L'apprentissage Automatique Dans La Gestion Des Risques Bancaires: Une Revue de La Littérature

Traduit de Anglais vers Français - www.onlinedoctranslator.
com
des risques
Article
L'apprentissage automatique dans la gestion des risques bancaires :

une revue de la littérature
Martin Leo * , Suneel Sharma et K. Maddulety

SP Jain School of Global Management, Sydney 2127, Australie ; sunil2500@gmail.com (SS);
k.maddulety@spjain.org (KM)
* Correspondance : amaleo@yahoo.com ; Tél. : +65-9028-9209
---- -
Reçu : 25 janvier 2019 ; Accepté : 27 février 2019 ; Publié: 5 mars 2019 ---
Abstrait:Il y a une influence croissante de l'apprentissage automatique dans les applications d'entreprise, avec de
nombreuses solutions déjà mises en œuvre et bien d'autres en cours d'exploration. Depuis la crise financière mondiale, la
gestion des risques dans les banques a gagné en importance et une attention constante a été accordée à la manière dont les
risques sont détectés, mesurés, signalés et gérés. Des recherches considérables dans les universités et l'industrie se sont
concentrées sur les développements dans le secteur bancaire et la gestion des risques et les défis actuels et émergents. Cet
article, à travers une revue de la littérature disponible, vise à analyser et à évaluer les techniques d'apprentissage
automatique qui ont fait l'objet de recherches dans le contexte de la gestion des risques bancaires, et à identifier les
domaines ou les problèmes de gestion des risques qui ont été insuffisamment explorés et sont des domaines potentiels
pour de plus amples recherches. L'examen a montré que l'application de l'apprentissage automatique dans la gestion des
risques bancaires tels que le risque de crédit, le risque de marché, le risque opérationnel et le risque de liquidité a été
explorée ; cependant, cela ne semble pas proportionnel au niveau actuel d'attention de l'industrie à la fois à la gestion des
risques et à l'apprentissage automatique. Un grand nombre de domaines restent dans la gestion des risques bancaires qui
pourraient bénéficier de manière significative de l'étude de la manière dont l'apprentissage automatique peut être appliqué
pour résoudre des problèmes spécifiques.
Mots clés:gestion des risques; banque; apprentissage automatique ; pointage de crédit ; fraude
1. Introduction
Depuis la crise financière mondiale, la gestion des risques dans les banques a gagné en importance et l'accent a
été mis en permanence sur la manière dont les risques sont détectés, mesurés, signalés et gérés. Des recherches
considérables (Van Liebergen 2017;Presses universitaires Deloitte 2017;Helbekkmo et al. 2013; MétriqueStream 2018;
Olivier Wyman 2017), à la fois dans le milieu universitaire et dans l'industrie, s'est concentré sur les développements
dans le secteur bancaire et la gestion des risques et les défis actuels et émergents. Parallèlement, il y a eu une
influence croissante de l'apprentissage automatique dans les applications d'entreprise, avec de nombreuses solutions
déjà mises en œuvre et bien d'autres en cours d'exploration.
McKinsey & Co a souligné que les fonctions de risque dans les banques, d'ici 2025, devraient être fondamentalement différentes
de ce qu'elles sont aujourd'hui. L'élargissement et l'approfondissement des réglementations, l'évolution des attentes des clients et
l'évolution des types de risques devraient conduire le changement au sein de la gestion des risques. De nouveaux produits, services et
techniques de gestion des risques sont activés grâce à l'application de technologies en évolution et d'analyses avancées.
L'apprentissage automatique, identifié comme l'une des technologies ayant des implications importantes pour la gestion des risques,
peut permettre la construction de modèles de risque plus précis en identifiant des modèles complexes et non linéaires dans de grands
ensembles de données. La puissance prédictive de ces modèles peut augmenter avec chaque bit d'information ajouté, améliorant ainsi
la puissance prédictive au fil du temps. On s'attend à ce que l'apprentissage automatique soit appliqué dans plusieurs domaines au
sein de l'organisation des risques d'une banque. L'apprentissage automatique a également été recommandé comme une initiative qui
pourrait contribuer à la transformation de la fonction de gestion des risques dans les banques.
Des risques2019,7, 29; doi:10.3390/risks7010029 www.mdpi.com/journal/risques

Des risques2019,7, 29 2 sur 22
L'article cherche à étudier dans quelle mesure l'apprentissage automatique, qui a été mis en évidence comme un
catalyseur commercial émergent, a fait l'objet de recherches dans le contexte de la gestion des risques au sein du secteur
bancaire et, par la suite, à identifier les domaines potentiels de recherche ultérieure. L'objectif de cet article de synthèse est
d'évaluer, d'analyser et d'évaluer les techniques d'apprentissage automatique qui ont été appliquées à la gestion des risques
bancaires, d'identifier les domaines ou les problèmes de gestion des risques qui n'ont pas été suffisamment explorés et de
faire des suggestions pour des recherches futures.
