertes individuelles et ladquation de la loi
thorique ajuste sur les donnes tronques) :
Les donnes en dessous du seuil ne sont pas remontes mais doivent tre prises en
compte dans lestimation des paramtres : il faudra estimer les paramtres de la loi
en tenant compte du manque de donnes gauche de lhistogramme tel que nous le
montre le graphique ci-dessous dessous (ce graphique reprsente le cot des pertes
individuelles et ladquation de la loi thorique rajuste pour tenir compte des
donnes tronques) :
Soit U le seuil de collecte des pertes.

Soit X la variable alatoire reprsentant les cots des pertes non tronques (cest-dire les pertes dont le montant peut tre infrieur U) et F sa fonction de rpartition.
66 / 180
Seule la loi de X X U produit des observations. Cette loi conditionnelle est la loi
de X tronque gauche de U.
Nous pouvons expliciter la fonction de rpartition de la loi tronque sachant que les
observations sont au-del du seuil U:
P( X < x X U ) =
P (U X < x) F ( x) F (U )
=
P( X U )
1 F (U )
P( X x X U ) = 0
pour tout x > U
pour tout x U
Le graphique ci-dessous montre la dformation dune loi Log-normale ln(2 ; 1) en

fonction du niveau de seuil de collectes.
0,01
0,009
0,008
0,007
0,006
f(x)
f(x|X>27)
0,005
f(x|X>53)
0,004
f(x|X>60)
0,003
0,002
0,001
124
117
110
102
95
87,7
80,4
73,1
65,8
58,5
51,2
43,9
36,6
29,3
22
14,7
7,4
0,1
Remarque : certaines distributions sont stables par une troncature gauche comme
les lois exponentielle et Pareto.
La mthode du maximum de vraisemblance nous permet de calibrer nos lois mais ne
nous donne pas de solution analytique.
Soit ( x1 , x 2 , , x n ) un chantillon de pertes dont le montant excde le seuil U, la
vraisemblance conditionnelle au seuil U peut scrire :
n
n
f ( xi )
f ( xi )
=
i =1 P ( X i U )
i =1 1 F (U )
La log-vraisemblance peut alors scrire :

f ( xi ) n
= ln ( f ( xi ) ) n ln (1 F (U ) )
ln
i =1
1 F (U ) i =1
n
Les paramtres sont estims de manire classique en minimisant la logvraisemblance. En gnral, il ny a pas de forme analytique des estimateurs des
paramtres. Les algorithmes classiques tels que Newton ne sont pas trs efficaces.
Nous aurons recours des fonctions du logiciel R telles que cdens qui permet de
67 / 180
calculer la densit dune loi connue tronque et fitdistr qui utilise le maximum de
vraisemblance.
Loi de la frquence :
Lorsquil existe un seuil de collecte, la frquence des pertes observes est sousestime et elle doit tre rajuste pour tenir compte des pertes non dclares. Pour
chaque priode dobservation i, le nombre de sinistres not ni est augment du
r
nombre de sinistres estims en-dessous du seuil not m i : ni = ni + mi .
Le rapport entre le nombre de pertes en dessous du seuil et le nombre de pertes

observes est le mme que le rapport entre la partie en dessous de la courbe de la
densit du cot individuel situe gauche du seuil, et celle situe droite du seuil :
mi
F (U )
=
o F est la fonction de rpartition tronque de X, dont les paramtres
ni 1 F (U )
ont t estims avec la mthode prcdente.
Do nir = ni + mi = ni +
ni F (U )
ni
=
.
1 F (U ) 1 F (U )
5.2 MODLISATION DES RISQUES DE GRAVIT

Contrairement aux pertes des risques de frquence, les pertes de risques de gravit
sont trop rares pour quune base de donnes soit constitue et exploitable. Le modle
va donc reposer sur les scnarios dire dexperts issus du SRA et des observations de
dindicateurs de risques et sera complt par dautres scnarios de risques identifis
lors de la cartographie des risques par les experts. Nous devrons faire un SRA pour
ces nouveaux risques.
Rappelons que dans le SRA nous avons dfini pour chaque risque de gravit trois
scnarios qui vont tre utiliss pour dfinir un graphe baysien.
Dans le modle XSG dcrit plus haut, chaque graphe baysien est compos dune
exposition, dune frquence de survenance et dun cot. Les diffrentes valeurs des
variables et les probabilits associes sont en principe dtermines par lexpert en
collaboration avec le risk manager ou issues des observations des indicateurs de
risques.
Le SRA nous permet de construire la structure du rseau baysien. Cependant il nest
pas suffisant pour en dduire tous les paramtres du rseau, notamment les
probabilits conditionnelles.
Une fois la structure du rseau fixe, il sagit de dterminer lensemble des
paramtres, ce qui est appel lapprentissage des paramtres. Pour cela, il y a deux
68 / 180
approches possibles : soit il existe des donnes et nous appliquons des mthodes
statistiques, soit il ny en a pas et il est ncessaire de rinterroger les experts pour
tenter de dterminer les lments manquants.
Les diffrents rseaux baysiens sont assembls pour former un rseau baysien
global qui nous donne la distribution totale des risques de gravit. Il suffit de
connecter les diffrents indicateurs ensemble et de lancer toutes les simulations en
mme temps.
Ex
Sur
Grv
Ex
Sur
Grv
Ex
Sur
Grv
Ex = exposition, Sur = survenance, Grv = gravit
5.2.1
APPRENTISSAGE DES CONNAISSANCES
Cette partie consiste prsenter les mthodes permettant destimer les paramtres
dires dexperts lorsquaucune information nest disponible.
Nous commenons par prsenter une mthode pour aider les experts estimer les
probabilits : il sagit de lchelle de probabilits.
Lchelle de probabilit permet aux experts dutiliser des informations la fois
textuelles et numriques pour assigner un degr de ralisation leur affirmation puis
de comparer les probabilits des vnements pour les modifier.
69 / 180
Le problme qui se pose souvent, est que lexpert va devoir estimer des probabilits
conditionnelles en nombre trs important. Ceci est peu raliste et nous conduit
envisager dautres solutions. En gnral, pour pallier ce problme, nous ne retenons
que les variables que nous pouvons quantifier (expertise, base de donnes, formules).
Cependant, il existe plusieurs approches qui permettent de dduire un certain
nombre de probabilits conditionnelles partir dun nombre rduit de probabilits
estimes par les experts : OU-bruit, les facteurs dinterpolation, le modle loglinaire Nous allons tudier les modles OU-bruit et facteurs dinterpolation.
Les modles OU-bruit et facteurs dinterpolation consistent dterminer les
probabilits de lenfant Y conditionnellement ltat des parents X i . Cela ncessite
auparavant que les experts estiment certaines probabilits conditionnelles comme
nous le verrons plus loin.
Ces modles reposent sur lhypothse que leffet de chaque parent X i sur lenfant Y
ne dpend pas de la valeur des autres parents X i .
Nous prenons le cas o les parents X i et lenfant Y sont des variables binaires. Dans
le cas des facteurs dinterpolation, cette thorie est gnralisable des variables qui
peuvent prendre plus de deux valeurs et mme des variables continues (voir le
document de Cain [4]).
Nous noterons x i ltat positif du parent X i qui va le plus probablement provoquer
l'tat de succs du nud enfant Y ( xi tant ltat ngatif).
Nous noterons y ltat de succs du nud enfant Y ( y tant ltat dchec de lenfant).
Plaons-nous dans le cas o lenfant Y possde trois parents.
Lexpert estime dans un premier temps les probabilits marginales de chaque

variable : P (Y = y ) , P( X 1 = x1 ) , P( X 2 = x 2 ) et P ( X 3 = x3 ) .
Lexpert devrait en thorie estimer 23 probabilits conditionnelles (2n dans le cas de n
parents). Nous allons voir que ce nombre peut tre rduit par les modles.
70 / 180
Modle OU-bruit :
Lexpert est interrog pour donner les probabilits P4 y , P6 y et P7 y correspondant au
cas o un seul parent est dans son tat positif (voir tableau ci-dessous). Le nombre de
probabilits conditionnelles estimer nest plus que de trois (n probabilits dans le
cas de n parents).
Le tableau ci-dessous reprsente la table des probabilits conditionnelles de lenfant
Y
Numro de Parent
X1
la
combinaison
1
x1
Parent
X2
Parent
X3
Fils Y
x2
x3
P1 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estimer
x1
x2
x3
P2 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estimer
x1
x2
x3
P3 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estimer
x1
x2
x3
P4 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estime par lexpert
x1
x2
x3
P5 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estimer
x1
x2
x3
P6y = P(Y = y X1 = x 1 , X 2 = x 2 , X 3 = x 3 )
estime par lexpert
x1
x2
x3
P7 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estime par lexpert
x1
x2
x3
P8 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estimer
Lexpert na estim que trois probabilits qui permettent cependant de dduire les
probabilits restantes de la faon suivante :
P1 y = 1 (1 P4 y ) (1 P6 y ) (1 P7 y )
P2 y = 1 (1 P4 y ) (1 P6 y )
P3 y = 1 (1 P4 y ) (1 P7 y )
71 / 180
P5 y = 1 (1 P6 y ) (1 P7 y )
P8 y = 0
Exemple :
Lexpert fournit les probabilits suivantes :

P(Erreur = Oui ) = 0,001
P(Perte = Oui ) = 0,0012
P(Contrle dfaillant = Oui ) = 0,0001
P(Perte = Oui | Erreur = Oui , Contrle dfaillant = Non ) = 0,1
P(Perte = Oui | Erreur = Non , Contrle dfaillant = Oui ) = 0,99
Alors nous en dduisons la probabilit :
P(Perte = Oui | Erreur = Oui , Contrle dfaillant = Oui ) = 1 (1-0,1)*(1-0,99)
= 0,991
Linconvnient de cette mthode est quelle estime que P(Perte = Oui | Erreur =
Non , Contrle dfaillant = Non ) = 0.
Modle des facteurs dinterpolation :

Lexpert est interrog pour donner les probabilits suivantes :
la premire probabilit P1 y correspond au cas o les parents sont tous dans
leurs tats positifs,
la deuxime probabilit P8 y correspond au cas o les parents sont tous dans
leurs tats ngatifs,
les autres probabilits P2 y , P3 y et P5 y correspondent au cas o un seul parent
est dans son tat ngatif.
Le nombre de valeurs estimer est de cinq (2n - n valeurs dans le cas de n parents).
72 / 180
Le tableau ci-dessous reprsente la table des probabilits conditionnelles de lenfant

Y
Numro de Parent
la
X1
combinaison
1
x1
Parent
X2
Parent
X3
Fils Y
x2
x3
P1 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estime par lexpert
x1
x2
x3
P2 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estime par lexpert
x1
x2
x3
P3 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estime par lexpert
x1
x2
x3
P4 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estimer
x1
x2
x3
P5 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estime par lexpert
x1
x2
x3
P6 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estimer
x1
x2
x3
P7 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estimer
x1
x2
x3
P8 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 )
estime par lexpert
Les facteurs d'interpolation sont calculs pour chaque commutation dans l'tat d'un
parent de positif ngatif. Ils sont le rapport de la diffrence entre la probabilit de
succs sachant quun seul parent est dans son tat ngatif et la probabilit que tous
les parents soient dans leurs tats ngatifs et de la diffrence entre la probabilit la
plus haute pour l'tat de succs de lenfant (cest--dire quand tous les parents sont
dans leurs tats positifs) et la plus basse (quand tous les parents sont dans leurs tats
ngatifs).
Quand un des parents passe d'un tat positif un tat ngatif, la probabilit que
l'enfant soit dans son tat de succs est rduite. Le facteur d'interpolation value
simplement cette rduction pour la commutation de chaque parent.
73 / 180

Posons IFi =
Piy P8 y
P1 y P8 y
pour i dans {2;3;5}
Il nest pas ncessaire de calculer lun dentre eux pour trouver les probabilits
restantes :
P4 y = (P3 y P8 y ) IF2 + P8 y
P6 y = (P5 y P8 y ) IF2 + P8 y
P7 y = (P5 y P8 y ) IF3 + P8 y
Nous navons pas besoin de calculer des facteurs dinterpolation pour les
probabilits dchec. Une fois que nous avons utilis les facteurs dinterpolation pour
calculer les probabilits de succs de chaque combinaison, la probabilit dchec sen
dduit simplement par la formule suivante : Piy = 1 Piy .
Test de cohrence des estimations :

Le test de cohrence permet de vrifier la cohrence des estimations des experts.
Le test consiste comparer la probabilit estime par lexpert P(Y) avec la formule
des probabilits totales :
P (Y = y ) = P (Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 ) P ( X 1 = x1 , X 2 = x 2 , X 3 = x3 )
+ P (Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 ) P ( X 1 = x1 , X 2 = x 2 , X 3 = x3 )
Si le rsultat est incohrent, il faut alors corriger :

soit manuellement : lexpert restime les probabilits,
soit automatiquement : en modifiant les probabilits en respectant les
proportions pour que lgalit soit vraie.
74 / 180
Reprenons lexemple du modle OU-bruit :
P(Y = y ) = P(Y = y X 1 = x1 , X 2 = x 2 ) P( X 1 = x1 , X 2 = x 2 )
+ P(Y = y X 1 = x1 , X 2 = x 2 ) P( X 1 = x1 , X 2 = x 2 )
+ P(Y = y X 1 = x1 , X 2 = x 2 ) P( X 1 = x1 , X 2 = x 2 )
+ P(Y = y X 1 = x1 , X 2 = x 2 ) P( X 1 = x1 , X 2 = x 2 )
P (Y = y ) = 0,1 0,001 0,9999 + 0,99 0,999 0,0001 + 0,991 0,001 0,0001 + 0
= 0,00129
Les experts avaient estim cette probabilit : P (Y = y ) = 0,012 ce qui est trs proche et
serait valid. Linconvnient destimer nulle la probabilit P(Y = y X 1 = x1 , X 2 = x2 )
peut tre trs problmatique et fournir une estimation de P (Y = y ) totalement fausse.
Cette mthode ne fonctionne donc que pour des valeurs de P(Y = y X 1 = x1 , X 2 = x2 )
proche de 0.
5.2.2
APPRENTISSAGE DES DONNES
L encore il existe plusieurs approches selon que les donnes soient compltes ou
non.
Cas des donnes compltes :
tudions le cas de donnes compltes :
Nous rappelons que le but est de dterminer des probabilits conditionnelles.
Notons P1 y = P(Y = y X 1 = x1 , X 2 = x 2 , X 3 = x3 ) les probabilits estimer.
Apprentissage statistique :
La mthode la plus utilise dans le cas de donnes compltes est la mthode du
maximum de vraisemblance qui est assez intuitive et qui consiste calculer la
probabilit dun vnement par sa frquence dapparition dans la base de donnes.
Notons x j la configuration numro j des parents et x k ltat du nud X i .
Soit pa( X i ) le parent de X i .
Pour estimer la probabilit conditionnelle que X i soit dans ltat x k sachant que ses
parents sont dans la configuration x j , P X i = x k pa ( X i ) = x j , nous pouvons utiliser

la formule :
P X i = x k
pa( X i ) = x j =
N i , j ,k
i , j ,k
75 / 180
O N i , j , k reprsente le nombre de fois o X i apparat dans ltat x k alors que ses

parents sont dans la configuration x j .
Vous trouverez la dmonstration de cette formule dans [20] page 118.
lestimateur par la mthode du maximum de vraisemblance de
Notons iMV
, j ,k
P X i = xk
pa ( X i ) = x j .
Pour conomiser du temps et de lespace nous noterons i , j ,k la probabilit
conditionnelle P X i = x k
pa ( X i ) = x j
qui est une notation classique dans le
domaine baysien.
Exemple : considrons le rseau baysien suivant.
Le nud chec contrle est le parent du nud Perte. Tous deux sont des variables
alatoires binaires qui ont pour modalits Oui=O et Non=N.
Le nud chec contrle sera not E et le nud Perte sera not P. E sera la variable X1
et P la variable X2.
Si E = O alors cela signifiera que le contrle a chou. Cela correspond son tat 1.
Si E = N alors cela signifiera que le contrle a fonctionn. Cela correspond son tat
2.
Si P = O alors cela signifiera quune perte sest ralise. Cela correspond son tat 1.
Si P = N alors cela signifiera quaucune perte na t enregistre. Cela correspond
son tat 2.
76 / 180
Supposons prsent que nous ayons les observations suivantes concernant ce

rseau :
Numro scnario
chec du contrle
Perte
10
11
12
13
14
15
Les paramtres estimer sont les probabilits :
P(E = O ) (nous en dduirons P(E = N ) = 1 P(E = O ) )

P(P = O E = O ) (nous en dduirons P(P = N E = O ) = 1 P(P = O E = O ) )
P(P = O E = N ) (nous en dduirons P(P = N E = N ) = 1 P(P = O E = N ) )
Intressons-nous en particulier P(P = O E = O ) et P(P = O E = N ) , que nous
noterons respectivement P =O
E =O
et P =O
E=N
77 / 180
La formule du maximum de vraisemblance nous donne :
PMV= O
E =O
N 2,1,1
N 2,1,1 + N 2,1, 2
ceci correspond au rapport du nombre de fois o P est dans
son tat 1 sachant que son parent E est dans son tat 1 par le nombre de fois o P est
dans ses tats 1 et 2 sachant que son parent E est dans son tat 1.
Voici une explication des indices :
Correspond au
nud fils P
Correspond
ltat 1 du nud
parent E
Correspond
ltat 1 du nud
fils P
N 2,1,1
=
N 2,1,1 + N 2,1, 2
MV
P = O E =O
Les observations nous permettent de quantifier lestimateur :
P =O
E =O
N 2,1,1
N 2,1,1 + N 2,1, 2
Nous en dduisons P = N
P =O
E=N
N 2, 2,1
N 2, 2,1 + N 2, 2, 2
Nous en dduisons P = N
3
3
= = 0,5
3+3 6
E =O
= 1 P =O
E =O
= 1
1 1
= = 0,5
2 2
= 1
1 2
= 0,667
3 3
3
3
= 0,333
3+ 6 9
E=N
= 1 P =O
E=N
Apprentissage baysien :
Cette approche consiste tout dabord appliquer le thorme de Bayes.
Soient ( X 1 , , X n ) := X les variables ou nuds composant notre rseau baysien.
Soit d (l ) = x k(1l ) ,, x k( ln) un scnario des tats des nuds de notre base de donnes.
On a : P X = d (l ) = P X 1 = x k(1l ) ,, X n = x k( ln)
Soit D = d (l ) pour l [ 1; N ] lensemble des N scnarios de notre base de donnes.

Le thorme de Bayes nous donne :
P( X = D ) P( X = D ) P( )
78 / 180
Cette approche utilise un a priori sur la distribution des paramtres, notamment la

distribution de Dirichlet qui est souvent employe pour certains avantages que nous
tudierons plus loin :
P ( ) ( i , j ,k )
n
i =1
qi
ri
i , j , k 1
o les paramtres i , j ,k sont dtermins a priori par les
j =1 k =1
experts.
Lapproche du maximum a posteriori nous donne lestimateur suivant :
P X i = x k
pa( X i ) = x j =
N i , j ,k + i , j ,k 1
(N
i , j ,k
+ i , j ,k 1)
O i , j ,k sont les paramtres de la distribution de Dirichlet associe la loi a priori
P X i = xk
pa ( X i ) = x j .
pa ( X i ) = x j .
pa ( X i ) = x j .
Notons iMAP
, j , k lestimateur du maximum a posteriori de P X i = x k
La deuxime approche baysienne :
P X i = x k
pa( X i ) = x j =
N i , j ,k + i , j ,k
(N
i , j ,k
+ i , j ,k )
Notons iEAP
, j , k lestimateur de lesprance a posteriori de P X i = x k
Exemple : reprenons notre exemple prcdent.
Supposons que les paramtres P =O
E=N
et P =O
de Dirichlet avec i , j ,k = 1 pour tous i, j , k {1;2} .
E=N
suivent une distribution a priori
79 / 180
Maximum a posteriori :
N 2,1,1 + 2,1,1 1
PMAP
=O
E =O
PMAP
=N
E =O
= 1 PMAP
=O
PMAP
=O
E=N
PMAP
=N
E=N
= 1 PMAP
=O
N 2,1,1 + 2,1,1 1 + N 2,1, 2 + 2,1, 2 1

E =O
= 1
1
= 0,5
2
N 2, 2,1 + 2, 2,1 1
N 2, 2,1 + 2, 2,1 1 + N 2, 2, 2 + 2, 2, 2 1
E=N
= 1
3 +11
1
= = 0,5
3 +11+ 3 +11 2
3 +11
1
= 0,333
3 +11+ 6 +11 3
1
0,667
3
Esprance a posteriori :
N 2,1,1 + 2,1,1
PEAP
=O
E =O
PEAP
=N
E =O
= 1 PEAP
=O
PEAP
=O
E=N
PEAP
=N
E=N
= 1 PEAP
=O
N 2,1,1 + 2,1,1 + N 2,1, 2 + 2,1, 2

E =O
= 1
1 1
= = 0,5
2 2
N 2, 2,1 + 2, 2,1
N 2, 2,1 + 2, 2,1 + N 2, 2, 2 + 2, 2, 2
E=N
= 1
3 +1
4
= = 0,5
3 +1+ 3 +1 8
3 +1
4
=
0,364
3 + 1 + 6 + 1 11
4
0,636
11
Cas des donnes incompltes :

Les mthodes que nous venons de prsenter sont uniquement valables dans le cas o
toutes les donnes sont observes. Si tel nest pas le cas, voici dautres mthodes
permettant destimer les probabilits conditionnelles.
Apprentissage statistique EM :
Il sagit de lapprentissage statistique combin lalgorithme expectation
maximisation (EM).
Soit Do
lensemble des donnes observes et Dm lensemble des donnes
manquantes.
N i*, j ,k = E N i , j ,k = N P X i = x k , pa ( X i ) = x j *
i(,tj+,k1) =
N i*, j ,k
*
i , j ,k
80 / 180
Exemple :
Supposons que nous disposions uniquement des informations suivantes :

Numro scnario
Echec du contrle
Perte
10
11
12
13
14
15
Intressons-nous en particulier P(P = O E = O ) et P(P = O E = N ) , que nous

noterons respectivement P =O
E =O
et P =O
E=N
81 / 180
Lalgorithme EM fonctionne avec des paramtres initiaux qui peuvent tre issus dun
avis dexpert :
P( 0=)O
E =O
= 0,6 et P( 0=)O
E=N
= 0,3
1ire itration :
Etape E :
E=O
Numro
scnario
Echec
contrle
P=O
P=N
P=O
P=N
0,6
0,4
10
0,3
0,7
11
0,3
0,7
12
13
14
15
2,6
3,4
3,6
5,4
N*
du Perte
E=N
82 / 180

Ltape M donne P(1=)O
P(1=)O
E=N
E =O

=
2,6
2,6
=
0,433 , P(1=) N
2,6 + 3,4
6
3,6
3,6
=
= 0,4 , P(1=) N
3,6 + 5,4
9
E=N
E =O
= 1 0,433 = 0,567 et
= 1 0,4 = 0,6 .
2ime itration :
E=O
Numro
scnario
Echec
contrle
E=N
du Perte
P=O
P=N
P=O
P=N
0,433
0,567
10
0,4
0,6
11
0,4
0,6
12
13
14
15
2,433
3,567
3,8
5,2
N*
83 / 180
Ltape M donne
P( 2=)O
et P( 2=)O
2,433
2,433
=
0,406 , P( 2=)N
2,433 + 3,567
6
E =O
E=N
3,8
3,8
=
0,422 , P( 2=)N
3,8 + 5,2
9
E=N
E =O
= 1 0,406 = 0,5945
= 1 0,422 = 0,578 .
Rptons les tapes E et M encore deux fois pour converger vers les estimateurs :
+ EM
+ EM
+ EM
+ EM
PMV
= 0,4 , PMV
= 0,6 et PMV
= 0,428 , PMV
= 0,572 .
=O E =O
= N E =O
=O E = N
=N E=N
Apprentissage baysien EM:

Il sagit de lapprentissage baysien combin lalgorithme expectation
maximisation (EM).
Soit Do
lensemble des donnes observes et Dm lensemble des donnes
manquantes.
N i*, j ,k = E N i , j ,k = N P X i = x k , pa ( X i ) = x j *
( t +1)
i , j ,k
N i*, j ,k
*
i , j ,k
Exemple : reprenons lexemple prcdent dans le quel nous souhaitons estimer les
probabilits P(P = O E = O ) et P(P = O E = N ) , que nous noterons respectivement
P =O
E =O
et P =O
E=N
Nous supposons un a priori sur la distribution des paramtres : prenons une

distribution de Dirichlet avec i , j ,k = 1 pour tous i, j , k {1;2} .
Lalgorithme EM fonctionne avec des paramtres initiaux qui peuvent tre issus dun
avis dexpert :
P( 0=)O
E =O
= 0,6 et P( 0=)O
E=N
= 0,3 .
84 / 180
1ire itration :
Etape E :
E=O
Numro
scnario
Echec
contrle
du Perte
E=N
P=O
P=N
P=O
P=N
0,6
0,4
10
0,3
0,7
11
0,3
0,7
12
13
14
15
2,6
3,4
3,6
5,4
N*
Ltape M donne P(1=)O
P(1=)O
E=N
E =O
2,6 + 1
3,6
=
= 0,45 , P(1=) N
2,6 + 1 + 3,4 + 1 8
3,6 + 1
4,6
=
0,418 , P(1=) N
3,6 + 1 + 5,4 + 1 11
E=N
E =O
= 1 0,45 = 0,55 et
= 1 0,418 = 0,582 .
85 / 180
2ime itration :
E=O
Numro
scnario
Echec
contrle
P=O
P=N
P=O
P=N
0,45
0,55
10
0,418
0,582
11
0,418
0,582
12
13
14
15
2,45
3,55
3,836
5,164
N*
du Perte
E=N
Ltape M donne
P( 2=)O
E =O
et P( 2=)O
E=N
2,45 + 1
3,45
=
0,431 , P( 2=)N
2,45 + 1 + 3,55 + 1
8
=
E =O
3,836 + 1
4,836
=
0,44 , P( 2=)N
3,836 + 1 + 5,164 + 1
11
= 1 0,431 = 0,569
E=N
= 1 0,44 = 0,56 .
Rptons les tapes E et M encore un certain nombre de fois pour converger vers les
estimateurs :
86 / 180
+ EM
+ EM
+ EM
+ EM
PEAV
= 0,429 , PEAV
= 0,571 et PEAV
= 0,444 , PEAV
= 0,556 .
=O E = O
= N E =O
=O E = N
=N E=N
5.3 DFINITION DE LA MATRICE DES RISQUES

Dans le secteur bancaire, le Comit de Ble a tabli une matrice 8*7 de cellules de
risques oprationnels (8 lignes mtiers et 7 colonnes de types de risques). Dans
chacune de ces 56 cellules, les institutions financires dterminent le montant de
fonds propres puis les agrgent via une matrice de corrlation.
Dans Solvabilit II, rien nest recommand pour le moment mais il nous semble
judicieux dutiliser une telle matrice pour modliser nos risques oprationnels de
faon exhaustive. Il reste ensuite dfinir la maille et le niveau de granularit de la
matrice.
Nous proposons une matrice croisant les risques de niveau 1 avec les activits de
lentreprise. La base dincidents tant dfinie sur plusieurs axes, dont les risques de
niveau 1 et les activits, il sera alors facile de rcuprer des informations par cellule.
Le travail de modlisation consistera dterminer la distribution de perte totale pour
chaque cellule et les agrger.
Ce dcoupage doit permettre de modliser des risques homognes. Aussi il arrivera
que nous soyons amens subdiviser une cellule qui ne contiendrait pas que des
risques homognes. La matrice croise les risques avec les activits. Chaque cellule
peut contenir des risques de frquence et de gravit. La matrice permet davoir une
vision globale du risque et de pouvoir zoomer sur certains risques ou certaines
activits. Pour obtenir le capital total de la matrice, les risques de gravit sont
somms (ils ont t simuls en mme temps par construction) et les risques de
frquence sont agrgs par une matrice de corrlation ou par des copules.
Construction de la matrice :
Nous souhaitons construire une matrice par risque de niveau 1 et activits.
Pour les risques de frquence, nous rcuprerons les pertes observes dans chaque
case.
Il est possible quil ny ait pas assez de donnes dans une cellule, auquel cas nous
devons agrger cette case avec une autre case.
Si les donnes dune cellule sont en nombre suffisant, nous regarderons si elles sont
homognes par le biais de reprsentation graphique par exemple.
Lorsque les donnes dune cellule sont homognes, nous ajusterons une loi de
frquence et une loi de cot nos donnes. Puis nous calculerons la distribution de
charge totale par une des mthodes dcrites plus haut. Nous pourrons alors calculer
un montant de capital par case au titre des risques de frquence.
87 / 180
Si les donnes dune case ne sont pas homognes, nous diviserons la case un niveau
de risque plus fin (cest--dire au niveau 2 ici) et ainsi de suite si cela est ncessaire,
jusqu obtenir des risques homognes pour que nos adquations de lois soient bien
adaptes. Les distributions de pertes ajustes des niveaux infrieurs seront ensuite
agrges jusquau niveau 1 en supposant lindpendance des risques de niveau
infrieur.
Lagrgation des cases permettra dobtenir un capital global pour les risques de
frquence. Elle pourra tre ralise via des copules ou une matrice de corrlation.
Les risques de gravit doivent galement tre modliss de faon attribuer une part
de capital chaque case au titre des risques de gravit.
Les risques de frquence sont supposs indpendants des risques de gravit.
Lavantage dune matrice par activit est la mise en place de use tests tels que des
ratios de rentabilit par risque et par activit. La base dincidents possde tous les
axes danalyse permettant de descendre au niveau danalyse le plus fin dans la
matrice.
Risques de niveau 1
Risque 1 Risque 2 Risque 3 Risque 4 Risque 5 Risque 6 Risque 7 Risque 8
A1
Activits
A2
A3
A4
A5
A6
Pas assez de donnes dans une

case=> regroupement avec des
risques du mme type
Activit3
Risque 4
Risques de
Frquence
Risques de
Gravit
Si les donnes ne sont pas homognes, la

modlisation doit se faire un niveau plus
fin, puis les distributions sont agrges
par indpendance jusquau niveau 1
Risques de Frquence
Niveau 2
Risques de Frquence
Niveau 3
88 / 180
6 MODLISATION SIMPLIFIE DU RISQUE OPRATIONNEL

Modliser le risque oprationnel nest pas chose facile dautant que cela ncessite une
quantit trs importante dinformations. Or, pour linstant, nous ne disposons que de
peu dinformation. Nous allons proposer ici un modle trs simplifi et provisoire
bas sur le SRA.
Chez Generali, les seules informations disponibles pour linstant sont les avis
dexperts sur les vingt-cinq risques oprationnels les plus importants issus du SRA
(hors risques externes de type tempte, crue de la seine).
Au vu de ce manque dinformations, le modle propos ici permettra davoir une
premire ide du besoin en capital en attendant de pouvoir rcuprer davantages
dinformations sur les diffrents indicateurs composant les scnarios.
Lide gnrale du modle est dutiliser les trois scnarios de chacun des risques
majeurs qui fournissent chacun une frquence et un montant de pertes. Il sagit
dajuster avec ces six points une loi de frquence et une loi de cot et de simuler la
distribution de pertes de chacun de ces risques.
Le modle consiste, pour chaque risque, :
dune part, choisir une loi a priori du cot unitaire de la perte en estimant les
paramtres par la mthode des quantiles et slectionner une dentre elles
partir dun critre de dcision ;
et dautre part, utiliser la loi de Poisson pour simuler la frquence des cots en
estimant le paramtre par la frquence moyenne des trois scnarios du SRA.
Notations utilises dans le modle :

Pour le scnario i et le risque k avec i {B, M , H }o B correspond lhypothse
basse, M lhypothse moyenne et H lhypothse haute et k [1; 25] , notons :
k ,i frquence issue du SRA

ck ,i cot issu du SRA
N k ,i variable alatoire reprsentant le nombre de pertes
X k ,i , j variable alatoire reprsentant le cot de la perte j
S k ,i variable alatoire reprsentant la charge totale des pertes
Uk
variable alatoire de loi uniforme [0 ; 1]
89 / 180
Risque 1
Scnario
Scnario
Scnario
Hypothse Hypothse Hypothse
Basse
Moyenne
Haute
Risque 25
Scnario
Scnario
Scnario
Hypothse Hypothse Hypothse
Basse
Moyenne
Haute
Frquence
1, B
1, M
1, H
25, B
25, M
25, H
Cot
c1, B
c1, M
c1, H
c 25, B
c 25, M
c 25, H
1ire approche : Avant de dvelopper le modle, nous proposons une approche

empirique qui consiste ajuster une loi de frquence mais pas de loi pour le cot.
Nous choisissons une loi de frquence a priori en estimant ses paramtres laide du
SRA, et en utilisant les valeurs de pertes pour simuler le cot (le cot est constant).
Tous les scnarios dun mme risque peuvent survenir en mme temps.
La loi de frquence que nous avons choisie est la loi de Poisson de paramtre gal
la frquence indique dans le scnario.
Pour tout i, k, on a :
N k ,i suit la loi de Poisson P ( k ,i )
X k ,i , j = ck ,i pour tout j
La charge totale S k ,i du risque k dans le scnario i est alors S k ,i = c k ,i N k ,i

La loi de S k ,i est valeurs dans c k ,i N , on a alors :
P ( S k ,i = n c k ,i ) = P ( N k ,i c k ,i = n c k ,i ) = P ( N k ,i = n ) =
nk ,i
n!
exp( k ,i )
pour n
2nde approche : nous choisissons une loi de svrit a priori en estimant les
paramtres avec la mthode des quantiles (dcrite plus bas) en supposant que :
la perte issue du scnario moyen donne le quantile f M :=
k ,B + k ,M / 2
:
k ,i
i{B , M , H }
Qk ; f m = c k , M ,
la perte issue du scnario fort donne le quantile 99,999% : Qk ;99,999% = c k , H .

Puis, nous utilisons un critre bas sur le scnario hypothse basse pour dpartager
les lois :
Min (Fth (c k , B ) Femp (c k , B ) )

th
Femp (c k , B ) =
k , B
k ,i
et
F th
est la fonction de
i{B , M , H }
rpartition empirique teste.

90 / 180
k , B
k ,i
0%
i{B , M , H }
Scnarios bas
Critre de dcision :
2
Min (Fth (ck ,B ) Femp (ck ,B ))
th
k ,B + k,M / 2
k,i
i{B,M , H }
Scnarios moyens
Le scnario moyen
est suppos tre au
centre de la tranche
des scnarios :
Qk ; f m = c k , M
k,B + k ,M
k,i
100%
i{B,M , H }
Scnarios forts
Le scnario fort est suppos

tre le maximum de la
tranche des scnarios forts
(99,999%) : Qk ;99,999% = c k , H
La frquence est modlise avec une loi de Poisson dont le paramtre est la somme
des frquences du risque issues du SRA :
k = k ,i
i
Nous nous ramenons ainsi un problme classique en assurance de dtermination

de la charge totale et nous pouvons utiliser les mthodes dcrites prcdemment.
Remarque : cette mthode est trs sensible la prcision choisie aprs la virgule pour
le quantile extrme 99,999%. Nous avons ralis des tests de sensibilits des
rsultats.
Dcrivons la mthode des quantiles qui nous permet de calibrer notre loi de cot.
Cette mthode consiste estimer les paramtres dune loi laide de quantiles car
ceux-ci sexpriment en fonction des paramtres de la loi.
Soient n ralisations de X qui suivent la mme loi.
Posons F ( x) = F ( x ) la fonction de rpartition de cette loi avec T = (1 , 2 ,..., p )

O T est le transpos de qui est un vecteur colonne contenant p paramtres
estimer.
91 / 180
Posons Q g ( ) le quantile g% de la loi F .
Nous avons par consquent : F Q g ( ) = g (si la fonction de rpartition est continue

il y a au moins une solution cette quation).
Posons Q g un estimateur du quantile g%.
Un estimateur par la mthode des quantiles de est une solution de p quations :
Q g k ( ) = Q g k , k = 1,2, , p
O g1, g 2 , , g p sont p quantiles choisis arbitrairement.