Afin de déterminer les risques spécifiques aux banques, au lieu de s'appuyer sur la littérature existante, ce document
propose une taxonomie des risques élaborée à partir d'un examen des rapports annuels des banques. Une analyse de la
littérature disponible a été réalisée pour évaluer les domaines de la gestion des risques bancaires où les techniques
d'apprentissage automatique ont été étudiées. La recherche a évalué les domaines de risque où l'apprentissage automatique
a été mis en œuvre dans les types de risque et la méthodologie de risque spécifique qu'ils ont abordée. L'analyse a également
identifié les algorithmes d'apprentissage automatique utilisés, à la fois pour des domaines spécifiques et en général.
Section2.1donne un aperçu de la gestion des risques dans les banques, des principaux types de risques et des outils et
méthodologies de gestion des risques. Section2.2donne une introduction rapide à l'apprentissage automatique et à son
utilisation. Section3commence par donner un aperçu de la méthodologie de recherche. La section examine en outre les
recherches existantes sur l'application de l'apprentissage automatique dans la gestion des risques dans les banques. Il fournit
une analyse des domaines où l'application de l'apprentissage automatique a été étudiée, mettant en évidence les domaines
où il y a peu ou pas d'études universitaires. Section4discute des principales observations de l'examen, en soulignant les défis
potentiels et les sujets qui pourraient être abordés à l'avenir. Section5résume les conclusions générales de l'étude. L'article
conclut en énumérant des domaines ou des problèmes supplémentaires dans la gestion des risques bancaires où l'application
de l'apprentissage automatique peut faire l'objet de recherches plus approfondies.
2. Contexte théorique
2.1. Gestion des risques dans les banques
La volonté de la direction de la banque d'augmenter les rendements pour ses propriétaires se fait au prix d'un risque accru. Les
banques sont confrontées à divers risques : risque de taux d'intérêt, risque de marché, risque de crédit, risque hors bilan, risque
technologique et opérationnel, risque de change, risque pays ou souverain, risque de liquidité, risque de liquidité et risque
d'insolvabilité. Une gestion efficace de ces risques est essentielle à la performance d'une banque. De plus, compte tenu de ces risques
et du rôle que jouent les banques dans les systèmes financiers, elles font l'objet d'une attention réglementaire (Saunders et al. 2006).
Les régulateurs exigent des banques qu'elles détiennent du capital pour les nombreux risques qui surviennent et sont supportés en
raison des opérations variées d'une banque. Les normes de Bâle pour la détermination des exigences de fonds propres ont été
élaborées en 1998, et depuis lors, elles se sont développées et ont évolué. Un capital est requis pour chacun des principaux types de
risques. Le risque de crédit a traditionnellement été le plus grand risque auquel sont confrontées les banques, et généralement celui
qui nécessite le plus de capital. Le risque de marché découle principalement des opérations de négociation d'une banque, tandis que le
risque opérationnel est le risque de pertes résultant de défaillances du système interne ou d'événements externes. Outre le calcul du
capital réglementaire, la plupart des grandes banques calculent également le capital économique, qui est basé sur les modèles d'une
banque plutôt que sur les prescriptions des régulateurs (Coque 2012). Les principaux risques auxquels les banques sont confrontées
sont les risques de crédit, de marché et opérationnels, avec d'autres types de risques, notamment les risques de liquidité, commerciaux
et de réputation. Les banques sont activement engagées dans la gestion des risques pour surveiller, gérer et mesurer ces risques (
Apostolik et al. 2009).
Le risque de marché peut être défini comme le risque de pertes « en raison de mouvements du niveau ou de la volatilité des prix
du marché » (Jorion 2007). Le risque de marché comprend le risque de taux d'intérêt, le risque lié aux actions, le risque de change et le
risque lié aux marchandises. Le risque de taux d'intérêt peut être défini comme la perte potentielle due aux fluctuations des taux
d'intérêt. Le risque lié aux actions peut être défini comme la perte potentielle résultant d'une variation défavorable du cours d'une
action. Le risque de change peut être défini comme le risque que la valeur des actifs ou des passifs d'une banque change en raison des
fluctuations du taux de change. Le risque sur matières premières peut être défini comme la perte potentielle due à une variation
défavorable du prix des matières premières détenues. Le cadre du risque de marché
de l'accord de Bâle consiste en une approche par modèles internes et une approche standardisée. Pour mieux saisir le
risque extrême, le cadre révisé a également vu un changement dans la mesure du risque en situation de stress de la
valeur à risque (VaR) au déficit attendu (ES) (Comité de Bâle sur le contrôle bancaire 2006).
Le crédit peut être défini comme le risque de perte potentielle pour la banque si un emprunteur ne respecte pas ses
obligations (intérêts, montant du principal). Le risque de crédit est le plus grand risque auquel les banques sont confrontées (
Apostolik et al. 2009). L'Accord de Bâle permet aux banques d'adopter l'approche fondée sur les notations internes pour le
risque de crédit. Les banques peuvent développer en interne leurs propres modèles de risque de crédit pour calculer la perte
attendue. Les principaux paramètres de risque à estimer sont la probabilité de défaut (PD), la perte en cas de défaut (LGD) et
l'exposition en cas de défaut (EAD). Perte attendue = PD×LGD×EAD (Comité de Bâle sur le contrôle bancaire 2005a,2005b).