Par dfinition des quantiles, les quations peuvent encore tre crites de la faon
suivante :
F Q g k = g k , k = 1,2, , p
Les limites de cette mthode est quil ny a aucune garantie de lexistence et de

lunicit dune solution.
Nous avons tudi 4 lois de svrit : Exponentielle, Log-normale, Weibull et Pareto.

Loi Exponentielle :
La fonction de rpartition de la loi Exponentielle est
F ( x) = (1 exp( x )) 1 + ( x)
pour > 0
Q g ( ) , le quantile g%, est gal : Q g ( ) =
ln(1 g )
Nous pouvons en dduire un estimateur du paramtre en inversant la formule et en

remplaant Q g ( ) par Q g le quantile estim :
1
ln(1 g )
Q
g
Loi de Weibull :
La fonction densit dune loi de Weibull se prsente sous la forme :
a x
f ( x) =
b b
a 1
x a
exp
b
pour a et b > 0
x a
Et sa fonction de rpartition : F ( x) = 1 exp
b
Nous en dduisons le quantile thorique g% : Q g = b ( ln(1 g ) ) a

1
92 / 180
Pour estimer les deux paramtres a et b, nous devons donc utiliser au moins deux
quations :
Q g1 = b ( ln(1 g1 ) ) a et Q g 2 = b ( ln(1 g 2 ) ) a , g1 1 , g 2 1
1
Soit
Q g1
Qg2
Qg 1
ln(1 g 1 ) a
ln(1 g 1 )
et ln 1 = ln
ln(1 g 2 )
ln(1 g 2 )
Qg2 a
Les estimateurs des paramtres a et b sen dduisent :
ln(1 g1 )
ln
Q g1
ln(1 g 2 )
et b =
a =
1
Q g
a
(
ln(
1
g
)
)
1
1
ln
Q g
2
Loi Log-normale :
La fonction de rpartition dune loi Log-normale de paramtres et est :
ln x
F ( x ) =
x
y 2 dy
pour > 0 et o ( x) = exp
2 2
Nous en dduisons une expression du logarithme du quantile :
ln(Q g ) = 1 ( g ) +
Pour estimer les deux paramtres et , nous devons utiliser au moins deux
quations :
ln(Q g1 ) = 1 ( g1 ) + et ln(Q g 2 ) = 1 ( g 2 ) +
ln(Q g1 ) ln(Q g 2 ) = 1 ( g 1) 1 ( g 2 )
Les estimateurs des paramtres et sen dduisent :
ln(Q g1 ) ln(Q g 2 )
1
( g 1) ( g 2 )
et = ln(Q g1 ) 1 ( g 1 )
Loi Pareto :
La fonction de rpartition dune loi Pareto de paramtres et scrit :

F ( x) = 1
+ x
93 / 180
Nous en dduisons lexpression analytique des quantiles g 1 % et g 2 % :

1
1
Q g1 = (1 g 1 ) 1 et Q g 2 = (1 g 2 ) 1
Les estimateurs des paramtres et sen dduisent :

1
Q g1
Q g1
(
1 g1 ) 1
=
et =
1
1
Q g 2 (1 g ) 1
(1 g1 ) 1
2
94 / 180
7 APPLICATION DE LA MODLISATION DES RISQUES DE

FRQUENCE
Lobjectif de ce chapitre est de montrer la mthodologie adopter pour modliser
des risques partir dune base de donnes. En particulier, nous utiliserons la base
pour montrer comment sapplique la mthode LDA classique et comment grer le
problme de seuil de collectes. Nous montrerons galement comment utiliser la
thorie des valeurs extrmes pour modliser les pertes extrmes. Nous tudierons
enfin limpact dune agrgation par les copules.
Nous rappelons que nous avons rcupr une base issue du secteur bancaire o les
risques sont assez similaires ceux de lassurance.
Il sagit dune partie de lhistorique dune banque franaise sur 4 ans. Cette base
comporte les variables suivantes : le numro de la perte, le dbut de la perte (date
laquelle la perte est survenue), la fin de la perte (date de clture de la perte), la
constatation de la perte (date de dclaration de la perte), la catgorie de risque
(niveau 1 du rfrentiel) et les pertes relles (montant de perte pay).
Voici un extrait de la base utilise :
Numro de la perte
0000000000000330
0000000000000338
0000000000000342
0000000000000345
0000000000000347
0000000000000348
0000000000000350
0000000000000352
0000000000000353
0000000000000354
0000000000000355
0000000000000356
0000000000000358
0000000000000359
0000000000000360
0000000000000361
0000000000000367
0000000000000369
0000000000000380
Dbut de
la perte
20070115
20070118
20070119
20061111
20061208
20061108
20061229
20061213
20061127
20061215
20060407
20061213
20061115
20061214
20061220
20061229
20070118
20070122
20070110
Fin de la Constatation Catgorie

perte
de la perte de risque
20070115
0
20070119
20070123
20061214
20061108
20061229
20061214
20061208
20061219
20060407
20061214
20061115
20061214
20061229
20061229
20070125
20070123
20070110
20070115
20070118
20070119
20061111
20061208
20061108
20061229
20061213
20061127
20061215
20060407
20061213
20061115
20061214
20061220
20061229
20070118
20070122
20070110
PROCES
PROCES
PROCES
PROCES
PROCES
PROCES
PROCES
PROCES
PROCES
PROCES
PROCES
CLIENT
PROCES
PROCES
PROCES
SYSTEM
PROCES
PROCES
PROCES
Pertes
relles
147,95
576 620,22
501,00
12,20
247,38
45,66
2 401,21
181,26
515,41
3 194,02
233,59
5 795,84
611,91
78,25
44,65
872,70
86,46
256,00
2 196,72
Les montants sont exprims en euros. Ltablissement bancaire remonte ses pertes
ds le premier euro, afin de modliser de manire fine sa frquence. Les pertes dont
les montants sont trs petits (infrieur 5 euros) correspondent pour lessentiel des
95 / 180
incidents de process de traitement dordres, qui sont dtects et remonts

automatiquement.
Composition des risques :
Cette base fournit la catgorie de risque au niveau 1 et ne donne pas le dtail des
diffrentes sous catgories de risques. Cela va impliquer une certaine htrognit
dans nos donnes. Lidal aurait t de disposer dun niveau plus fin pour modliser
des risques homognes mais encore aurait-il fallu avoir assez de donnes dans
chaque sous-catgorie. Tous les risques de niveau 1 ne ressortent pas dans cette base,
en effet il napparait que 4 risques parmi les 7 risques du rfrentiel de Ble 2 : le
risque clients, le risque de dysfonctionnement de lactivit et des systmes, le risque
de gestion des processus et le risque de fraude externe.
Les risques auraient galement d tre dcomposs par ligne mtier afin de les
modliser de faon homogne, l encore nous ne disposons pas de linformation.
Cette tude a t ralise sous le logiciel R avec les packages vcd pour LDA
classique, truncgof pour LDA avec seuil de collectes, evir pour la thorie des
valeurs extrmes et copula pour les copules.
Donnes as if :
La modlisation LDA sappuie sur lanalyse des pertes observes dans le pass. Si la
priode dobservation est longue, il y a lieu dactualiser les montants observs pour
quils correspondent des montants qui pourraient tre observs aujourdhui. Les
risques oprationnels sont des risques sur les objets exposs de lentreprise, ils sont
donc diffrents des risques assurantiels que nous avons lhabitude de voir. La vision
ultime de la perte est soumise une incertitude plus grande.
De plus, nous ne connaissons pas les sous risques qui composent notre base. Par
consquent, appliquer un coefficient dinflation gnrale aux montants de pertes
historises serait inadquat. En effet, lactualisation doit tre spcifique chaque
catgorie de risque et nous ne disposons pas dinformations suffisantes sur le type de
risque pour lui appliquer le coefficient dinflation adquat.
Nous choisissons donc de ne pas rendre nos donnes as if .
Hypothses LDA :
Nous souhaitons appliquer ici la mthode LDA. Cette mthode repose sur
lhypothse que les variables de cot individuel sont indpendantes et
identiquement distribues, i.e. chaque perte survient indpendamment des
prcdentes et elles suivent la mme loi. De plus, elle suppose que la frquence et le
cot sont indpendants.
Il semble raisonnable de vrifier avant exploitation des donnes que lhypothse
iid nest pas grossirement fausse. Pour cela, nous pouvons simplement examiner
visuellement la suite des cots individuels ou faire appel des tests statistiques.
96 / 180
Les tests dindpendance entre la frquence et le cot individuel sont peu robustes en
raison du faible nombre dobservations annuelles. Il faut alors se ramener des
observations mensuelles du cot moyen des sinistres et de la frquence.
Tests dchantillon iid:
Soit ( X 1 , X 2 , , X n ) une suite finie de variables alatoires relles telles que
P (X i = X j ) = 0
pour i j
Pour un niveau de confiance donn, les hypothses testes sont les suivantes :
H 0 : X 1 , X 2 , , X n v.a.r. i.i.d . contre H 1 : X 1 , X 2 , , X n v.a.r. non i.i.d .
Dans une suite chronologique de n observations ( x1 , x 2 , , x n ) , nous nous intressons

la diffrence entre deux observations successives : xi xi 1 .
Nous avons ainsi n-1 diffrences : ( x 2 x1 , x3 x 2 , , x n 1 x n )
Test des signes (voir page 155 [15]) : ce test sintresse au nombre de diffrences
positives successives de notre chantillon.
n 1
Soit S le nombre de diffrences positives : S = 1 + ( X i X i +1 )

i =1
Sous lhypothse H 0 , nous avons :

S E (S )
N (0,1)
n +
(S )
avec E ( S ) =
n 1
n +1
et ( S ) =
2
12
Lapproximation normale est valable ds que n 12 .
Test du nombre de points de retournement (voir page 159 [15]) : ce test sintresse au
nombre de points de retournement de notre chantillon cest--dire aux points X i
tels que X i 1 et X i +1 sont tous deux infrieurs ou suprieurs X i .
1
Soit Z i =
0
si ( X i +1 X i )( X i X i 1 ) < 0
sin on
pour i {2, , n 1}
Soit R la variable alatoire relle reprsentant le nombre de points de retournement :

n 1
R = Zi
i=2
Sous lhypothse H 0 , nous avons :

R E ( R)
2
16n 29
n
N (0,1) avec E ( R ) = (n 2) et ( R) =
+
( R)
3
90
Lapproximation normale est valable ds que n 50 .

97 / 180
Test d indpendante entre la frquence et le cot individuel :

Soient F1 , F2 , , Fn et X 1 , X 2 , , X n les mesures de deux variables F et X sur n
individus.
Supposons que les Fi sont iid de loi PF et les X i sont iid de loi PX .
Test des rangs de Spearman :
Ce test est bas sur la corrlation entre les rangs de F et ceux de X.
Notons Ri le rang de Fi et S i le rang de X i .
Les hypothses testes sont H 0 : F et X sont indpendants
H 1 : F et X sont lies
Soit Di = S i Ri lcart entre les rangs, la statistique du test est alors
T = 1
n
6
Di2
n (n 1) i =1
T est une statistique tabule sous H 0 .
98 / 180
7.1 STATISTIQUES DESCRIPTIVES DES DONNES

Dans un premier temps, nous allons tudier les donnes de faon avoir une
premire ide de la forme des distributions empiriques de la frquence et du cot
individuel des pertes.
Voici les statistiques descriptives du montant des pertes (les montants sont exprims
en euros) :
Risque Client
Risque
processus
Minimum
2,12
0,12
0,44
1ier quartile
71,02
31,92
29,32
965,1
Mdiane
673,1
190,8
304,9
1 520
3ime quartile
3 455
860,8
612,5
2 632
Maximum
1 000 000
576 600
261 200
27 850
Moyenne
30 270
2 494
9 782
2 642
Ecart-type
154 118,6
26 783,12
45 187,38
5 131,6
Coefficient
d'aplatissement
37,42
434,38
27,47
20,82
Coefficient
d'asymtrie
5,94
20,41
4,97
4,20
487
35
28
Nombre de pertes 42
de Risque
systme
de Risque de fraude
externe
99 / 180
Statistiques descriptives du nombre de pertes par mois de survenance :

Risque Client
Moyenne
Mdiane
0,875
1
Risque de
processus
Risque de
systme
Risque de
fraude externe
10,146
0,729
0,583
Variance
1,133
51,957
1,095
1,014
Minimum
Maximum
36
Statistiques descriptives du nombre de pertes par anne :

Risque Client
Risque de
processus
Risque de
systme
Risque de
fraude externe
2004
45
2005
100
11
130
2006
12
2007
18
212
16
Moyenne
10,5
121,75
8,75
Mdiane
10
115
7,5
6,5
Variance
35,67
4 858,92
27,58
8,67
Minimum
45
Maximum
18
212
16
11
Nous remarquons que la moyenne la plus leve de 30 270 est celle correspondant
au risque clients avec une frquence moyenne de 10 pertes annuelles : en effet, ces
pertes sont gnralement dues des poursuites juridiques faites par les clients et
peuvent savrer trs leves. Il sagit dun risque classifi comme tant faible
frquence et fort impact. Alors que la perte moyenne la plus faible est celle du risque
processus qui est de l'ordre de 2 500 avec une frquence moyenne de plus de 120
100 / 180
pertes annuelles. Ainsi, le risque processus constitue un risque frquence leve et

svrit faible.
Ce constat confirme le fait que les montants de pertes par type de risque prsentent
des caractristiques diffrentes justifiant la modlisation par type de risque. Nous
pouvons mme dire quil faudrait subdiviser la modlisation en sous-catgorie mais
ce nest pas possible ici car nous ne disposons pas de linformation.
Par ailleurs, nous constatons que les donnes de pertes sont loin de prsenter une
distribution symtrique. En effet, une simple comparaison entre la moyenne et la
mdiane nous indique que la mdiane est, dans tous les cas, beaucoup moins leve
que la moyenne, montrant ainsi des distributions asymtriques. Ce constat est
confirm par le calcul du coefficient d'asymtrie qui est positif dans tous les cas
favorisant ainsi des queues plus paisses. De plus, des coefficients daplatissement
trs levs montrent lexistence de distribution leptokurtique5 queues paisses.
Citons lexemple du type de risque processus o le coefficient daplatissement est de
lordre de 434 et le coefficient dasymtrie est valu 20,41. En effet, nous
remarquons que 97,5 % des pertes sont infrieures 10 000.
Comme le montrent ces statistiques, les pertes oprationnelles ne peuvent en aucun
cas tre modlises par des distributions normales et il y a lieu de tester dautres
distributions plus adaptes.
Application des tests notre chantillon :

Test des signes :
Client
S
Fraude
Systme
17
237
18
16
E(S)
20,5
243
13,5
17
V(S)
3,6
40,7
2,4
3,0
-1,8
-6,5
2,9
-0,6
|S-E(S)-1/2|
1,8
6,5
2,9
0,6
sigma(S)*N(0,1)
3,7
12,5
3,0
3,4
S-E(S)-1/2
Test
Processus
hors zone
critique
hors zone
critique
hors zone
critique
hors zone
critique
Correspond un coefficient daplatissement (ou Kurtosis) >3
101 / 180
Test du nombre de points de retournement :

Client
Processus
Fraude
Systme
21
240
16
18
E(R)
26
322,7
16,7
21,3
V(R)
7,1
86,3
4,7
5,9
R-E(R)-1/2
-5,5
-83,2
-1,2
-3,8
c'=sigma(R)*N(0,1)
-4,4
-15,3
-3,5
-4,0
c=c'+E(R)+1/2
22,1
307,9
zone
critique
13,6
hors zone
critique
17,8
hors zone
critique
Test
zone
critique
Test de corrlation de Spearman :

Client
n
Processus
Fraude
Systme
48
48
48
48
2196
14118
1415
719
rs
0,9
0,2
0,9
1,0
sigma(rs)*N(0,1)
0,3
0,3
0,3
0,3
Somme(Di)
Test
zone
critique
hors zone
critique
zone
critique
zone
critique
Le rejet de lhypothse H 0 pourrait nous conduire subdiviser les risques en souscatgories mais nous ne pouvons rien faire puisque nous navons pas linformation.
Par contre, cest un lment qui sera certainement utilis sur notre base de donnes
assurantielles pour dterminer si les risques sont bien homognes.
102 / 180
7.2 ESTIMATION DES DISTRIBUTIONS DE SVRIT

Nous souhaitons ajuster une loi nos chantillons de cot. Pour cela, nous sommes
limits quatre distributions qui seraient susceptibles de convenir a priori. Nous
aurions pu tester bien dautres lois mais notre objectif est de prsenter la
mthodologie. Pour chaque risque nous avons estim les paramtres des diffrentes
lois via la fonction fitdistr de R qui utilise soit la mthode du maximum de
vraisemblance soit la mthode des moments selon le paramtrage.
Pour avoir une premire ide sur le niveau dajustement, nous avons ralis des tests
graphiques tels que le graphique des quantiles (connu galement sous le nom Q-Q
plot ) et le graphique des fonctions de rpartition empirique et thorique. Les tests
graphiques sont ensuite complts par les tests statistiques de Kolmogorov-Smirnov
et dAnderson-Darling.
Q-Q plot :
Le graphique Q-Q plot permet de comparer visuellement un chantillon et une
distribution thorique. Ce graphique reprsente les quantiles de la distribution
thorique en fonction des quantiles de notre chantillon.
Soient
(x
(1)
(x1 , x2 , , x n )
x( 2 ) x( n ) ) .
un chantillon et
(x
(1)
, x( 2 ) , , x( n ) ) lchantillon ordonn
La fonction de rpartition empirique Fn est dfinie par :

Fn (x(i ) ) =
i
n
pour tout i {1, , n}
Dans le cas gnral, la fonction quantile Q est dfinie comme linverse de la fonction
de rpartition F : Q( p ) = inf {x tel que F ( x) p} pour tout p ]0; 1[
La fonction quantile empirique Qn correspond la fonction quantile de la fonction de
rpartition empirique.
i 1 i
pour tout p
;
Qn ( p ) = x ( i )
n n
103 / 180
Le graphique ci-dessus reprsente la fonction de rpartition empirique dun