Le risque de liquidité, traité séparément des autres risques, prend deux formes : le risque de liquidité des actifs et le
risque de liquidité de financement. Une banque est exposée au risque de liquidité des actifs lorsqu'une transaction ne peut
pas être exécutée aux prix du marché en vigueur, ce qui peut être une conséquence de la taille de la position par rapport à la
taille normale du lot de négociation. Le risque de liquidité de financement fait référence à l'incapacité de respecter les
obligations de flux de trésorerie, et est également connu sous le nom de risque de flux de trésorerie (Jorion 2007). Les
banques sont tenues d'établir un cadre solide de gestion du risque de liquidité qui garantirait le maintien d'une liquidité
suffisante, y compris la capacité de résister à une série d'événements de crise. Un processus solide d'identification, de mesure,
de surveillance et de contrôle du risque de liquidité devrait être mis en œuvre (Comité de Bâle sur le contrôle bancaire 2008).
Le risque opérationnel est défini par le CBCB comme le risque de perte résultant de « processus internes, personnes et systèmes
inadéquats ou défaillants ou d'événements externes » et constitue un « élément fondamental de la gestion des risques » dans les
banques. Cette définition inclut le risque juridique, mais exclut le risque stratégique et de réputation. Elle est considérée comme
inhérente à tous les produits, activités, processus et systèmes bancaires (Comité de Bâle sur le contrôle bancaire 2011). Dans les
rapports annuels, le risque opérationnel était présenté de manière variable et comprenait un certain nombre de sous-risques, et
pourrait être davantage qualifié de risque non financier. Il comprenait, entre autres, le risque de fraude, la cybersécurité, les produits
et pratiques commerciales des clients, le risque d'information et de résilience, les risques de blanchiment d'argent et de criminalité
financière, les risques liés aux fournisseurs et à l'externalisation, le risque technologique, les risques de perturbation des activités. Dans
certains cas, les banques ont également déclaré le risque de conformité et le risque juridique sous le risque opérationnel.
Afin de déterminer les risques spécifiques aux banques, comme alternative à l'utilisation de la littérature existante, un
examen des rapports annuels des banques a été effectué. Sur la base de l'examen, une taxonomie a été établie des différents
types de risques que les banques cherchent généralement à gérer dans le cadre de leurs activités et des méthodologies et
outils utilisés. Les rapports annuels de 10 grandes banques ont été examinés afin de déterminer les domaines de risque
spécifiquement signalés par ces banques. L'examen comprenait également l'identification des outils, des méthodologies ou
des composants du cadre de gestion des risques spécifiques qui étaient utilisés. Pour obtenir une couverture plus large, la
liste des banques comprenait un représentant de chaque région - États-Unis, banques opérant principalement à l'échelle
mondiale, banques européennes et également une banque asiatique. En outre, ces banques exploitaient un large éventail de
secteurs d'activité bancaires - banque d'investissement, négoce de titres, banque de détail ou de détail et banque
d'entreprise. Bien qu'il y ait des différences dans la manière dont les risques ont été discutés et présentés, y compris les sous-
risques, les principaux risques étaient en grande partie les mêmes et comprenaient la gestion du risque de crédit, la gestion
du risque de marché, le risque de liquidité et le risque opérationnel.
Un graphique (Figure1) décrivant la taxonomie des différents types de risques abordés dans les rapports
annuels des banques ainsi que les différentes méthodologies ou outils (Figure2) mis en place pour gérer ces risques
est inclus ci-dessous.
Figure 1.Taxonomie des risques.
Le directeur des risques a accès à des informations sur les risques et à des renseignements de nature plus
rétrospective, tels que des analyses d'incidents axées sur la compréhension de ce qui s'est passé et pourquoi. Aujourd'hui, ils
se dotent de plus en plus d'outils leur permettant de prévoir plus facilement les risques d'incidents potentiels. L'exploration de
données, la modélisation de scénarios et la prévision sont des fonctionnalités intégrées de la plupart des solutions de gestion
des risques. L'intelligence cognitive (reconnaissance de formes en visualisant et identifiant les tendances apparentes et
ultérieures dans les données historiques) et algorithmique (établissement de relations causales entre divers événements et
ensembles de données) fait place à l'intelligence augmentée (traitement du langage naturel et apprentissage automatique) et
assistée (assistance intelligente virtuelle contextuelle ) une intelligence qui augmente et accélère la prise de décision (
MétriqueStream 2018).
Nsur-financière
Liquidité Risque
Risque du marché Le risque de crédit
Risque (Opérationnel
Risque)
Risque M gestion T ools

Limites de risque √ √ √
Limites de risque de crédit √
Valeur à risque √
Revenus à risque √
Déficit prévu √
Tests de résistance de la valeur économique √
Capitale économique √ √ √ √
Sensibilités aux risques √
Évaluation des risques (RCSA) √
Pertes liées aux risques opérationnels √
Approche de répartition des pertes √
Analyse du scénario √ √ √ √
Capture du risque extrême √ √ √ √
Tests de résistance √ √ √ √
Modèles de notation √
Mode de notation ls √
Exposition
- Probabilité de défaut
√
- Perte en cas de défaut
- Exposition par défaut
Retour Test √ √ √
Gestion des risques Cadre nt Composants
Appétit pour le risque √ √ √ √
Identification des risques √ √ √ √
L'évaluation des risques √ √ √ √
Mesure du risque √ √ √ √
Test de risque √ √ √ √
Surveillance des risques √ √ √ √
Rapports sur les risques √ √ √ √
Surveillance des risques √ √ √ √
Gestion du capital (calcul et
allocation)
√ √ √ √
- CCAR
- ICAAP
Figure 2.Méthodes et outils de gestion des risques.
2.2. Apprentissage automatique
L'apprentissage automatique a été expliqué comme se situant à l'intersection de l'informatique, de l'ingénierie et des
statistiques. Il a été mis en évidence comme un outil qui peut être appliqué à divers problèmes, en particulier dans les
domaines qui nécessitent des données à interpréter et à agir (Awad et Khanna 2015). L'apprentissage automatique offre la
capacité de détecter des modèles significatifs dans les données et est devenu un outil commun pour presque toutes les
tâches confrontées à l'exigence d'extraire des informations significatives à partir d'ensembles de données. Lorsqu'il est
confronté à l'exigence d'extraire des informations significatives des données et à la complexité conséquente des modèles à
étudier, un programmeur peut ne pas être en mesure de fournir des spécifications explicites et détaillées sur le processus
d'exécution. L'apprentissage automatique relève ce défi en « dotant les programmes » de la capacité « d'apprendre et de
s'adapter ». Les programmes d'apprentissage automatique apprennent et s'améliorent, et peuvent être
appliquée lorsque le problème à traiter présente le double défi de la complexité et du besoin

d'adaptabilité (Shalev-Shwartz et Ben-David 2014).
Les outils d'apprentissage automatique qui font progresser les moteurs de recherche et les voitures
autonomes peuvent être adoptés et appliqués au secteur financier. Divers développements
technologiques ont permis au secteur financier d'explorer et d'exploiter une infrastructure de données
volumineuse qui comprend divers ensembles de formes non structurées de données financières sur les
marchés et les consommateurs. Les économistes adoptent de plus en plus l'apprentissage automatique,
en conjonction avec d'autres outils et expertises pour évaluer des relations complexes, malgré les limites
de l'apprentissage automatique pour déterminer la causalité. L'adoption de l'apprentissage automatique
a été motivée par les opportunités potentielles de réduction des coûts, d'amélioration de la productivité
et d'amélioration de la gestion des risques.Conseil de stabilité financière 2017).
Les algorithmes d'apprentissage automatique basés sur les données et basés sur le calcul reposent moins sur des
hypothèses concernant les données, y compris concernant la distribution. Bien qu'ils soient considérés comme plus robustes
et mieux adaptés aux relations non linéaires complexes, ils sont également considérés comme difficiles à interpréter (Galindo
et Tamayo 2000).
Ces dernières années ont vu une augmentation de la quantité de données recueillies au sein des institutions financières (IF). Une
forte poussée vers la numérisation des services et l'augmentation des exigences réglementaires en matière de rapports ont entraîné la
création et/ou la collecte à haute fréquence d'une grande quantité de données non structurées. Ces données proviennent de diverses
sources, notamment des applications grand public, des interactions avec les clients, des métadonnées et d'autres sources de données
externes. La volonté d'améliorer leurs capacités d'analyse et d'automatisation dans tous les secteurs d'activité, y compris la gestion des
risques, en gérant et en extrayant ces volumes accrus et une variété de données, a conduit les institutions financières à explorer des
solutions puissantes et analytiques, ce qui a pour conséquence l'augmentation de l'intérêt et la popularité de l'apprentissage
automatique et de l'intelligence artificielle au sein de la communauté FI (Van Liebergen 2017). L'apprentissage automatique est
largement considéré dans le secteur des services financiers comme ayant le potentiel de fournir la capacité analytique souhaitée par
les IF. L'apprentissage automatique est capable d'avoir un impact sur tous les aspects du modèle commercial de l'IF, en améliorant la
compréhension des préférences des clients, la gestion des risques, la détection des fraudes, la surveillance des conduites,
l'automatisation du support client et même la vérification automatisée de l'identité lorsqu'il est associé à la biométrie.
Van Liebergen(2017) présente le domaine et, à travers des discussions avec l'Institute of International Finance et des
entreprises technologiques, explique des cas d'utilisation au sein d'institutions financières. Il discute des applications dans le
domaine de la modélisation du risque de crédit, de la détection de la fraude à la carte de crédit et du blanchiment d'argent et
de la surveillance des manquements au comportement des IF. Il souligne également que l'apprentissage automatique cherche
à prédire "hors échantillon" tout en apprenant les corrélations "trouvées dans l'échantillon" (passées), tout en ne fournissant
pas d'explication pour la relation analysée. Cela pourrait créer des complexités autour du développement et de l'évaluation
des modèles.
L'apprentissage automatique joue également un rôle à la Securities and Exchange Commission (SEC) dans le processus
d'évaluation des risques pour identifier les fautes. Bien que cela soit applicable d'un point de vue prudentiel et pour la
surveillance des risques systémiques, cela peut également servir de guide à une banque sur la manière dont des techniques
d'apprentissage automatique similaires peuvent être appliquées dans les évaluations des risques pour la détection des fautes
(internes ou externes), y compris les risques. évaluations sur des émetteurs ou des contreparties d'entreprises (Baugues 2015
). En finance computationnelle, l'apprentissage automatique a un grand potentiel et pourrait être utilisé de manière variée,
allant de l'analyse exploratoire complète des données à la présentation/visualisation des résultats de modélisation (Kanevski
et Timonin 2010).