2 3
chantillon de taille 6 et donne le quantile empirique dordre p lorsque p ; .
6 6
Au vu de cette dfinition, le Q-Q plot reprsente les quantiles de la distribution
thorique en fonction de notre chantillon ordonn cest--dire quil reprsente les
i
points de coordonnes x(i ) , Q pour tout i {1, , n} .
n
En particulier,
x(i ) , ln1
n
pour
la
loi
exponentielle
nous
placerons
les
points
i
Pour la loi Log-normale : ln( x (i ) ), 1
n
i
Pour la loi Gamma : x( i ) , 22
n
Pour la loi Weibull : ln( x( i ) ), ln ln1

n
Il existe sous le logiciel R la fonction qqplot que nous avons utilise pour raliser
nos graphes Q-Q plot.
104 / 180
Test de Kolmogorov-Smirnov :
Le test de Kolmogorov-Smirnov est un test d'hypothse utilis pour dterminer si un
chantillon suit bien une loi continue donne.
Soit ( x1 , , x n ) notre chantillon suppos indpendant et identiquement distribu de
loi inconnue PX .
Soit F0 est la fonction de rpartition dune loi continue donne.
Lhypothse nulle sera alors :
H 0 : La loi PX a pour fonction de rpartition F0
Il faut dabord calculer la distance maximale note KS obs entre lchantillon et la loi
donne F0 via la statistique de Kolmogorov-Smirnov KS.
KS = sup F0 ( x) Fn ( x) O Fn est la fonction de rpartition empirique pour un
x
chantillon donn
Pour calculer KS obs , il faut remplacer Fn par la fonction de rpartition de notre
chantillon Fn ( x) =
1 n
I
n i =1 x( i ) x
i
i 1
Ce qui donne : KS obs = max F0 ( x(i ) ) , F0 ( x(i ) )
i =1,...,n
n
n
Le graphique ci-dessous reprsente le calcul de KS obs
Reprsente lcart
i
entre F0 ( x(i ) ) et
n
Reprsente lcart entre

i 1
F0 ( x(i ) ) et
n
105 / 180
Le graphique ci-dessous reprsente la fonction de survie de la statistique KS

P(KS > x)
1
p-value=
P(KS>K obs)
niveau de
risque = 5%
p-value
=P(KS>K obs)
KSobs
Si KS obs <KSmax alors on accepte
KS obs
KS m ax
Si KS obs >KSmax alors on rejette
Il est ncessaire de se fixer un niveau de risque de premire espce qui est le risque
de rejeter tort lhypothse nulle lorsquelle est vraie. Souvent, un risque de 5% est
considr comme acceptable (c'est--dire que dans 5% des cas quand H 0 est vraie,
elle sera rejete).
En supposant que H 0 est vraie, il faut ensuite calculer la p-value qui est la probabilit
dobtenir une valeur de la variable de dcision KS max au moins aussi grande que la
valeur de la statistique que l'on a obtenue avec notre chantillon KS obs .
On a p-value = P ( KS > KS obs ) .
Cette p-value peut se lire dans la table de la statistique KS.
Si la p-value est plus grande que le niveau de risque, l'hypothse H 0 est accepte. Si
la p-value est plus petite que le niveau de risque alors elle est rejete.
Remarque : La probabilit pour que H 0 soit accepte alors qu'elle est fausse est le
risque de deuxime espce. C'est le risque de ne pas rejeter H 0 quand on devrait la
rejeter. Sa valeur dpend du contexte, et est trs difficilement valuable (voire
impossible valuer), c'est pourquoi seul le risque de premire espce est utilis
comme critre de dcision.
Le test de Kolmogorov est facilement applicable sous le logiciel R avec la fonction
ks.test .
106 / 180
Test dAnderson-Darling :
Ce test a exactement le mme principe que le test de Kolmogorov-Smirnov mise
part quil sappuie sur la statistique dAnderson-Darling :
n

AD = (2i 1){ln( F0 ( x (i ) )) + ln(1 F0 ( x( n +1i ) )} / n n

i =1
Nous choisissons un niveau de confiance de 95%.
Modlisation du cot individuel des pertes :

Etudions la loi du cot individuel des pertes des 4 risques.
Risque Clients :
Estimation de la distribution de svrit pour le Risque Client :
107 / 180
Paramtres
Gamma
Log-normale
Scale = 801 623
Meanlog
5,946
Shape = 0,037
Exponentielle
= Rate = 0,000034
Weibull
Scale = 1 727,41
Shape = 0,315
Sdlog = 3,126
Test de KS
Test
dAndersonDarling
KS = 0,639
KS = 0,087
p-value
2,554e-15
= p-value = 0,907
AD = Inf
AD = 0,280
p-value = 1429e- p-value = 0,952

05
KS = 1
KS = 0,116
p-value < 2,2e- p-value = 0,623

16
AD = Inf
AD = 0,656
p-value
1,429e-05
= p-value = 0,596
Les rsultats prsents dans le tableau ci-dessus montrent que les distributions Lognormale et Weibull sajustent le mieux nos donnes. En particulier, nous retenons la
loi Log-normale comme loi de svrit du risque client du fait de sa p-value
largement suprieure au seuil choisi de 5% pour les deux tests effectus.
108 / 180
Risque de Processus :
Estimation des distributions de svrit pour le Risque Processus :
109 / 180

Gamma
Paramtres
Scale
679
Log-normale
4 624, Meanlog
5,019
Shape = 0,307
Test
de KS = 0,119
Kolmogorovp-value =
Smirnov
569e-06
Test
dAndersonDarling

Exponentielle
= Rate = 0,0004
Weibull
Shape = 482,505
Scale = 0,435
Sdlog = 2,432
KS = 0,059
2, p-value = 0,068
KS = 0,969
KS = 0,041

16
AD = Inf
AD = 1,984
AD = Inf
AD = 2,037
p-value
1,232e-06
= p-value = 0,094
p-value
1,232e-06
= p-value = 0,088
Les rsultats prsents dans le tableau ci-dessus montrent que seules les distributions
Log-normale et Weibull passent les tests avec un seuil de 5%. En particulier, nous
retenons la loi de Weibull comme loi de svrit du risque processus.
Risque de Systme :
Estimation des distributions de svrit pour le Risque Systme :
110 / 180
Gamma
Paramtres
Test de KS
Test
dAndersonDarling
Scale
13 630,6
Log-normale
= Meanlog
5,055
Shape = 0,237
Sdlog = 2,665
KS = 0,299
KS = 0,140
Exponentielle
= Rate = 0,0001
Weibull
Scale = 569,214
Shape = 0,336
KS = 0,971
p-value
0,0038
= p-value = 0,497
AD = Inf
AD = 2,603
AD = Inf
p-value
1,232e-06
= p-value = 0,044
p-value
1,232e-06
KS = 0,183

16
AD = 13,583
= p-value
1,232e-06
Log-normale et Weibull passent le test de KS mais pas dAD (les p-valeurs sont
suprieures au seuil acceptable de 5%). En particulier, nous retenons la loi Lognormale comme loi de svrit du risque systme.
111 / 180
Risque de Fraude externe :

Estimation des distributions de svrit pour le Risque Fraude externe :
112 / 180
Paramtres
Test de KS
Test
dAnderson
-Darling
Gamma
Log-normale
Exponentielle
Weibull
Scale = 2 948,751
Meanlog = 6,661
Rate = 0,00038
Scale = 2 130,157
Shape = 0,664
Sdlog= 2,065
KS = 0,227
KS = 0,297
KS = 1
p-value = 0,111
p-value = 0,014

16
AD = Inf
AD = 131,4956
AD = Inf
AD = Inf
= p-value
1,232e-06
= p-value
1,232e-06
p-value
1,232e-06
= p-value
1,232e-06
Shape = 0,661
KS = 0,208
Gamma et Weibull passent le test de KS avec un seuil de 5% (seul le test de
Kolmogorov-Smirnov passe). En particulier, nous retenons la loi Weibull comme loi
de svrit du risque fraude externe.
113 / 180
7.3 ESTIMATION DES DISTRIBUTIONS DE FRQUENCE

Nous proposons destimer le nombre de pertes oprationnelles avec les distributions
Poisson et Binomiale Ngative. De nombreuses tudes ont dj modlis les
frquences des pertes oprationnelles avec la loi de Poisson alors que peu dentre
elles lont fait avec le modle Binomial Ngatif.
Nous estimons les paramtres de chacune des deux distributions par la mthode du
maximum de vraisemblance via la fonction goodfit de R, et ce, pour chacun des
risques. Les donnes utilises sont les nombres de pertes observes par mois. Nous
avons ainsi tudi 48 nombres de pertes par risque.
Il est important de tester le degr dajustement des distributions estimes pour
chacun des risques. Comme nous sommes en prsence de donnes discrtes, nous
mettons en place un test du Chi-deux.
Risque Clients :
Paramtres
test du Chi-deux
Poisson
Lambda = 0,875
X-squared = 9,5924
p-value = 0,6482
Binomiale Ngative
size = 3,419119
prob = 0,7962304
X-squared = 8,301
p-value = 0,7256
Les graphiques montrent que la loi Binomiale Ngative semble la plus adquate. Les
rsultats prsents dans le tableau ci-dessus le confirment.
114 / 180
Paramtres
test du Chi-deux
Poisson
Lambda = 10,14583
X-squared = 256,38
p-value = 0,8201
Binomiale Ngative
Size = 2,752463
prob = 0,2133974
X-squared = 325,4533
p-value = 0,91
A partir des graphiques aucune conclusion ne peut tre tire. Les rsultats prsents
dans le tableau ci-dessus montrent que la Binomiale Ngative peut tre retenue.
Risque de Systme :
Paramtres
test du Chi-deux
Poisson
Lambda = 0,7291667
X-squared = 14,0443
p-value = 0,1274
Binomiale Ngative
Size = 0,9482954
Prob = 0,5653157
X-squared = 19,5246
p-value = 0,2359
115 / 180
Paramtres
test du Chi-deux
Poisson
Lambda = 0,583
Binomiale Ngative
Size = 1,512
prob = 0,722
X-squared = 15,517
p-value = 0,123
X-squared = 5,794
p-value = 0,654
Les graphiques montrent que la loi de Poisson semble la plus adquate. Les rsultats
prsents dans le tableau ci-dessus le confirment.
Voici le tableau rcapitulatif des lois de cot et de frquence retenues :

Risque Clients
Risque
Processus
de Risque
Systme
de Risque
de
Fraude externe
Loi
retenue LN(5,95 ; 3,13)
pour le cot
W(482,5 ; 0,44)
LN(5,056 ;2,67)
W(2130,16 ;0,66)
Loi
retenue BN(3,42 ; 0,8)
pour
la
frquence
BN(2,75 ;0,21)
BN(0,95 ;0,57)
P(0,583)
116 / 180
7.4 APPLICATION
DE LA MTHODE
LOSS DISTRIBUTION APPROACH
AVEC
SEUIL
Lide est de valider la mthode que nous avons prsente dans le cas o les donnes
sont collectes au-del dun seuil. Pour cela, nous avons utilis nos donnes
bancaires et nous avons appliqu un seuil de 1500 sur toutes les pertes.
Nous avons utilis la mthode du maximum de vraisemblance pour estimer nos
paramtres. Nous avons maximis la vraisemblance sous R et sous excel avec le
solveur.
Test de Kolmogorov adapt des donnes tronques gauche :

Dans le cas de donnes collectes au-del dun seuil, le test de Kolmogorov-Smirnov
doit tre adapt. Lhypothse devient :
H0 : la loi PX a pour fonction de rpartition F0* , o F0* =
F0 ( x) F0 (U )
1 F0 (U )
Notons prsent y j = F0 ( x j ) et yU = F0 (U )
KS obs devient :
*
KS obs
=
n
j
j 1
(1 yU )
max sup yU + (1 yU ) y j , sup y j yU +
1 yU
n
n
j
La p-value associe se calcule par simulation de Monte-Carlo de la faon suivante :

1) nous crons un grand nombre dchantillons issus de la distribution ajuste, de la
mme taille que lchantillon empirique.
*
.
2) Pour chacun de ces chantillons, nous calculons la valeur de la statistique KS obs
3) Puis nous estimons la p-value comme la proportion de fois o la valeur de la

statistique tudie est suprieure la valeur estime sur lchantillon empirique.
Nous rejetons lhypothse si la p-value est infrieure un seuil donn et nous
lacceptons si la p-value est suprieure.
Nous choisissons un niveau de confiance de 99,5%.
117 / 180
Modlisation du cot individuel :

Risque Clients :
Log-normale
Paramtres
Meanlog
3,287
Exponentielle
= Rate = 0,0001
Weibull
Scale = 999,894
Shape = 0,249
Sdlog = 3,924
Test de KS
KS = 0,489
KS = 1,04
KS = 0,8006
p-value = 0,74
p-value = 0,128
p-value = 0,37
118 / 180
Les rsultats ci-dessus indiquent que la loi Log-normale sajuste le mieux nos
donnes.
119 / 180
Log-normale
Paramtres
Meanlog
2,685
Exponentielle
- Rate = 0,0001
Weibull
Scale = 17,6
Shape = 0,247
Sdlog = 3,469
Test de KS
KS = 0,712
KS = 3,939
KS = 0,7504
p-value = 0,289

16
Les rsultats ci-dessus indiquent que la loi Weibull sajuste le mieux nos donnes.
Risque de Systme :
120 / 180
Log-normale
Paramtres
Meanlog
1,635
Exponentielle
= Rate = 0,0001
Weibull
Scale = 10,006
Shape = 0,143
Sdlog = 5,002
Test de KS
KS = 0,547
KS =0,9972
KS = 0,534
p-value = 0,518
p-value = 0,152
p-value = 0,77
Les rsultats ci-dessus indiquent que la loi Weibull sajuste le mieux nos donnes.
Risque de Fraude externe:
121 / 180
Paramtres
Log-normale
Exponentielle
Weibull
Meanlog = 2
Rate = 0,00037
Scale = 12,3
Sdlog = 2
Test de KS
Shape = 0,3
KS = 1,26
KS = 1,407
KS = 1,294
p-value = 0,024
p-value = 0,01
p-value < 2,2e16
Les rsultats ci-dessus ne permettent pas vraiment de conclure, cependant nous

choisissons la loi dont la p-value est la plus importante, i.e. la loi Log-normale.
Remarques : ladquation nos donnes tronques ne nous donne pas forcment les
mmes rsultats que dans notre prcdente tude.
Lalgorithme de maximisation de la vraisemblance est trs sensible aux paramtres
initiaux.
Vous remarquerez que nous navons pas affich les tests de la loi Gamma qui ne sont
pas concluant pour des problmes doptimisation.
122 / 180
Modlisation de la frquence :
Risque Clients :
Paramtres
test du Chi-deux
Poisson
Lambda = 1,96
X-squared = 6,7
p-value = 0,68
Binomiale Ngative
size = 0,10
prob = 0,049
X-squared = 17,48
p-value = 0, 46
Nous ne pouvons pas tirer de conclusion partir des graphiques. Les rsultats
prsents dans le tableau ci-dessus montrent que la loi de Poisson semble plus
adquate.
Paramtres
test du Chi-deux
Poisson
Lambda = 34,69
X-squared = 96,45
p-value = 0,765
Binomiale Ngative
Size = 0,399
prob = 0,011
X-squared = 103,168
p-value = 0,886
123 / 180
A partir des graphiques aucune conclusion ne peut tre tire. Les rsultats prsents
dans le tableau ci-dessus montrent que la Binomiale Ngative peut tre retenue.
Risque de Systme :
Paramtres
test du Chi-deux
Poisson
Lambda = 0,633
X-squared = 6,591
p-value = 0,223
Binomiale Ngative
Size = 0,018
Prob = 0,027
X-squared = 2,813
p-value = 0,72
124 / 180

Poisson
Lambda = 82,63
Paramtres
test du Chi-deux
Binomiale Ngative
Size = 0,056
prob = 0,0007
X-squared = 5,86
p-value = 0,504
X-squared = 78,24
p-value = 0,125
Voici le tableau rcapitulatif des lois de svrit et de frquence retenues pour la

modlisation :
Risque Clients
Loi
retenue LN(3,29; 3,92)
pour le cot
Loi
retenue P(1,96)
pour
la
frquence
Risque
Processus
de Risque
Systme
W(0,25 ;17,6)
BN(0,4 ; 0,01)
de Risque
de
Fraude externe
W(0,14 ; 0,006)
LN(2 ; 2)
BN(0,018;
0,027)
BN(0,056 ;0,0007)
125 / 180
7.5 SIMULATION DES SCNARIOS DE PERTE TOTALE

Nous venons de dterminer les distributions de svrit et de frquence des pertes
oprationnelles pour chacun des types de risque, sur les donnes compltes et les
donnes tronques. Il y a lieu, ce stade de lanalyse, de combiner les deux
distributions pour dterminer la distribution agrge des pertes annuelles. Comme
nous lavons vu prcdemment, il existe plusieurs mthodes dagrgation et nous
choisissons la mthode de simulation Monte Carlo pour dterminer la distribution
totale des pertes annuelles de chaque risque. Cette mthode nest pas la plus rapide
mais elle a lavantage dtre assez prcise pour un nombre suffisant de simulations.
Nous rappelons que cette mthode consiste :
1. Gnrer un nombre n de pertes par an (on gnre 12 nombres de pertes mensuelles
indpendamment que lon somme) ;
2. Gnrer n montants de pertes X i selon la distribution de svrit estime ;
3. Rpter les tapes 1 et 2 un grand nombre de fois (100 000 fois par exemple) pour
avoir la distribution empirique des pertes annuelles ;
4. La VaR est dtermine comme tant le quantile dordre 99,5 % de la distribution
agrge empirique.
Nous avons fait 100 000 simulations et avons obtenu les rsultats suivants :
Rsultats sur les pertes compltes :
Risque
VaR 99%
VaR 99,5%
VaR 99,9%
Client
6 654 501
12 171 741
50 357 163
Processus
292 762
317 708
359 160
Systme
563 295
951 215
2 497 366
Fraude externe
65 931
75 635
96 297
Nous constatons que le risque Clients est bien un risque grave, lexigence en fonds
propres au titre de ce risque est trs lev par rapport aux autres risques.
126 / 180
Rsultats sur les pertes observes au-del du seuil de 1500 :