Certains des inconvénients de l'apprentissage automatique, comme on l'a fait valoir, sont qu'ils sont davantage de
nature «boîte noire», les résultats étant parfois difficiles à interpréter. On fait valoir qu'ils sont également sensibles aux valeurs
aberrantes, ce qui entraîne un surajustement des données et des prédictions contre-intuitives. On prétend également qu'ils
ont les avantages de pouvoir mieux s'adapter aux relations non linéaires entre les variables explicatives et les variables
expliquées, et aussi que la capacité pour eux d'appliquer un ensemble plus large de variables tend à améliorer la précision (
Bacham et Zhao 2017).
3. Matériels et méthodes
Pour effectuer la revue de la littérature qui étudie l'application de l'apprentissage automatique dans la gestion des
risques bancaires, deux ensembles de mots clés ont été utilisés dans la recherche d'articles connexes. La recherche d'articles
a été effectuée à l'aide des bases de données Scholar.google.com, SSRN et ProQuest. La recherche s'est largement concentrée
sur les articles postérieurs à 2007 pour saisir les évolutions depuis la crise financière mondiale ; cependant, les articles
antérieurs à cette période ont également été inclus s'ils étaient référencés dans d'autres articles récents.
Le premier groupe de mots était « apprentissage automatique », en lien avec le sujet. Le deuxième groupe comprenait des
termes qui ont été identifiés à partir de l'examen des rapports annuels des banques. Cela inclut les types de risques, tels qu'énumérés
dans la taxonomie des risques et les outils ou méthodes de gestion des risques qui ont été identifiés à partir des rapports annuels de
la banque. La taxonomie est comme indiqué dans la figure1, et des méthodes comme dans la figure2.
La recherche et l'examen se sont limités aux documents de conférence, aux articles de revues et aux thèses
sélectionnées (post-diplôme ou doctorat). L'examen n'a pas pris en compte les articles, les livres blancs, les articles de
fournisseurs ou les articles Web qui viennent de faire référence à l'apprentissage automatique sans fournir de détails sur la
façon dont, ou qui font référence à l'application d'un algorithme spécifique, bien que de nombreux articles de ce type aient
été publiés dans le rechercher. En particulier, il existe un grand nombre d'articles, de sites Web et de magazines et de
publications qui incluent l'apprentissage automatique comme solution ou comme recommandation générique et générale
sans fournir plus de détails sur la manière dont un problème spécifique donné peut être résolu.
L'examen n'a examiné que les articles qui ont analysé le sujet avec un niveau de profondeur, à savoir en faisant des références à
des algorithmes spécifiques ou en fournissant une conception ou un modèle sur la façon dont le ML peut être mis en œuvre. Les
articles, les articles ou les actes de conférence qui n'ont fait qu'une référence superficielle ou générale à l'application du BC dans
l'espace de gestion des risques n'ont pas été pris en compte pour cette recherche. Il est à noter qu'il existe de nombreuses références
disponibles où les auteurs ou les conférenciers ont proposé que le BC ou l'IA peuvent être appliqués dans la gestion des risques ;
cependant, beaucoup d'entre eux s'arrêtent avant de fournir des éclaircissements surlequelalgorithmes, ou ne fournissent pas
d'exemples de la manière dont l'apprentissage automatique/l'intelligence artificielle a été appliqué dans un test ou une configuration
industrielle.
Le cadre méthodologique de cette recherche a été déterminé en analysant les différentes problématiques liées à
l'apprentissage automatique et à la gestion des risques dans les banques. Les articles ont été classés pour comprendre : (i) le
domaine de risque sur lequel ils se sont concentrés ; (ii) l'outil de gestion des risques ou la composante du cadre de gestion
des risques qu'ils ont ciblés ; ou (iii) les algorithmes qui ont été appliqués/étudiés/proposés. L'enquête cherchait également à
examiner des articles axés davantage sur l'évaluation et la mesure des risques.
Les domaines à risque tels que la cybersécurité et le risque de fraude ont été largement traités ; cependant, l'accent a été mis
dans cet examen uniquement sur les cas où ils se rapportent spécifiquement à des cas d'utilisation de la gestion des risques bancaires.
Les articles qui concentrent la recherche sur les questions opérationnelles, telles que les solutions de gestion du risque de crédit qui
traitent du processus opérationnel d'examen et d'approbation du crédit, ou les outils qui visent à soutenir les commerçants et les
gestionnaires des risques commerciaux dans le processus de gestion des commandes et des transactions, n'ont pas été pris en
compte. . De plus, les solutions de gestion des risques opérationnels qui s'intègrent dans le processus opérationnel pour atténuer les
événements/incidents opérationnels (par exemple, l'automatisation des processus robotiques, le STP, la détection des anomalies) n'ont
pas été étudiées.
Un aperçu des articles qui ont été examinés est inclus dans l'annexeUNE.
3.1. Le risque de crédit
L'évaluation du risque de crédit reste un sujet de recherche important et stimulant dans le domaine de la finance, avec
des efforts initiaux remontant au siècle dernier. À la suite des événements de la crise financière mondiale et de l'attention
accrue qui en a résulté en matière de réglementation, le processus d'évaluation du risque de crédit a suscité un intérêt accru
au sein de la communauté universitaire et des affaires. L'approche générale de l'évaluation du risque de crédit a consisté à
appliquer une technique de classification sur les données des clients passés, y compris sur les clients en souffrance, pour
analyser et évaluer la relation entre les caractéristiques d'un client et sa défaillance potentielle. Cela pourrait être utilisé pour
déterminer les classificateurs qui peuvent être appliqués dans la catégorisation des nouveaux candidats ou des clients
existants comme bons ou mauvais (Wang et al. 2005).
L'évaluation du risque de crédit occupe une place importante dans la gestion des risques. Des techniques telles que la
régression logistique et l'analyse discriminante sont traditionnellement utilisées dans la notation de crédit pour déterminer la
probabilité de défaut. Les machines Support Vector réussissent à classer les clients par carte de crédit en défaut. Ils se sont
également avérés compétitifs dans la découverte des fonctionnalités les plus importantes pour déterminer le risque de défaut
lorsqu'elles sont testées et comparées aux techniques traditionnelles (Bellotti et Crook 2009). La modélisation du risque de
crédit pour le calcul de l'exposition aux pertes de crédit implique l'estimation de la probabilité de défaut (PD), de l'exposition
en cas de défaut (EAD) et de la perte en cas de défaut (LGD). C'est ce que souligne l'accord de Bâle II. Les méthodes
prédominantes pour développer des modèles de PD sont la classification et l'analyse de survie, cette dernière impliquant
l'estimation de la défaillance du client et du moment où la défaillance pourrait se produire. Il a été constaté que les
algorithmes de classification fonctionnaient de manière beaucoup plus précise que la régression logistique standard dans la
notation du crédit. En outre, les méthodes avancées se sont avérées extrêmement performantes sur des ensembles de
données de notation de crédit tels que les réseaux de neurones artificiels, plus performants que les machines d'apprentissage
extrêmes (Lessmann et al. 2015).
Grâce aux exigences de l'accord de Bâle, la nécessité d'allouer le capital de manière efficace et rentable a conduit les IF à
créer des modèles d'évaluation du crédit pour évaluer le risque de défaut de leurs clients. Encore une fois, il a été démontré
que SVM donne des résultats nettement meilleurs dans la notation de crédit (Van Gestel et al. 2003). Une prédiction précise de
la probabilité estimée de défaut offre plus de valeur à la gestion des risques par rapport à une classification binaire des clients
comme crédibles ou non crédibles. Un certain nombre de techniques sont utilisées dans la notation de crédit, telles que
l'analyse discriminante, la régression logistique, le classificateur de Bayes, le voisin le plus proche, les réseaux de neurones
artificiels et les arbres de classification. Il a été démontré que les réseaux de neurones artificiels effectuent des classifications
plus précisément que les cinq autres méthodes (Yeh et Lien 2009)
Des méthodes et des modèles sont constamment développés pour répondre à un problème important dans les
banques, à savoir la classification correcte des clients et l'estimation du risque de crédit. Les différentes approches appliquées
dans ces méthodes visent à augmenter la précision des prévisions de solvabilité qui pourraient conduire à un portefeuille de
prêts plus important et rentable. Les réseaux de neurones se sont avérés d'une grande valeur dans le processus de décision
en matière de risque de crédit, et leur application dans les prévisions de détresse des entreprises s'est avérée bénéfique dans
l'évaluation du risque de crédit (Oójcicka 2017).
Bien que le risque de crédit soit le domaine de risque le plus étudié et le plus évalué pour l'application de
l'apprentissage automatique, ce n'est pas un phénomène nouveau. Dès 1994, Altman et ses collègues ont mené une
analyse comparant les méthodes statistiques traditionnelles de prédiction de la détresse et de la faillite avec un
algorithme de réseau neuronal alternatif, et ont conclu qu'une approche combinée des deux améliorait
considérablement la précision (Aziz et Dowling 2018).
Main et Henley(1997) a fait valoir que «la notation de crédit est le terme utilisé pour décrire les méthodes
statistiques formelles qui sont utilisées pour classer les demandeurs de crédit en «bonnes» et «mauvaises» classes de
risque». Les modèles de credit scoring sont des modèles statistiques multivariés appliqués à des indicateurs
économiques et financiers pour prédire le risque de défaut des particuliers ou des entreprises. Ces indicateurs se
voient attribuer un poids relatif d'importance dans les prévisions, et sont alimentés en entrée pour arriver à un indice
de solvabilité. Ce score numérique sert de mesure de la probabilité de défaut de l'emprunteur. La technique de la
machine à vecteurs de support a été conclue comme étant la plus largement appliquée dans les évaluations du risque
de crédit. Des modèles SVM hybrides ont été proposés pour améliorer les performances en ajoutant des méthodes de
réduction du sous-ensemble de fonctionnalités. Ceux-ci, cependant, ne classent,Keramati et Yousefi 2011).