Risque
VaR 99%
VaR 99,5%
VaR 99,9%
Client
10 656 793
19 731 221
58 412 951
Processus
580 510
672 104
857 810
Systme
5 781 145
12 147 207
40 941 962
Fraude externe
96 847
111 881
190 095
La mthode a tendance surestimer le capital. En particulier, le risque de Systme

fournit des rsultats compltement incohrents dans la mesure o le nombre de
donnes utilises est trs faible. Ceci est d une surestimation de la frquence. Il
faudrait amliorer la mthodologie permettant de modliser la frquence des pertes
tronques.
127 / 180
7.6 AGRGATION DES SCNARIOS

La dpendance entre les risques peut tre apprhende par diffrentes mesures
introduites prcdemment. Nous allons en particulier, valuer pour chaque couple
de risque, le coefficient de Pearson, le taux de Kendall et le rho de Spearman. Pour
effectuer ces calculs, nous avons regroup les pertes par mois de survenance pour
avoir le mme nombre dobservations.
Pearson
Client - Processus
Client - Systme
Client - Fraude
Processus - Systme
Processus - Fraude
Systme - Fraude
0,592
0,496
0,619
0,587
0,732
0,621
Kendall
Spearman
0,138
0,204
-0,019
0,078
-0,028
-0,021
0,186
0,263
-0,028
0,108
-0,050
-0,020
Il y a plusieurs possibilits pour agrger les risques :

Il est possible de les agrger deux deux mais il faut alors choisir 3 relations
modliser pour viter les conflits de dpendances entre variables. Les graphes
ci-dessous reprsentent deux exemples de liens de dpendance entre les
variables : les doubles flches suffisent dfinir la dpendance de lensemble
des risques, mais nous aurions trs bien pu choisir dautres slections pour le
dfinir. Les liens en pointills ne rendraient peut-tre pas la mme
dpendance que les doubles flches. Linconvnient de cette mthode est donc
quil faut choisir les dpendances modliser parmi toutes les possibilits.
Client
Processus
Fraude
Systme
128 / 180
Client
Processus
Fraude
Systme
Nous choisissons destimer des copules bi-varies pour Client-Processus, ProcessusSystme et Systme-Fraude.
Nous estimons les paramtres des copules en utilisant la mthode des moments avec
la mesure de Kendall. Nous avons utilis la fonction calibKendallsTau sous le
logiciel R, elle est surtout utile pour trouver le paramtre de la copule de Frank car
nous navons pas de formule analytique du paramtre.
Le tableau ci-dessous montre les estimations obtenues :
paramtre
copule
Gumbel
Client - Processus
1,088
Log-vrais
Gumbel
0,231
paramtre
copule
Franck
Log-vrais
Frank
paramtre
copule
Clayton
Log-vrais
Clayton
1,096
0,636
0,431
1,104
0,371
0,791
Processus - Systme
1,008
0,002
0,481
0,113
Systme - Fraude
0,857
0,528
-0,777
0,210
paramtre
copule
Normale
Log-vrais
Normale
0,179
0,439
0,099
0,110
-0,252
0,404
Nous pouvons galement agrger les risques dun seul coup par une
copule normale multi-varie pour Client-Processus-Systme-Fraude.
Client -Processus
Client - Systme
Client - Fraude
Processus - Systme
Processus - Fraude
Systme - Fraude
Coefficients
Copule
Normale
0,215
0,315
-0,030
0,122
-0,044
-0,033
129 / 180
Nous avons galement test la dpendance totale et lindpendance entre les risques.
Voici le tableau des VaR 99,5% obtenues par les diffrentes mthodes :
Risques
indpendants
Risques
Totalement
Corrls
12 430 975
13 516 299
Client Processus:
Clayton
Processus Systme:
Clayton
Systme Fraude:
Normale
12 566 782
Client-Processus-Systme-Fraude:
Normale
12 341 511
Nous constatons que le rsultat pour les risques indpendants est trs proche de celui
des risques agrgs par les copules. Globalement les rsultats sont assez proches
dans notre exemple car le risque client est prdominant. Mais en ralit ce ne sera pas
toujours le cas. Le problme dagrgation doit sapprhender en sachant quil ne
concerne que les risques de frquence. En effet, dans notre modle les risques de
gravit seront modliss par les rseaux baysiens : la dpendance entre ces risques
est prise en compte dans les rseaux par construction. Notre problme dagrgation
savre donc relatif et limpact du choix de la mthode dagrgation sera limit.
130 / 180
8 APPLICATION DE LA MODLISATION DES RISQUES DE GRAVIT

Ce chapitre concerne une application de la modlisation des risques de gravit. Nous
allons appliquer le modle simplifi et le modle baysien puis comparer les
rsultats.
Le risque que nous avons tudi est le risque d'erreur interne sur le sens, la quantit
la saisie d'un ordre dinvestissement/dsinvestissement sur les produits actions
dans un contexte de dcalage des marchs. Cest un risque de gravit qui peut
entraner des pertes significatives.
Nous noterons ici ce risque, le risque n24.
Dans un premier temps, nous avons appliqu le modle utilis court terme avec la
mthode des quantiles en testant plusieurs lois.
Puis, nous avons appliqu le modle thorique baysien en testant les probabilits.
Enfin, nous avons compar les rsultats pour valider notre approche court terme.
131 / 180
8.1 SELF RISK ASSESSMENT DU RISQUE

Voici le rsultat du SRA sous forme de fiche technique :
Risk
Risque d'excution
Risk event 1 Risque d'erreur interne sur le sens, la quantit ou le code

valeur la saisie
d'un ordre lors de l'excution des ordres sur
Problmatique
d'exactitude
Risk event description
les produits actions
Primtre: placements pour le compte des socits
d'assurance du Groupe
Basse
Hypotheses
Description: Risque d'erreur interne sur la quantit d'un ordre 1% de dcalage par rapport au march
d'investissement / dsinvestissement excut la saisie dans Moins de 1% de la VL moyenne du portefeuille
un contexte de dcalage des marchs (actions)
Dure de dtection de l'erreur (entranant risque d'erreur de
VL et de fait un risque d'indemnisation) : quelques heures
Montant de l'ordre moyen fourchette basse en portefeuille
(5M)
Causes
Niveau 1
Interne
Niveau 2
Acteur
Commentaires / Description
Erreur de saisie d'un acteur
interne Generali
Moyenne
Haute
Au-del de 2% de la VL moyenne du portefeuille
Entre 1% et 2% de la VL moyenne du portefeuille
Dure de dtection de l'erreur (entranant risque d'erreur de Dure de dtection de l'erreur (entranant risque d'erreur de
VL et de fait un risque d'indemnisation) : un jour
VL et de fait un risque d'indemnisation) : plusieurs mois
Montant de l'ordre moyen fourchette moyenne en portefeuille Impact sur les marchs de l'erreur
(15M)
Montant de l'ordre moyen fourchette haute en portefeuille
(50M)
Slection
Slection
Slection
Processus
SI
Externe
Environment
(naturel /
technologique /
culturel /
Rglementaire)
SI inadapt (absence d'alertes

ou de blocages au-del d'un
certain seuil, si montant de la
vente > 5% de l'actif, si vente
d'un titre non prsent en
portefeuille, etc.)
Environnement technologique
de migration
Sous-effectif conjoncturel
Tiers /
Fournisseurs /
Prestataires
Autres
Dispositif de contrle
Description
Formation des collaborateurs
Contrle de la dlgation (SI)
Contrle de la bonne application de la procdure de passation des
ordres pour chaque type d'instrument financier (dont coute des
bandes enregistres)
Selection
Selection
Selection
Mise en place d'alertes ou blocages dans le SI

Sparation des tches (contrles effectus par le Middle Office et
divers rapprochements)
Contrle du calcul de la VL (analyse des variations atypiques)
Consequences
Niveau 1
Selection
Niveau 2
Consquenc Pertes de Chiffre d'affaires (souse financire performance, diminution des
directe
actifs sous gestion)
Description
Formule de calcul
Montant
Description
Delta de cours = spread moyen

1% + volatilit moyenne sur le
priode de non dtection de
l'erreur soit quelques heures 2% =
3%
175 000
825 000
175 000
Total
Attnuation / Mitigation / Rcupration
Description
Pas d'actions d'attnuation / mitigation / rcupration
Selection
Quantification
Quantification (1)
Attnuation / Mitigation / Rcupration (2)
Quantification finale (=1-2)
Total
Selection
0,00
Total
Frquence
Frquence d'occurrence
Montant
Montant
(Ordre moyen actions dans

fourchette haute en portefeuille
50M x delta de cours) + 0,5% de
l'ordre moyen (cots de
transaction)
Delta de cours = spread moyen
10% + volatilit moyenne sur le
priode de non dtection de
l'erreur soit plusieurs mois 20% =
30%
Quantification
Montant
0,00
Total
Selection
Quantification
250 000
15 500 000
Montant
0,00
Total
12 fois tous les ans
6 fois tous les ans
1 fois tous les 5 ans
175 000,00
825 000,00
15 500 000,00
0,00
0,00
0,00
175 000,00
825 000,00
15 500 000,00
15 250 000
Sanction
Montant forfaitaire des pnalits
Rglementaire rglementaires
Impact
rputation fort
825 000
Total
Impact sur les

marchs de
l'erreur sur la
VL
Delta de cours = spread moyen 3% +

volatilit moyenne sur le priode de
non dtection de l'erreur soit une
journe 2% = 5%
Consquenc Satisfaction client

e qualitative (Fort / Moyen /Faible)
Climat social
Image et reputation
(Fort / Moyen /Faible)
Formule de calcul
Indemnisation (Ordre moyen actions dans

du fonds
fourchette moyenne en portefeuille
l'ordre moyen (cots de transaction)
Rglementaire
Montant Description
Indemnisatio (Ordre moyen actions dans

n du fonds fourchette basse en portefeuille
l'ordre moyen (cots de
transaction)
Autres pertes directes
Formule de calcul
132 / 180
8.2 MODLE SIMPLIFI

Nous appliquons ici le modle simplifi prsent plus haut pour modliser le risque
n24.
Reprenons les rsultats obtenus lors du SRA :
Frquence
Scnario Hypothse
Basse (B)
24, B =12
Risque 24
Scnario Hypothse
Moyenne (M)
24, M =6
Scnario Hypothse
Haute (H)
24, H =1/5
Cot (M)
c 24, B =0,175
c 24, M =0,825
c 24, H =15,5
1re approche : Approche empirique

La loi de la charge totale sobtient par la formule :
P ( S 24,i = n c 24,i ) =
n24,i
n!
exp( 24,i )
pour n et i {B, M , H }
O B reprsente lhypothse basse, M lhypothse moyenne et H lhypothse haute.

Ce qui donne pour les trois scnarios :
Pour i=B, on a P ( S 24, B = 0,175n ) =
12 n
exp(12)
n!
Pour i=M, on a P ( S 24, M = 0,825n ) =

Pour i=H, on a P ( S 24, H = 15,5n ) =
6n
exp(6)
n!
0,2 n
exp(0,2)
n!
pour n
pour n
pour n
Nous avons test deux hypothses dagrgation : soit les scnarios sont totalement
corrles, soit ils sont indpendants.
133 / 180
Hypothse 1 : les trois scnarios sont totalement corrls

Pour chaque scnario, nous calculons numriquement le quantile empirique
99,5% partir de la fonction de rpartition :
n
n*0,175
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
0
0,175
0,35
0,525
0,7
0,875
1,05
1,225
1,4
1,575
1,75
1,925
2,1
2,275
2,45
2,625
2,8
2,975
3,15
3,325
3,5
3,675
3,85
4,025
4,2
4,375
4,55
4,725
n*0,825
0
0,825
1,65
2,475
3,3
4,125
4,95
5,775
6,6
7,425
8,25
9,075
9,9
10,725
11,55
12,375
13,2
14,025
14,85
15,675
16,5
17,325
18,15
18,975
19,8
20,625
21,45
22,275
n*15,5
F(S(24,B)<=n)
0
15,5
31
46,5
62
77,5
93
108,5
124
139,5
155
170,5
186
201,5
217
232,5
248
263,5
279
294,5
310
325,5
341
356,5
372
387,5
403
418,5
6,14421E-06
7,98748E-05
0,000522258
0,002291791
0,007600391
0,020341029
0,045822307
0,089504497
0,155027782
0,242392162
0,347229418
0,461597333
0,575965249
0,681535632
0,772024532
0,844415652
0,898708993
0,937033703
0,96258351
0,978720231
0,988402263
0,993934853
0,996952629
0,998527121
0,999314367
0,999692245
0,99986665
0,999944164
F(S(24,M)<=n) F(S(24,H)<=n)
0,002478752
0,017351265
0,061968804
0,151203883
0,2850565
0,445679641
0,606302782
0,74397976
0,847237494
0,916075983
0,957379076
0,979908036
0,991172516
0,996371507
0,998599646
0,999490902
0,999825123
0,999943083
0,999982403
0,99999482
0,999998545
0,999999609
0,999999899
0,999999975
0,999999994
0,999999999
1
1
0,818730753
0,982476904
0,998851519
0,99994316
0,999997742
0,999999925
0,999999998
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Nous lisons : Q24, B ;99,5% = 3,85M , Q24, M ;99,5% = 10,725M et Q24, H ;99,5% = 31M .
Do Q24;99,5% = 3,85 + 10,725 + 31 = 45,575 M .
Remarque : nous aurions pu amliorer lestimation du quantile par une interpolation
linaire.
Hypothse 2 : les trois scnarios sont indpendants

Pour chaque scnario, nous simulons la perte totale un grand nombre de fois (ici 1
000 000 fois).
Puis nous additionnons les diffrents scnarios sans ordonner les valeurs (ce qui
reviendrait une corrlation totale) pour obtenir les valeurs de la charge totale du
risque 24.
134 / 180
Ce calcul a t ralis sous le logiciel R (avec les fonctions rpois et quantile ) et

conduit Q24,99,5% = 39,575 M .
2nde approche : Nous modlisons la frquence par une loi de Poisson et nous testons
plusieurs lois de svrit.
Lestimateur du paramtre de frquence est gal : 24 =
24 ,i
i{B , M , H }
= 18,2 .
Dans un premier temps, nous choisissons quatre lois a priori pour modliser la
svrit dune perte : Exponentielle, Log-normale, Weibull et Pareto et nous estimons
les paramtres par la mthode des quantiles en supposant que :
la
24, B
perte
issue
du
scnario
moyen
+ 24, M / 2 15
=
82,4% : Q24;82, 4% = 0,825
18,2
24,i
donne
le
quantile
i{B , M , H }
La perte issue du scnario fort donne le quantile 99,999% : Q24;99,999% = 15,50

Puis, nous utilisons un critre bas sur le scnario hypothse basse :
Min (Fth (c 24, B ) Femp (c 24, B ) )

th
} o F
emp
(c 24, B ) =
24, B
24,i
i{B , M , H }
24, B
+ k,M / 2 12 + 6 / 2
12
=
65,9% k,B
=
82,4%
18,2
24,i 18,2
k,i
0%
i{B , M , H }
i{B,M ,H }
Scnarios bas
Scnarios moyens
Min (Fth (0,175) 65,9%)

th
100%
Q24;82, 4% = 0,825
Scnarios forts
Q24;99,999% = 15,5
135 / 180
Voici les rsultats de la slection de la loi de cot :

Risque
Ecart sur le
scnario bas
exponentielle
Ecart sur le
scnario bas
Weibull
Ecart sur le
scnario bas
Lognormale
Ecart sur le
scnario bas
Pareto
Ecart min
Loi retenue
24
0,29
0,04
0,21
0,10
0,04
Weibull
Le critre nous permet de retenir la loi Weibull comme loi de cot.

Pour modliser la charge totale, nous avons appliqu les quatre mthodes prsentes
plus haut : Panjer, inversion de la fonction caractristique, Normal-Power et MonteCarlo. Nous avons regard les rsultats pour toutes les lois pour tudier les carts lis
au choix de la loi. Les rsultats sont donns dans le tableau ci-dessous :
Estimation des paramtres
Panjer
Inversion Normalfonction
Power
caractrist
ique
MonteCarlo
25M
27M
27,15M
26,87M
20M
22M
22,04M
21,94M
ln(Q g ) ln(Q g 2 )
Loi
Log18M
= 1 1
1
normale
( g 1) ( g 2 )
ln(0,825) ln(15,5)
= 1
0,88
(0,82) 1 (0,999)
20M
20,77M
20,97M
Loi
Exponentielle
24 =
=
Loi Weibull
1
Q24, g
ln(1 g )
ln(1 99,999%)
0,74
15,5
ln(1 p1 )
ln
ln(1 p 2 )
0,65
a =
Q p1
ln
Qp
2
b =
Q p1
( ln(1 p1 ))
1
a
0,35
= ln(Q g ) 1 ( g1 )
1
= ln(0,825) 1 (0,82) 1
136 / 180

Loi de Pareto
Q g1
Qg2
(1 g1 ) 1
=
1
(1 g 2 ) 1
1
17M
19M
18,75M
20,18M
5,51
=
Q g1
(1 g1 )
1
2,22
Nous pouvons remarquer que les rsultats ont des ordres de grandeur assez
comparables.
La loi Weibull retenue nous donne un rsultat de 21,94M en utilisant la mthode de
Monte-Carlo.
Le point sensible de la mthode est le choix du quantile extrme 99,999%. Cest un
choix totalement arbitraire, aussi avons-nous test la sensibilit ce paramtre.
Test de sensibilit au quantile extrme : nous avons regard comment voluer le
rsultat en fonction du nombre de neufs ajouts aprs la virgule.
99,9999%
99,99%
99,9%
Loi retenue
Weibull(0,71;
0,38)
Weibull(0,57 ;
031)
Weibull(0,47 ;
0,25)
VaR
20,41
25,93
36,18
+18%
+65%
Ecart par
99,999%
rapport
-7%
Nous constatons en effet, comme nous le redoutions, que le rsultat est trs sensible
au choix du nombre de 9 aprs la virgule. Nous devrons donc interprter les
rsultats avec beaucoup de prcaution.
137 / 180
8.3 MODLE BAYSIEN

Nous appliquons prsent le modle baysien notre risque n24. Ce risque est
trait de faon trs simple car le but est de montrer comment sapplique lapproche
Baysienne.
La premire tape dans lapproche baysienne consiste crer le rseau laide dun
graphe et dfinir les distributions correspondant chaque facteur. Ces paramtres
pourront tre revus dans une phase de back-testing .
Une analyse du risque nous a permi de construire le graphe suivant :
Remarque : nous avons nglig les sanctions rglementaires.

Rappelons que lapproche baysienne propose pour le risque oprationnel consiste
dfinir trois objets : lexposition, la survenance et la gravit.
Lexposition : lexposition doit correspondre aux objets exposs de lentreprise qui ne
peuvent tre touchs par le risque quune seule fois dans la priode. Nous avons
choisis les ordres, en effet un ordre ne peut tre erron quune seule fois. Nous
nanticipons pas daugmentation dans le nombre dordres pour lanne venir et le
nombre dordres observs est en moyenne de 25 000 par an.
La survenance : la survenance est dfinie comme lerreur sur un ordre. En moyenne,
le SRA nous fournit un nombre de pertes annuelles moyen de 18,2 soit une
probabilit derreur sur un ordre de 18,2/25 000 =0,0728%.
La gravit : la gravit est dfinie comme la somme de la perte due au dcalage des
marchs et des frais de transaction. Nous faisons les hypothses suivantes sur les
facteurs intervenant dans le calcul de la gravit :
138 / 180
le montant de lerreur (exprim en millions deuros) :
Montant de l'erreur (en

millions d'euros)
5
15
50
66%
18%
16%
la dure de correction de lerreur : cest la priode allant de la date de

survenance de lerreur sa date de correction par le passage dun nouvel
ordre :
Dure de correction (en
jours)
0,125
1
90
66%
33%
1%
les frais de transaction : nous supposons que les frais de transaction sont
gaux 0,25% du montant de la transaction. Le montant derreur est pass une
premire fois puis une seconde fois lors de la correction. Les frais seront ici
calculs en multipliant le montant de lerreur par 0,5%.
le taux de dcalage des marchs : il sagit de la variation des taux observe

pendant la dure de correction de lerreur.
Taux de
dcalage des
marchs
2%
5%
30%
Dure de correction (en jours)
0,125
66%
34%
0%
1
62%
37,99%
0,01%
90
60%
28%
12%
La perte due au dcalage des marchs : elle est calcule en multipliant le

montant de lerreur par le taux de dcalage.
139 / 180
Ce rseau baysien est ensuite construit sous un logiciel spcifique, ici nous utilisons
la version dessai dHugin. Ce logiciel nous permet dobtenir un lment important
de lalgorithme ci-dessous.
Lanons-nous dans lalgorithme dcrit dans la partie thorique :
Ici, les objets exposs sont du mme type, ce sont des ordres de mme nature :
X i = X , ce qui implique que Pi = P (Exposition = X i ) = 1 .
Nous en dduisons la probabilit que le risque survienne sachant que lexposition est
X i : PS i = P Survenance =" Oui" Exposition = X i = P(Survenance =" Oui") = 0,0728%
Lalgorithme consiste raliser successivement les tapes suivantes :

1) positionner lexposition X i , la survenance Oui dans le rseau baysien et lire la
distribution de la gravit PG i = P Gravit Survenance =" Oui" et Exposition = X i :

cette tape est ralise avec le logiciel Hugin qui nous permet davoir trs
rapidement la distribution de la gravit conditionnellement la survenance.
140 / 180

2)chantillonner
le
nombre
de
pertes
Binomiale B ( nb ( X i ); PS i ) = B ( 25 000; 0,0728 %) .
En
selon
Fi
effet,
les
la
loi
ordres
sont
indpendants et chaque ordre suit une loi de Bernoulli.

3) Pour chacun des incidents de 1 Fi , chantillonner la gravit suivant la
distribution PGi
4) Sommer les Fi gravits.
Nous rptons ces 4 tapes 10 000 fois en conservant les sommes des gravits
chaque fois. Nous obtenons ainsi une distribution de pertes totales et nous en
dduisons la VaR 99,5% en ordonnant les pertes et en prenant la 50ime perte en
partant du bas.
Nous avons ralis des tests de sensibilit aux diffrents paramtres du rseau
baysien : chaque jeu de tests, nous faisons varier les paramtres dun facteur en
fixant les paramtres de tous les autres facteurs.
Le tableau suivant reprsente les tests de sensibilit de la frquence doccurrence. Le
premier scnario est le scnario central.
Tests de sensibilit de la frquence d'occurrence

Simulation n1
Occurrence
oui
0,0728%
non
99,9272%
Montant de l'erreur
5
66%
Dure de correction Dcalage des

0,125
66%
marchs
Dure de correction
0,125
1
90
15
18%
33%
2%
66%
62%
60%
50
16%
90
1%
5%
34%
37,99%
28%
30%
0%
0,01%
12%
Perte totale
21,275
Simulation n2
Occurrence
Montant de l'erreur
Dure de correction
Dcalage des
66%
marchs
oui
0,0500%
66%
0,125
non
99,9500%
15
18%
33%
50
16%
90
1%
Dure de correction
Perte totale
0,125
90
2%
66%
62%
60%
5%
34%
37,99%
28%
30%
0%
0,01%
12%
16,175
Simulation n3
Occurrence
Montant de l'erreur
Dure de correction
oui
0,10%
66%
0,125
66%
non
99,90%
15
18%
33%
50
16%
90
1%
Dcalage des
Dure de correction
Perte totale
0,125
90
2%
66%
62%
60%
marchs
5%
34%
37,99%
28%
30%
0%
0,01%
12%
27,85
Simulation n4
Occurrence
Montant de l'erreur
Dure de correction
Dure de correction
Perte totale
oui
0,20%
66%
0,125
66%
Dcalage des
marchs
0,125
90
non
99,80%
15
18%
33%
2%
66%
62%
60%
50
16%
90
1%
5%
34%
37,99%
28%
30%
0%
0,01%
12%
141 / 180
44,85
Le tableau suivant reprsente les tests de sensibilit du montant derreur.

Tests de sensibilit du montant d'erreur
Simulation n1
Occurrence
Montant de l'erreur
Dure de correction
Dure de correction
Perte totale
oui
0,07%
60,0%
0,125
66%
Dcalage des
marchs
0,125
90
non
99,93%
15
20,0%
33%
2%
66%
62%
60%
50
20,0%
90
1%
5%
34%
38%
28%
30%
0%
0%
12%
24,10
Simulation n2
Occurrence
Montant de l'erreur
Dure de correction
Dcalage des
66%
marchs
oui
0,07%
50,0%
0,125
non
99,93%
15
30,0%
33%
50
20,0%
90
1%
Dure de correction
Perte totale
0,125
90
2%
66%
62%
60%
5%
34%
38%
28%
30%
0%
0%
12%
24,175
Simulation n3
Occurrence
Montant de l'erreur
oui
0,07%
non
99,93%
Dure de correction
0,125
Dcalage des
marchs
66%
40,0%
15
30,0%
33%
50
30,0%
90
1%
Perte totale
Dure de correction
0,125
90
2%
66%
62%
60%
5%
34%
38%
28%
30%
0%
0%
12%
30,45
Simulation n4
Occurrence
Montant de l'erreur
Dure de correction
Dcalage des
66%
marchs
Dure de correction
Perte totale
oui
0,07%
30,0%
0,125
0,125
90
non
99,93%
15
40,0%
33%
2%
66%
62%
60%
50
30,0%
90
1%
5%
34%
38%
28%
30%
0%
0%
12%
31,375
Simulation n5
Occurrence
Montant de l'erreur
Dure de correction
Dure de correction
Perte totale
oui
0,07%
30,0%
0,125
66%
Dcalage des
marchs
0,125
90
non
99,93%
15
30,0%
33%
2%
66%
62%
60%
50
40,0%
90
1%
5%
34%
38%
28%
30%
0%
0%
12%
142 / 180
35,15
Le tableau suivant reprsente les tests de sensibilit de la dure de correction.

Tests de sensibilit de la dure de correction
Occurrence
Montant de l'erreur
Simulation n1
Dcalage
Dure de correction
des
oui
0,07%
66%
0,125
60%
non
99,93%
15
18%
30%
50
16%
90
10%
Montant de l'erreur
Occurrence
Dure de correction
Perte totale
0,125
90
2%
66%
62%
60%
5%
34%
37,99%
28%
30%
0%
0,01%
12%
marchs
Simulation n2
Dcalage
Dure de correction
des
Dure de correction
Perte totale
oui
0,07%
66%
0,125
50%
0,125
90
non
99,93%
15
18%
40%
2%
66%
62%
60%
50
16%
90
10%
5%
34%
37,99%
28%
30%
0%
0,01%
12%
Occurrence
Montant de l'erreur
marchs
Simulation n3
Dcalage
Dure de correction
des
oui
0,07%
66%
0,125
50%
non
99,93%
15
18%
30%
50
16%
90
20%
Dure de correction
28,78
Perte totale
0,125
90
2%
66%
62%
60%
5%
34%
37,99%
28%
30%
0%
0,01%
12%
marchs
19,575
37,20
Simulation n4
Occurrence
Montant de l'erreur
Dure de correction
Dcalage
des
Dure de correction
Perte totale
oui
0,07%
66%
0,125
40%
0,125
90
non
99,93%
15
18%
40%
2%
66%
62%
60%
50
16%
90
20%
5%
34%
37,99%
28%
30%
0%
0,01%
12%
marchs
32,35
143 / 180
Le tableau suivant reprsente les tests de sensibilit de la variation des actifs.

Tests de sensibilit du taux de dcalage des marchs
Occurrence
Montant de l'erreur
Simulation n1
Dcalage
Dure de correction
des
oui
0,07%
66%
0,125
66%
non
99,93%
15
18%
33%
50
16%
90
1%
Occurrence
Montant de l'erreur
oui
0,07%
non
99,93%
Occurrence
66%
60%
60,00%
5%
33,99%
37,90%
27,00%
30%
0,01%
0,10%
13,00%
marchs
90
30%
2%
66,00%
62,00%
60,00%
10%
5%
33,90%
37,80%
27,00%
30%
0,10%
0,20%
13,00%
Simulation n3
Dcalage
Dure de correction
des
66%
0,125
50%
15
18%
40%
50
16%
90
10%
Montant de l'erreur
5
66%
50%
0,125
90
62,00%
60,00%
5%
34,90%
37,50%
26,00%
30%
0,10%
0,50%
14,00%
marchs
22,65
Perte totale
65,00%
Simulation n4
Dcalage
Dure de correction
des
0,125
Dure de correction
2%
marchs
21,375
Perte totale
Dure de correction
0,125
90
0,07%
99,93%
62,00%
18%
99,93%
non
66,00%
16%
oui
0,07%
2%
15
non
oui
90
50
Montant de l'erreur
Occurrence
Perte totale
Simulation n2
Dcalage
Dure de correction
des
0,125
Dure de correction
0,125
marchs
Dure de correction
23,875
Perte totale
0,125
90
50,00%
15
18%
30%
2%
60,00%
60,00%
50
16%
90
20%
5%
39,00%
39,00%
34,00%
30%
1,00%
1,00%
16,00%
28,83
Remarque : les paramtres du modle ont t fixs par les experts mais nous aurions
trs bien pu prendre des observations et utiliser les mthodes statistiques
dapprentissage pour dfinir les distributions des diffrents facteurs.
144 / 180
8.4 COMPARAISON DES RSULTATS ET CONCLUSIONS

Les rsultats des deux modles sont trs comparables : le modle simplifi nous
donne 21,94M et le modle baysien 21,275M. Cependant nous avons vu que le
modle simplifi tait trs sensible au choix du quantile extrme. Lapproche
simplifie nous donne une premire ide du rsultat mais nous ne pouvons pas nous
y limiter. Elle doit absolument tre complte par une autre approche.
Le modle baysien est une approche beaucoup plus transparente. Il permet de
prendre en compte la fois des facteurs quantitatifs mais aussi des facteurs
qualitatifs, ce que ne font pas la plupart des modles. Lapproche baysienne est trs
intressante dans le cadre des risques oprationnels car elle permet de dtecter des
facteurs de rduction du risque grce linfrence. Elle peut tre utilise dautres
fins que lvaluation des fonds propres : le risk management peut lutiliser pour
mettre en place des plans dactions, constater lefficacit de ces derniers, voir limpact
des aggravations de certains facteurs sur les risques.
145 / 180
146 / 180
9 APPLICATION DE LA THORIE DES VALEURS EXTRMES

Lide est de dcouper notre chantillon en deux sous ensembles : le premier pour les
pertes attritionnelles et le second pour les pertes exceptionnelles.
Pour cela, nous utilisons la mthode POT dcrite plus haut applique aux pertes
exceptionnelles et nous modlisons nos pertes attritionnelles de faon classique avec
la mthode LDA.
9.1 MODLISATION DES PERTES EXTRMES

Nous rappelons que la mthode POT consiste dterminer un seuil de graves audel duquel les excs suivent une loi GDP.
Dans un premier temps, nous allons faire des tests graphiques pour regarder si
lesprance et la variance de nos risques sont finies ou infinies : cela nous donnera
une premire ide de la valeur de lindice de queue. En effet, si X est une variable
alatoire de loi GPD, alors :
E(X) finie indice de queue <1
V(X) finie indice de queue <1/2
Pour cela, considrons S n (r ) =
max X 1r , , X nr
n
X
i =1
) pour r>0.
r
i
Daprs Embrecht, nous avons la proprit suivante :
S n (r ) n
0 ps E ( X r ) < +
+
Pour r=1, nous pourrons savoir si lesprance est finie ou infinie en traant S n (r ) en
fonction de n : si S n (r ) tend vers 0 quand n tend vers linfini, alors lesprance sera
finie. De mme pour r=2, nous regarderons si la variance est finie ou infinie.
Sur nos chantillons qui sont de taille limite, il sera difficile de conclure mais cela
peut dj nous donner une ide.
Reprsentons S n (r ) pour r = 1 en fonction de n pour les quatre risques tudis.
Le graphique ci-dessous reprsente S n (1) pour le risque de processus :
147 / 180
1,2
0,8
0,6
0,4
0,2
0
1
51
101
151
201
251
301
351
401
451
Sn(risque process)
Nous observons que S n (1) dcrot rapidement, mais nous ne pouvons pas assurer
quil tende vers 0. Nous pouvons prsumer que lesprance du risque de processus
est finie avec des rserves.
Le graphique ci-dessous reprsente S n (1) pour les risques client, systme et fraude
externe :
1,2
0,8
0,6
0,4
0,2
0
1
11
Sn(risque client)
21
Sn(risque systeme)
31
41
Sn(risque fraude externe)
148 / 180
En observant ce graphique, nous pourrions penser que S n (1) restera au mme niveau
et ne dcrotra pas vers zro pour les trois risques mais, tant donn le faible nombre
de donnes, nous ne pouvons pas nous prononcer.
Reprsentons S n (r ) pour r = 2 en fonction de n pour les quatre risques tudis.
Le graphique ci-dessous reprsente S n (2) pour le risque de processus :
1,01
1
0,99
0,98
0,97
0,96
0,95
0,94
0,93
0,92
0,91
1
51
101
151
201
251
301
351
401
451
Sn(risque process)
S n (2) dcrot lentement, nous pourrions penser quil tende vers 0, ce qui pourrait
sinterprter par le fait que la variance du risque de processus est finie mais nous
mettons des rserves sur cette interprtation.
Le graphique ci-dessous reprsente S n (2) pour les risques client, systme et fraude
externe :
149 / 180
1,2
0,8
0,6
0,4
0,2
0
1
11
Sn(risque client)
21
Sn(risque systeme)
31
41
Sn(risque fraude externe)
Au premier abord, il semblerait que S n (2) ne tende pas vers 0, ce qui pourrait
sinterprter par le fait que les variances sont infinies mais nous mettons des
rserves sur cette interprtation vu le faible nombre de donnes.
tant donn le faible nombre dobservations pour les risques client, systme et
fraude externe, nous choisissons de regrouper toutes nos pertes et dajuster une loi
GPD sur lensemble de nos excs.
Le graphique ci-dessous reprsente S n (1) pour lensemble des risques :
150 / 180
1,2
0,8
0,6
0,4
0,2
0
1
51
101
151
201
251
301
351
401
451
501
551
Sn(risque total)
Nous observons que S n (1) dcrot rapidement, mais nous ne pouvons pas assurer
quil tende vers 0. Nous pourrions penser que lesprance de lensemble des risques
est finie et donc que lindice de queue est infrieur 1, avec de fortes rserves.
Le graphique ci-dessous reprsente S n (2) pour lensemble des risques :