La croissance spectaculaire du crédit à la consommation a accru l'importance des modèles d'évaluation du

crédit. La majeure partie de la recherche semble être axée sur les techniques d'évaluation du crédit, comme en
témoigne le nombre d'articles portant sur ce domaine (Ala'raj et Abbod 2016a;Ala'Raj et Abbod 2016b;Bellotti et
Crook 2009;Cao et al. 2013;Van Gestel et al. 2003;Guégan et al. 2018;Huang et al. 2007;Keramati et Yousefi 2011
;Lai et al. 2006;Lessmann et al. 2015;Van Sang et Nguyen 2016;Malhotra et Malhotra 2003;Wang et al. 2015;Oó
jcicka 2017). L'accent est principalement mis sur la classification et l'application d'algorithmes qui permettent
cela. Un certain nombre d'articles évaluent les différents algorithmes dans le but d'identifier l'algorithme de
prédiction le plus efficace et le plus précis. Les papiers font un
cas où l'apprentissage automatique offre une précision comparable et est mieux équipé pour capturer les relations
non linéaires communes au risque de crédit (Bacham et Zhao 2017;Hamori et al. 2018;Zhang 2017).
Zhou et Wang(2012) proposent d'attribuer des poids aux arbres de décision pour une meilleure prédiction. Ils
ont proposé un algorithme de forêt aléatoire amélioré pour les prédictions. L'algorithme, lors de l'agrégation, alloue
des pondérations qui sont calculées sur la base des erreurs hors sac lors de la formation aux arbres de décision de la
forêt. Ils tentent de résoudre le problème de classification binaire, et leur expérience montre que l'algorithme proposé
bat la forêt aléatoire d'origine et d'autres algorithmes de classification populaires (SVM, KMM, C4.5) en termes de
métriques de précision équilibrées et globales.
Certains articles se concentrent sur une comparaison avec les méthodes statistiques traditionnelles pour mettre en
évidence l'efficacité de l'application des algorithmes d'apprentissage automatique.Galindo et Tamayo(2000) recherchent,
grâce à une analyse comparative des techniques de classification statistique et d'apprentissage automatique, les portefeuilles
de crédit des institutions pour trouver des prédictions précises du risque individuel. Ils ont construit plus de 9 000 modèles
dans le cadre de l'étude et classé les performances des différents algorithmes. Ils montrent que les modèles d'arbre de
décision CART ont fourni les meilleures estimations pour le défaut, les réseaux de neurones venant en deuxième position.
Hamori et al.(2018) ont étudié et comparé la précision des prédictions et la capacité de classification de l'ensachage, de la forêt
aléatoire, de l'amplification avec des méthodes de réseau neuronal dans l'analyse des données de paiement par défaut. Ils ont
trouvé que le boosting était supérieur parmi les méthodes d'apprentissage automatique étudiées.
Un certain nombre de chercheurs ont également évalué l'application de techniques hybrides et de méthodes
d'ensemble pour étudier la notation de crédit (Bastos 2014;Hamori et al. 2018;Raei et al. 2016). Dans un système hybride, une
technique est employée pour la prédiction finale après l'utilisation de plusieurs techniques hétérogènes dans l'analyse (Chen
et al. 2016). Pour traiter les problèmes de notation de crédit, l'apprentissage d'ensemble, utilisant la régression logistique
régularisée, peut être appliqué. Une méthode d'application d'algorithmes de regroupement et d'ensachage pour équilibrer et
diversifier les données, suivie d'un ensemble de régression lasso-logistique pour évaluer les risques de crédit, s'est avérée
plus performante que de nombreux modèles de notation de crédit populaires (Wang et al. 2015).
Khandani et al.(2010), afin d'améliorer les taux de classification des défaillances et défauts des titulaires de cartes de
crédit, a construit un modèle de prévision non linéaire et non paramétrique. Le modèle de risque de crédit à la consommation
a pu identifier des relations non linéaires subtiles dans des ensembles de données massifs. Ces relations étaient
généralement difficiles à détecter lors de l'utilisation de modèles standard de défaut de crédit des consommateurs tels que le
logit, l'analyse discriminante ou les scores de crédit. Cela permet la gestion du risque de ligne de crédit, la prévision des
impayés de crédit à la consommation agrégés et la prévision du cycle de crédit à la consommation.
Yu et al.(2016) proposent un nouvel apprentissage automatique extrême basé sur un réseau de croyances profondes en plusieurs étapes
comme outil prometteur pour l'évaluation du risque de crédit. Il a été démontré que le cadre des paradigmes d'apprentissage d'ensemble à
plusieurs étapes, fonctionnant en trois étapes, surpasse les techniques typiques de classification unique et les paradigmes d'apprentissage
d'ensemble à plusieurs étapes similaires avec une précision de prédiction élevée.