1,2
0,8
0,6
0,4
0,2
0
1
51
101
151
201
251
301
351
401
451
501
551
Sn(risque total)
151 / 180
Nous observons que S n (2) dcrot trs lentement, mais nous ne pouvons pas assurer
quil tende vers 0. Nous pourrions penser quil ne tend pas vers zro et donc que la
variance est infinie, ce qui signifierait que lindice de queue est suprieur , mais
nous mettons de fortes rserves.
Ce test donne un rsultat indicatif qui doit tre pris simplement comme une premire
ide de la finitude de lesprance et de la variance. De plus, nous avons, ici, trs peu
de donnes pour rellement conclure que lindice de queue est compris entre et 1,
en gnral ce genre de test se construit sur plusieurs milliers dobservations.
A prsent, nous cherchons le seuil des excs pour lensemble des risques. Attention
ne pas confondre ce seuil avec celui de collectes.
Nous commenons par tracer le Q-Q plot qui nous fournit une indication de
lappartenance probable un des domaines dattraction possibles de la distribution
des pertes. Son principe est de reprsenter graphiquement les quantiles de la
distribution exponentielle versus les valeurs ordonnes de notre chantillon.
Nous utilisons la fonction qplot avec xi=0 sous le logiciel R.
Si la loi appartient au domaine dattraction de Gumbel alors les points sont

approximativement aligns.
Si la loi appartient au domaine dattraction de Frchet alors les points ont tendance
se disperser vers le bas.
Si la loi appartient au domaine dattraction de Weibull alors les points ont tendance
se disperser vers le haut.
Le Q-Q plot nous montre que la loi appartient au domaine dattraction de Frchet.
152 / 180
Puis nous traons le mean excess plot empirique en fonction du seuil u.
Nous ne pouvons pas tirer de relle conclusion de ce graphique ce qui nous amne
reprsenter lindice de queue en fonction du seuil :
Puis, nous traons lestimateur de Hill (dfini page 49) en fonction du seuil :
153 / 180
Nous recherchons le seuil autour duquel les courbes deviennent plates car lindice de
queue doit tre stable ou du moins pas trop volatile par rapport au seuil.
En rgle gnrale, pour des chantillons de taille infrieure 500, les pertes
dpassant le seuil sont de lordre de 5 10%. Nous choisissons de tester plusieurs
seuils qui donnent des indices de queue plus grands que 1, nous aurons donc une
esprance et une variance infinie. La plupart des mthodes ne sont alors pas valides
pour estimer les paramtres et nous avons eu recours la mthode des moments
pondrs gnralise qui permet une estimation pour un indice de queue <3/2.
Nous retenons plusieurs seuils que nous allons tester. Dans le tableau ci-dessous
figurent le seuil des pertes graves, le nombre des excs au-del du seuil et les
paramtres de la GPD estims par la mthode des moments pondrs gnralise :
Test n1
Test n2
Test n3
Test n4
Seuil
750
1 900
3 000
4 500
Nombre
dexcs
183
94
64
43
Shape
1,18
1,26
1,37
1,43
Beta
1 089,61
2 061,01
2 690,78
4 126,57
Les graphiques ci-dessous reprsentent ladquation de la GPD notre chantillon

pour les diffrentes valeurs de seuil testes.
154 / 180
Remarque : lindice de queue suprieur 1 implique une esprance et une variance

infinies. Cela va poser des problmes lors de la simulation des excs.
9.2 MODLISATION DES PERTES ATTRITIONNELLES

Nous modlisons classiquement chaque risque pour les pertes infrieures au seuil
par la mthode LDA. Ces calculs tant chronophages, nous avons tent dutiliser la
mthode de Wilson Hilferty qui est une mthode dapproximation base sur les
moments des cots et de la frquence qui simule directement la charge totale. Mais
elle na pas fonctionn dans la mesure o sur certains risques elle a fourni des pertes
cumules ngatives. Dans le cadre du risque oprationnel, nous ne devons pas
considrer de pertes ngatives.
Nous avons appliqu la mthode LDA pour les diffrents seuils.
Voici les rsultats obtenus pour chaque seuil ainsi que les graphiques dadquation :
Seuil des extrmes : 4 500
Risque Clients
Risque
Processus
de Risque
Systme
de Risque
de
Fraude externe
Loi des cots Weibull

retenue
Weibull
Log-normale
Exponentielle
Paramtres
Shape=0,52
Scale=367,37
Shape=0,55
Scale=332,23
Meanlog=4,65
Sdlog=2,14
Rate=0,00063
Test de KS
D = 0,12
D = 0,045
D = 0,21
D = 0,21
p-value = 0,72
p-value = 0,30
p-value = 0,12
p-value = 0,20
155 / 180

Loi
frquence
retenue
Paramtres
de Poisson
Lambda=0,69
Poisson
Binomiale
Ngative
Poisson
Lambda=9,46
Size=1,11
Lambda=0,54
Prob=0,62
Test du Khi- X-squared
deux
4,2
= X-squared
24187
p-value = 0,985
p-value = 0,82
= X-squared
9,29
p-value = 0,94
= X-squared
4,96
p-value = 0,93
156 / 180

Risque Clients
Risque
Processus
de Risque
Systme
de Risque
de
Fraude externe

retenue
Weibull
Gamma
Weibull
Paramtres
Shape=0,54
Shape=0,57
Shape =0,66
Shape=0,81
Scale=284,88
Scale =289,54
Rate=0,0021
Scale=1 100,93
D = 0,125
D = 0,049
D = 0,15
D = 0,28
p-value = 0,67
p-value = 0,24
p-value = 0,44
p-value = 0,08
Test de KS
157 / 180

Loi
frquence
retenue
Paramtres
de Poisson
Lambda=0,65

Poisson
Binomiale
Ngative
Poisson
Lambda=9,19
Size=0,91
Lambda=0,44
Prob=0,58
deux
11,81
p-value = 0,3
= X-squared
193,58
p-value = 0,66
= X-squared
9,70
= X-squared = 6
p-value = 0,68
p-value = 0,62
158 / 180

Risque Clients
Risque
Processus
de Risque
Systme
de Risque
de
Fraude externe

retenue
Weibull
Gamma
Weibull
Paramtres
Shape=0,56
Shape=0,61
Shape=0,66
Shape=0,78
Scale=220,91
Scale=225,67
Rate=0,0021
Scale=925,06
D = 0,13
D = 0,056
D = 0,15
D = 0,29
p-value = 0,63
p-value = 0,16
p-value = 0,44
p-value = 0,079
Test de KS
159 / 180

Loi
frquence
retenue
Binomiale
Ngative
Poisson
Poisson
Size=3,16
Size=2,77
Lambda=0,67
Lambda=0,4
Prob=0,84
Prob=0,24

deux
14,14
= X-squared
422,15
Paramtres
de Binomiale
Ngative
p-value = 0,51
= X-squared
13,28
p -value = 0,77
p-value = 0,39
= X-squared
2,55
p-value = 0,91
160 / 180
Seuil des extrmes : 750

Risque Clients
Risque
Processus
de Risque
Systme
de Risque
de
Fraude externe

retenue
Weibull
Log-normale
Weibull
Paramtres
Shape=0,66
Shape=0,68
Meanlog=4,19
Shape=2,92
Scale=93,6
Scale=126,21
Sdlog=1,99
Scale=23,21
D = 0,18
D = 0,062
D = 0,21
D = 0,168
p-value = 0,42
p-value = 0,13
p-value = 0,18
p-value = 0,98
Test de KS
161 / 180

Loi
frquence
retenue
Paramtres
de Poisson
Lambda=0,48

deux
9,79
p-value = 0,29

Binomiale
Ngative
Binomiale
Ngative
Binomiale
Ngative
Size=2,98
Size=1,07
Size=0,007
Prob=0,29
Prob=0,65
Prob=0,055
= X-squared
386,73
= X-squared
12,69
= X-squared
2,48
p-value = 0,2
p-value = 0,34
p-value = 0,46
162 / 180
Pour chaque seuil, nous avons retenu des lois pour la frquence et la svrit de
chaque risque. Cette paramtrisation va nous permettre par la suite de simuler les
pertes attritionnelles pour chaque seuil et comparer les rsultats par seuil.
9.3 SIMULATION DES PERTES ET RSULTAT

La simulation des pertes attritionnelles ne pose aucun problme technique puisquil
sagit dappliquer un Monte-Carlo classique. En revanche, la simulation des pertes
exceptionnelles va tre plus complique. En effet, un indice de queue suprieur 1
implique que la convergence de Monte-Carlo nest plus valable puisque lesprance
est infinie. Nous pouvons alors introduire un plafond appel sinistre maximum
probable ou SMP en assurance. Nous choisissons un SMP global de 12M dfini sur
avis dexpert. La frquence des pertes extrmes est modlise par une loi de Poisson
dont nous affichons le lambda dans le tableau ci-dessous.
163 / 180
Nous avons simul les pertes attritionnelles et extrmes pour les diffrents seuils
choisis afin de pouvoir comparer les rsultats.
Test n1
Test n2
Test n3
Test n4
Seuil
750
1 900
3 000
4 500
Nombre
dexcs
183
94
64
43
Shape
1,18
1,26
1,37
1,43
Beta
1 089,61
2 061,01
2 690,78
4 126,57
Lambda
45,75
23,5
16
10,75
VaR(99,5%)
pertes
extrmes
12 607 818
12 920 160
13 445 422
13 623 875
VaR(99,5%)
12 623 697
12 972 241
13 496 723
13 754 789
Total pertes
Les rsultats ne sont pas trs sensibles au changement de seuil. Ils sont comparables
ceux obtenus par la mthode classique LDA. Cependant, il faut noter que le rsultat
est trs sensible au choix du SMP, tant donn que lesprance et la variance sont
infinies.
La limite de cet exemple est que nous ne connaissons pas exactement la nature des
pertes reportes et par consquent nous ne pouvons pas apporter un avis dexpert
lanalyse.
164 / 180
10 CAPITAL POUR TOUT LE RISQUE OPRATIONNEL

Dans cette partie, nous nous intressons au calcul du capital pour tous les risques
oprationnels. Nous prsentons les rsultats des deux formules standard (QIS4 et
CP53) puis nous les comparons. Ensuite nous prsentons les rsultats du modle
simplifi en faisant lhypothse dune totale corrlation entre les risques.
10.1 LA FORMULE STANDARD ISSUE DES QIS4

A lheure actuelle, la dernire formule teste par les compagnies dassurance est celle
des QIS4. Nous prsentons ci-dessous les rsultats de Generali fin 2007 :
165 / 180
10.2 LA FORMULE STANDARD ISSUE DU CP53

Nous appliquons la formule standard des CP53 sur la mme vision que les QIS4 pour
pouvoir faire une comparaison. Voici les rsultats obtenus :
166 / 180
10.3 COMPARAISON DES RSULTATS ENTRE FORMULES STANDARDS QIS4 VS

CP53
A fin 2007, le besoin en capital au titre du risque oprationnel est multipli par 3,6
pour Generali Vie et 2,5 pour Generali IARD en passant de la formule standard issue
des QIS4 la formule standard du CP53 :
Comparaison des SCR risque oprationnel QIS4 et CP53 (en M)

QIS4
CP53
Ecart en %
Generali Vie
268
971
262%
Generali IARD
67
170
154%
167 / 180
10.4 MODLE INTERNE SIMPLIFI

Nous appliquons la deuxime approche du modle simplifi, en faisant lhypothse
dune totale corrlation entre les risques.
Voici le tableau reprsentant les lois retenues pour la modlisation dans la deuxime
approche du modle simplifi :
Pour des raisons de confidentialit, nous ne donnerons pas le rsultat du modle

interne simplifi mais il renvoie un SCR risque oprationnel relativement proche de
celui de la formule standard des QIS4. Nous sommes conforts dans lide que la
formule standard issue du CP53 nest pas reprsentative de nos risques et donne des
rsultats beaucoup trop levs.
Toutefois, ce modle simplifi est contestable dans la mesure o il ne prend pas en
compte les risques externes du type crue centennale.
168 / 180
11 CONCLUSION GNRALE
Le risque oprationnel nest pas un risque ngligeable au sens de Solvabilit II, bien
au contraire. En effet, nous avons vu que la formule standard issue de la deuxime
vague de CP, qui risque dtre utilise dans les QIS5, a multipli par plus de 3 le
besoin en capital du risque oprationnel par rapport lancienne formule des QIS4.
La formule standard des CP est trs consommatrice en fonds propres et ne reflte pas
forcment nos risques. Cest pourquoi nous nous sommes intresss la mise en
place dun modle interne qui quantifierait les risques plus prcisment.
Nous avons propos un modle dcomposant les risques oprationnels en deux
catgories : les risques de frquence et les risques de gravit. Les risques de frquence
ont t modliss par une mthode Loss Distribution Approach (LDA) modifie pour
tenir compte du seuil de collecte des donnes. En effet, toutes les pertes ne sont pas
reportes par les oprationnels, uniquement celles qui dpassent un certain seuil.
Pour valider cette approche, nous avons appliqu cette mthode des donnes
dpassant un seuil fix 1 500 pour tous les risques et nous lavons compar la
mthode LDA classique applique nos donnes compltes. Nous avons constat
que lapproche LDA modifie est plus pessimiste car elle surestime le nombre de
pertes. Il faudrait notamment amliorer lapproximation de la frquence en
dveloppant une nouvelle mthode qui ne surestime pas la frquence.
Nous avons test lagrgation par les copules contre lagrgation avec une totale
corrlation. Cette application nous a montr que lutilisation des copules pouvait
faire diminuer le besoin en capital par rapport la somme des VaR mais ce nest pas
toujours le cas. Nous devrons faire des tests sur nos propres donnes. Par ailleurs,
lagrgation ne concerne que les risques de frquence qui sont modliss par des lois
queues fines. Limpact du choix de la mthode dagrgation est ainsi limit.
Les risques de gravit ont t modliss par des rseaux baysiens. Ce sont des outils
qui prsentent de nombreux avantages : ils permettent de visualiser les liaisons de
causalit entre les variables, ils peuvent prendre en compte des variables qualitatives,
ils permettent de grer les risques en identifiant des variables leviers. Ce modle va
donc tre utile au risk management pour piloter les risques. Le risk management
pourra lutiliser pour mettre en place des plans dactions, constater lefficacit des
plans dactions, simuler limpact daggravation de certains facteurs sur les risques.
Linconvnient majeur des rseaux baysiens est quils sont longs mettre en place.
Une autre solution plus rapide pour modliser les risques de gravit serait les lois
extrmes.
Nous avons ainsi explor la piste de la thorie des valeurs extrmes pour modliser
nos risques de gravit. Pour cela nous avons dtermin plusieurs seuils de graves
partir de tests graphiques classiques puis nous avons spar nos pertes au-dessus et
au-dessous du seuil. Les pertes au-dessus du seuil ont t regroupes par manque de
169 / 180
donnes pour modliser lexcdent par une loi Pareto gnralise GPD. Cette
pratique peut tre critique dans la mesure o les risques ne sont pas forcment
homognes. Nous privilgierons de dcomposer par type de risques cette analyse.
Lindice de queue trouv pour les diffrents seuils est toujours suprieur 1 ce qui
pose un problme lors de la simulation car lesprance et la variance sont infinies. Ce
problme a t rsolu en introduisant un plafond appel Sinistre Maximum Probable
(SMP). Les pertes en-dessous du seuil ont t modlises par risque avec la mthode
LDA. Les diffrents seuils tests donnent des rsultats plutt comparables avec des
carts de moins de 9%. La limite de cette approche est la sensibilit au choix du SMP.
Cependant elle prsente lavantage dutiliser la base de donnes sans avoir
rinterroger les experts, ce qui est trs consommateur en ressources et qui serait long
refaire.
De plus, il faudrait envisager dexploiter des bases de donnes externes type FIRST
ou ORIC pour modliser nos risques de gravit. Cela requiert un travail pralable de
retraitement des donnes avec la mise lchelle de lentreprise, la comprhension
des vnements, lappropriation des risques, le traitement des seuils de collecte
Nous avons propos un modle simplifi faisant appel aux avis dexpert pour avoir
un premier aperu de notre capital. Ce modle sest appuy sur la mthode des
quantiles et un critre de slection des lois a priori. Les limites de ce modle sont
quil ne modlise pas les risques externes et quil est sensible au paramtrage. Nous
avons appliqu ce modle tous les risques identifis comme importants par la
mthode top-down et tudis dans le Self-Risk Assessment. Nous avons obtenu un
capital proche de celui de la formule standard des QIS4, ce qui semble signifier que la
formule standard des CP53 ne reflte pas nos risques. Certes le capital de notre
modle simplifi est prendre avec prcaution car il ne prend pas en compte les
risques externes. Mais les risques externes peuvent ventuellement faire lobjet de
couverture dassurance et ne pas rentrer dans le modle.
Nous avons propos de modliser les risques via une matrice de type Ble II qui
dcoupe les risques par type de risques de niveau 1 et par activit. Elle permet
dobtenir un capital par type de risques et activit. Cela permettra dutiliser le
modle pour le pilotage des activits : nous pourrions imaginer de calculer et suivre
priodiquement des ratios de rentabilit du risque oprationnel par activit et de
fournir des objectifs de ratios cibles aux diffrentes directions. Mais ceci reste encore
dfinir.
Ce modle sera utilis dans le modle interne pour valuer un risque global. Quels
sont alors les liens avec les autres risques et comment les modliser ? Par exemple, le
risque de pandmie peut la fois toucher les assurs et les salaris de lentreprise, il
relve donc du risque de mortalit, du risque sant et cest aussi un risque
oprationnel.
La nouvelle formule standard utilise dans les QIS5 ne vient en rien modifier les
conclusions de cette tude.
170 / 180
12 BIBLIOGRAPHIE
[1] Abram T, The Hidden Values of IT Risk Management, Isaca Journal, Volume 2,
2009.
[2] Baud N, A, Frachot, T, Roncalli, An Internal Model for Operational Risk
Computation.
[3] Cadoux D, J-M Loizeau, Copules et dpendances : application pratique la
dtermination du besoin en fonds propres dun assureur non vie.
[4] Cain J, Planning improvements in natural resources management, Centre for
Ecology and Hydrology, UK, 2004.
[5] Chernobai A, S Rachev, F Fabozzi, Composite Goodness-of-Fit Tests for LeftTruncated Loss Samples, Juin 2005.
[6] Condamin L, J-P, Louisot, P, Nam, Risk Quantification, 2006.
[7] Cruz MG, Modelling, Measuring and Hedging Operational Risk, John Wiley &
Sons, LTD, Chichester, 2002.
[8] Dahen H, La quantification du risque oprationnel des institutions bancaires,
thse 2006.
[9] Deloitte, The Forgotten Risk, Novembre 2005.
[10] Denuit M, A Charpentier, Mathmatiques de lAssurance Non-Vie Tome1, 2004.
[11] Denuit M, A Charpentier, Mathmatiques de lAssurance Non-Vie Tome2, 2005.
[12] Dexter, N, C, Ford, P, Jakhria, P, Kelliher, D, McCall, C, Mills, A, Probyn, P,
Raddall, J, Ryan, Quantifying Operational Risk in Life Insurance Companies, Mai
2006.
[13] Diebolt J, A Guillou et I Rached, Gnralisation de la mthode des moments
pondrs : Application la loi des excs.
[14] Elseware, Guide mthodologique : Modlisation des risqu oprationnels
courants Approche LDA, Juin 2009.
[15] Lecoutre J-P, P Tassi, Statistique non paramtrique et robustesse, 1987.
[16]Leray P, Rseaux baysiens: apprentissage et modlisation de systmes
complexes, novembre 2006.
[17] Jimenez C, P, Merlier, D, Chelly, Risques Oprationnels, Fvrier 2008.
[18] Jobst A, Consistent Quantitative Operational Risk Measurement and Regulation:
Challenges of Model Specification, Data Collection, and Loss Reporting, Avril 2004.
[19] McNeil A J, R Frey, P Embrechts, Quantitative Risk Management, 2005.
171 / 180
[20] Nam P, P-H, Wuillemin, P, Leray, O, Pourret et A, Becker, Rseaux Baysiens,

2007.
[21] Partrat C, JL Besson, Assurance Non-Vie Modlisation, Simulation, 2005.
[22] Planchet F, Utilisation de la thorie des valeurs extrmes dans le contexte
solvabilit 2, support de cours, Avril 2008.
[23] Roncalli T, Introduction la Gestion des Risques, Octobre 2001.
[24] Tripp M H, H L, Bradley, R, Devitt, G C, Orros, G L, Overton, L M, Pryor, R A,
Shaw, Quantifying Operational Risk in general Insurance Companies, Mars 2004.
[25] Wallis JR, Hosking JRM, Parameter and quantile estimation for the Generalized
Pareto Distribution, Technometrics, 1987.
172 / 180
13 LISTE DES ABRVIATIONS

LDA = Loss Distribution Approach
SCR = Solvency Capital Requirement
MCR = Minimum Capital Requirement
CP = Consultation paper
QIS = Quantitative impact studies
SRA = Self Risk Assessment
GPD = Loi de Pareto gnralise
VaR = Value at Risk
XSG = Modle Exposition Survenance Gravit
SMP = Sinistre maximum probable
173 / 180
14 ANNEXES
14.1 ANNEXE A : RFRENTIEL DES RISQUES BLE II
174 / 180
175 / 180
14.2 ANNEXE B : RFRENTIEL DES PROCESSUS DE GENERALI

Liste des processus de niveau 2 :
EX 1 - Dfinir et dcliner la stratgie
EX 2 - Lever et allouer le capital
EX 3 - Grer les risques
EX 4 - Mettre en place des rgles de gouvernance
EX 5 - Gouverner lentreprise
EX 6 - Piloter l'activit
EX 7 - Grer la communication
MT 1 - Concevoir et suivre les produits
MT 10 - Assurer le contrle de gestion et le pilotage oprationnel
MT 11 - Grer le juridique oprationnel
MT 2 - Grer et suivre la relation client
MT 3 - Distribuer les produits
MT 4 - Administrer les contrats
MT 5 - Grer les rseaux (hors rseau salari)
MT 6 - Grer les prestations
MT 7 - Grer les cotisations
MT 8 - Grer la rassurance
MT 9 - Grer les placements
SU 1 - Grer les Ressources Humaines
SU 2 - Grer la rglementation juridique et fiscale
SU 3 - Grer les Systmes d'Information
SU 4 - Grer les achats
SU 5 - Grer les moyens gnraux
SU 6 - Assurer la scurit des biens et des personnes
SU 7 - Grer la comptabilit et les finances
176 / 180
14.3 ANNEXE C : RFRENTIEL DES RISQUES DE GENERALI

Catgorie de
risque
(niveau 1)
Dfinition (niveau 1)
Sous catgorie de
risque (niveau 2)
Vol et fraude (interne)
Fraude
interne
Fraude
externe
Pertes dues un acte

intentionnel de fraude, de
dtournement de biens,
d'enfreintes la lgislation ou
aux rgles de l'entreprise qui
implique au moins une
personne en interne
Activit non autorise

d'assurance
Autre activit non
autorise hors assurance
Dfinition (niveau 2)
Actes frauduleux qui impliquent au moins une partie interne (salari ou intermdiaire li) rsultant d'un dtournement d'actifs et
/ ou de documentation, ayant pour consquence des pertes pour la Socit, voire pour les clients.
Actes frauduleux lis au processus d'assurance (souscription, gestion de portefeuille, prestations), qui impliquent au moins une
partie interne (salari ou intermdiaire li), rsultant d'activits non autorises ou de manipulations de donnes internes,
impliquant des pertes pour la compagnie, voire pour les clients.
Activits frauduleuses qui ne sont pas lies au processus assurance qui impliquent au moins une partie interne (salari ou
intermdiaire li), rsultant d'activits non autorises ou de manipulation de donnes internes, impliquant des pertes pour la
compagnie, voire pour les clients.
Scurit des systmes
Actes frauduleux qui impliquent au moins une partie interne (salari ou intermdiaire li) rsultant d'intrusion du systme et de
(fraude interne)
non disponibilit / vol / dtrioration des donnes ayant pour consquence des pertes pour la Socit, voire pour les clients.
Vol et fraude (externe)
Actes frauduleux qui impliquent seulement un tiers dans un dtournement d'actifs et / ou de la documentation avec pour
consquence des pertes pour la Socit, voire pour les clients.
Pertes dues un acte

intentionnel de fraude, de
Activit non autorise
dtournement de biens,
d'enfreintes la lgislation ou d'assurance
aux rgles par une tierce
Autre activit non
partie
Actes frauduleux en rapport avec le processus d'assurance (souscription, gestion de portefeuille, de traitement des crances), qui
impliquent seulement un tiers, rsultant d'activits non autorises ou internes de manipulation de donnes impliquant des pertes
pour la Socit, voire pour les clients.
Actes frauduleux non lis au processus assurance qui impliquent seulement un tiers, rsultant d'activits non autorises ou
autorise hors assurance internes de manipulation de donnes, impliquant des pertes pour la Socit, voire pour les clients.
Scurit des systmes
Actes frauduleux, qui impliquent seulement un tiers, rsultant d'intrusion du systme et non disponibilit / vol / dtrioration
des donnes avec pour consquence des pertes pour la Socit, voire pour les clients.
Pertes imprvues dcoulant d'une structure organisationnelle inadapte qui ne fournit pas une dfinition claire et objective des
Organisation et gestion
rapports hirarchiques et des responsabilits, y compris une sparation approprie des tches, en prenant en considration la
(fraude externe)
du personnel
Pratiques en
matire
d'emploi et
scurit sur
le lieu de
travail
Pertes rsultant d'actes

incompatibles au regard de la
loi en matire d'emploi, de
lgislation relative la sant
ou la scurit , du paiement
d'indemnits ou de
discrimination sociale
Rmunration des
taille et la nature des activits de l'entreprise, des stratgies, des objectifs et des besoins.
Pertes imprvues dcoulant de la dmotivation ou l'insatisfaction lies au niveau de rmunration ou l'valuation des
salaris
performances.
Formation et
comptences
Turnover
Scurit du lieu de
travail
Relations sociales
Clients /
Tiers et
produits
Pertes rsultant d'un acte non

intentionnel ou d'une
ngligence dans l'exercice
d'une obligation
professionnelle face au client
(incluant les exigences en
matire fiduciaire et de
conformit)
Dfauts produits
Adquation des
produits et services
client
Pertes imprvues dcoulant de recrutements inadapts ou d'un niveau de formation inadapt

Pertes inattendues rsultant d'un niveau lev de dparts
Pertes imprvues rsultant de la sant ou du paiement de prjudices corporels subis sur le lieu de travail.
Pertes d'efficacit dcoulant de la dtrioration de l'environnement de travail et les relations avec les employs (ex. grve,)
Pertes de business imprvues dcoulant de l'absence de produits comptitifs, ou de dfauts de l'offre produits (cannibalisation,
etc.)
Pertes de business imprvues, en termes d'insatisfaction du client et / ou rosion du portefeuille, rsultant d'une inadquation de
la qualit du service (y/c agents) ou de l'adaptation des produits de la compagnie la clientle
Slection et exposition Pertes de business imprvues dcoulant d'une slection et d'une gestion inapproprie des contreparties (clients) avec une
attention particulire leur solvabilit
du client
177 / 180
Pertes rsultant de la perte ou Environnement et

Pertes imprvues ou dommages aux actifs matriels et / ou aux ressources humaines de la compagnie dcoulant de catastrophes
Dommages du dommage sur un actif
catastrophes naturelles naturelles (inondations, tremblements de terre, incendies, pandemie, etc.)
aux actifs corporel la suite d'une
corporels catastrophe naturelle ou d'un
Catastrophes du fait de Pertes ou dommages aux biens matriels et / ou aux ressources humaines de la compagnie dcoulant de l'action humaine (guerre,
autre sinistre
l'Homme
insurrection, terrorisme, vandalisme)
Slection des SI
Pertes imprvues rsultant d'une inadquation des investissements entranant une baisse d'efficacit du systme
Dveloppement des SI
Maintenance des SI
Pertes imprvues rsultant de dfaillances du systme en raison d'erreurs et de dficiences de projets ou de l'obsolescence
technologique entranant une baisse d'efficacit du systme
Pertes imprvues rsultant d'une mise niveau tardive ou inadapte du systme (en rapport avec l'volution des besoins de
l'entreprise), provoquant une baisse de l'efficacit du systme
Dysfonction Pertes rsultant

Disponibilit des SI et Pertes imprvues rsultant de l'interruption d'activit due une indisponibilit du systme informatique cause par des facteurs
nements de d'interruptions de l'activit ou des donnes
externes (coupure de courant, perturbations des tlcommunications, etc.)
l'activit et de dysfonctionnement des
des systmes systmes
Intgrit des donnes
Complexit et
formalisation des
processus
Pertes imprvues rsultant de la perte / indisponibilit des donnes dans le cas d'une indisponibilit des systmes, issue de
dommages des bases de donnes ou altration donnes causes par des erreurs accidentelles par les utilisateurs
Pertes imprvues rsultant d'une formalisation / configuration inadquate des processus / procdures, ou de leur complexit
excessive ou d'un degr d'automatisation insuffisant provoquant une baisse de l'efficacit
Saisie, excution et suivi Pertes imprvues rsultant des erreurs, retards dans le traitement des transactions (entre des donnes incorrectes, activits
des transactions
retardes, transactions incorrectes, etc.) ou du non respect des procdures provoquant une baisse de l'efficacit
Pertes rsultant d'un problme

dans le traitement d'une
Excution et transaction ou dans la gestion
gestion des des processus ou pertes subies Surveillance et rapports Pertes imprvues rsultant de reportings internes bass sur une information incomplte ou inadapte
processus
avec les contreparties
commerciales et les
Pertes imprvues rsultant d'erreurs et d'omissions dans la collecte et la conservation de documents, ayant des consquences sur
Documentation
la validit des contrats
fournisseurs
Intermdiaires et
exposition
Vendeurs et
fournisseurs
Externalisation
Modle
Pertes imprvues rsultant d'une slection et d'un suivi inadapt des intermdiaires, avec une attention particulire leur
solvabilit, leur comportement et leur capacit, qui peuvent avoir un effet adverse sur la fidlisation du client et la part de
march.
Pertes inattendues rsultant la mauvaise excution des prestations fournies par les vendeurs / fournisseurs de biens et services
Pertes imprvues rsultant de services externaliss inadapts par rapport aux accords fixs avec le prestataire.
Pertes imprvues issues du risque q'un modle quantitatif (utilis pour des besoins financiers ou d'assurance) ne donne pas une
description adapte du sous jacent, ou soit bas sur des paramtres non ralistes / rels.
178 / 180

Litiges
Pertes imprvues dues des actions en justice
Juridique
Pertes imprvues lies une contractualisation insuffisante
Rgles en matire
d'assurance (absence de
conformit)
Pertes imprvues (lgales ou

rglementaires ou des
sanctions financires matriel
perte) dcoulant de nonrespect des dispositions
lgislatives, rglementaires et
Rglementat
administratives. Cela inclus
ion et
les pertes dcoulant des
conformit
modifications des lois ou la
jurisprudence des lignes
directrices (par exemple, la
jurisprudence)
Rgles actuarielles
March financier et
rgles pratiques
Non respect de la rglementation AMF
Rgles comptables
Rgles en terme de
reporting externes
Loi italienne 262

(FARG)
Rglementation du
personnel
Rgles de gouvernance
Loi italienne 230
Autres rgles
179 / 180
14.4 ANNEXE D : SCNARIOS DE PLACE DU SECTEUR BANCAIRE

Dfaillance d'un dpositaire externe
Grve gnralise d'un ou des centres techniques ou informatiques
Erreur de saisie d'une instruction VGM par un collaborateur
Non recouvrement REMDOC/CREDOC
Erreur sur le paramtrage des taux conduisant souscrire des prts taux usurier de faon massive
Dtournement de fonds VGM par fraude externe
Dtournement de fonds VGM par fraude interne
Falsification externe d'un ordre de virement papier au dbit d'un client entreprise
Falsification d'un chque-effet import ou export
Vol de vignettes de chques dans un centre de stockage et rejeu (reprsentation) de ces chques
Montique - Compromission de cl d'une autorit de certification (fraude interne chez ACCB, VISA, MCI)
Montique - Compromission externe sur pistes ISO2 (fraude interne chez un commerant ou un
intermdiaire du rseau acqureur de l'tablissement)
Montique - Compromission interne de cl (fraude interne d'un ou plusieurs officiers de scurit
montique)
Montique - Compromission interne sur pistes ISO2 (fraude interne d'une personne ayant accs des
volumes importants de donnes porteur)
Montique - Fraude courante externe (vol de cartes ou de pistes)
Montique - Fraude informatique retrait - fraude interne d'un personnel ou fraude externe d'un prestataire
le conduisant pouvoir vider facilement des GAB
Montique - Fraude informatique paiement - fraude interne d'un personnel ou fraude externe d'un
prestataire le conduisant court-circuiter l'autorisation
Destruction d'une agence, d'un sige ou d'un btiment technique par incendie ou autre cause
Cyber-attaque rendant indisponible les sites internet du groupe
Destruction de gros systmes informatiques dans des centres de production informatique bancaire
Perte dintgrit de base de donnes de production bancaire
Indisponibilit de la plate-forme de paiement / rglement de la banque
Divulgation d'informations confidentielles
Phishing ou autre usurpation didentit lors dun accs Banque Distance
Assignations (actions individuelles, actions collectives) pour diffrents motifs dont dfaut de conseil,
soutien ou rupture abusifs.
Place - Crue centennale de la Seine ou autre fleuve
Place - Grve gnrale des transports
Place - Multiples attentats (Explosif/ Nuclaire, Radiologique, Biologique et chimique)
Place - Pandmie grippale ou autre
Place - Panne gnrale EDF rendant indisponible plus de 48h plusieurs sites nvralgiques
Blanchiment / financement du terrorisme, non respect de la rglementation TRACFIN
Dclaration fiscale ou sociale errone pour un tablissement bancaire
Dclaration fiscale ou sociale tablie par la banque pour ses clients errone (cas de l'IFU)
Dlit d'initi
Non respect de la rglementation AMF (Autorit des marchs financiers)
Non respect de la rglementation fiscale, sociale, CNIL, etc.
Dpart conflictuel de salaris ou d'quipes de salaris
Dpart de salari cl ou d'quipes de salaris cls la concurrence
Grve interne
Rogue trading (trader vreux ou courtier ripoux),
180 / 180

2010 France Memoire Juliegamonet

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2010 France Memoire Juliegamonet

Transféré par

Droits d'auteur :

Formats disponibles

PROMOTION 2006

Mmoire dactuariat prsent devant

Diplme dActuaire du CENTRE DTUDES

MODLISATION DU RISQUE OPRATIONNEL

Centre dtudes Actuarielles

Modlisation du risque oprationnel dans lassurance

Institut des Actuaires

Centre dtudes Actuarielles

Institut des Actuaires

Modlisation du risque oprationnel dans lassurance

Centre dtudes Actuarielles

Modlisation du risque oprationnel dans lassurance

Institut des Actuaires

Centre dtudes Actuarielles

Institut des Actuaires

Modlisation du risque oprationnel dans lassurance

Centre dtudes Actuarielles

Institut des Actuaires

Modlisation du risque oprationnel dans lassurance

Centre dtudes Actuarielles

Institut des Actuaires

TABLE DES MATIRES

Quest-ce que le risque oprationnel ? ....................................................................... 9

2 Prsentation du risque oprationnel ............................................................................ 13

Exemples de risque oprationnel frquent ............................................................... 14

3 Gestion du risque oprationnel dans une compagnie dassurance ........................ 19

Prsentation gnrale de la dmarche ...................................................................... 19

4 Prsentation des mthodes de quantification............................................................. 27

Formule standard issue des QIS4........................................................................... 27

4.2 Mthode de mesures avances ................................................................................. 31

Mthode LDA (Loss Distribution Approach) ......................................................... 31

4.3 Mthodes de calcul de la charge totale..................................................................... 37

Formule rcursive de Panjer.................................................................................. 37

4.4 Thorie des Valeurs Extrmes.................................................................................. 45

5 Modle thorique du risque oprationnel................................................................... 63

Apprentissage des connaissances........................................................................... 69

5.3 Dfinition de la matrice des risques ......................................................................... 87

Centre dtudes Actuarielles

Institut des Actuaires

7 Application de la modlisation des risques de frquence ....................................... 95

Statistiques descriptives des donnes ....................................................................... 99

8 Application de la modlisation des risques de gravit........................................... 131

Self Risk Assessment du risque ............................................................................. 132

9 Application de la thorie des valeurs extrmes........................................................ 147

Modlisation du risque oprationnel dans lassurance

Centre dtudes Actuarielles

Institut des Actuaires

1.2 CONTEXTE SOLVABILIT II

Conseil pour les Affaires conomiques et Financires

Modlisation du risque oprationnel dans lassurance

Centre dtudes Actuarielles

Institut des Actuaires

le Pilier II impose un processus de contrle prudentiel avec un renforcement

1.3 ENJEUX ET OBJECTIFS POUR LES COMPAGNIES DASSURANCE

Modlisation du risque oprationnel dans lassurance

Centre dtudes Actuarielles

Institut des Actuaires

1.4 OBJECTIFS DU MMOIRE

Centre dtudes Actuarielles

Modlisation du risque oprationnel dans lassurance

Institut des Actuaires

Centre dtudes Actuarielles

Institut des Actuaires

2 PRSENTATION DU RISQUE OPRATIONNEL