"Support Vector Machine" (SVM) est un algorithme d'apprentissage automatique supervisé, et bien qu'il soit largement
utilisé dans les problèmes de classification, il est relativement nouveau pour la notation de crédit. Dans cet algorithme, chaque
élément de données est tracé comme un point dans un espace à n dimensions, la valeur de chaque caractéristique est la
valeur d'une coordonnée particulière (n - est le nombre de caractéristiques). La classification est effectuée en trouvant l'hyper-
plan qui est la frontière qui sépare deux classes (Rayon 2015). Le SVM a été appliqué tel quel ou sous une forme variée pour
concevoir une évaluation du risque de crédit et des modèles de notation de crédit (Bellotti et Crook 2009;Cao et al. 2013;Van
Gestel et al. 2003;Huang et al. 2007;Lai et al. 2006).Harris(2013) compare les modèles de notation de crédit basés sur SVM en
utilisant large (< 90 jours de retard) et étroit (> 90 jours de retard), cette dernière étant l'approche la plus traditionnelle. Il a été
constaté que les modèles construits à l'aide d'une définition plus large étaient plus précis, ce qui permettait d'améliorer la
précision des prévisions.
Wang et al.(2005) proposent une nouvelle « machine à vecteurs à support flous ». L'algorithme cherche à discriminer les
bons créanciers des mauvais par une plus grande généralisation tout en préservant la capacité de la SVM floue à être
insensible aux valeurs aberrantes. Ils présentent un SVM flou pondéré bilatéral avec des résultats qui montrent une
application prometteuse dans l'analyse de crédit.Huang et al.(2007) a construit un modèle de notation de crédit pour évaluer
la cote de crédit d'un candidat à partir de caractéristiques d'entrée basées sur une SVM hybride construite à l'aide de trois
stratégies.
Yeh et Lien(2009), dans leur article, ont reconnu que la prévision de la probabilité de défaut (PD) est un défi auquel sont
confrontés les praticiens et les chercheurs, et qu'elle nécessite davantage d'études. Quelques articles ont pour objectif d'aller
au-delà de la simple classification, afin de prédire la probabilité de défaut (PD) ou les taux de recouvrement (RR) (Bastos 2014;
Raei et al. 2016). La technique de la machine vectorielle des moindres carrés, lorsqu'elle est incorporée dans un modèle à deux
états, suivie d'une étape de régression, pour prédire les taux de récupération, a également montré une amélioration par
rapport aux modèles de régression statistique traditionnels (Yao et al. 2017). Les techniques de régression du vecteur de
support pourraient également être appliquées pour augmenter la capacité prédictive de la perte en cas de défaut pour les
obligations d'entreprises surperformant les modèles statistiques (Yao et al. 2015). Ces articles ne sont pas en mesure de
fournir une valeur quantitative, car ils semblent aborder davantage du point de vue de la classification.
Raei et al.(2016) recherchent un nouveau modèle hybride pour estimer la probabilité de défaut des
entreprises clientes dans une banque commerciale. Ils présentent le mode hybride comme celui qui
permet de répondre à la « boîte noire » – modèle obtenu incompréhensible en termes de paramètres –
critique des réseaux de neurones. La recherche combine une approche en deux étapes, c'est-à-dire
combinant la compréhensibilité des modèles logit avec le pouvoir prédictif des techniques non linéaires
comme les réseaux de neurones. Il a été démontré que la précision globale de ce modèle hybride
surpasse les deux modèles de base. Les portefeuilles à faible défaut (LDP) sont ceux qui sont considérés
comme à très faible risque. Les LDP ont un problème de déséquilibre de classe car, dans une classe de
défaillants, ils sont contenus en plus petit nombre que dans une classe de bons payeurs.Brown et Mues
2012).
Les banques cherchent à développer des modèles efficaces capables d'évaluer la probabilité de défaillance des
contreparties. Barboza et al.(2017) tester des modèles d'apprentissage automatique pour prédire la faillite un an avant
l'événement en comparant les performances avec les résultats des méthodes traditionnelles. Ils signalent une précision
prédictive significative et suggèrent également que les techniques de ML peuvent facilement être appliquées pour une
précision de classification substantielle par rapport aux mécanismes traditionnels. Malgré les inquiétudes autour de la
capacité explicative du modèle, compte tenu de la complexité des modèles de faillite, l'apprentissage automatique pourrait
s'avérer une aide importante.Yang et al.(2011) explorent également une nouvelle méthode pour prédire la faillite, proposant
une méthode combinée de sélection de caractéristiques basée sur les moindres carrés partiels (PLS) avec SVM pour la fusion
d'informations. Une banque pourrait bénéficier de la capacité du modèle à sélectionner les indicateurs financiers les plus
pertinents dans le processus de prédiction, ainsi que de son haut niveau de précision de prédiction.
Il existe également quelques articles qui étudient le domaine des tests de résistance dans la gestion du risque de crédit (
Islam et al. 2013). Les tests de résistance nécessitent la modélisation du lien entre les évolutions macro-économiques et les
variables bancaires pour déterminer l'impact de scénarios extrêmes sur une banque. Plus fréquemment, des approches
ascendantes sont utilisées lorsque les prédictions sur les bénéfices/pertes futurs sont faites sur des niveaux de portefeuille
principalement désagrégés, ce qui rend les données intensives et difficiles à identifier les moteurs exacts des pertes. Des
prévisions sur un portefeuille agrégé utilisant une méthode descendante peuvent compléter ce processus. Un algorithme
d'apprentissage supervisé qui n'a pas besoin d'un modèle pré-spécifié est la méthode de l'opérateur de sélection et de retrait
le moins absolu (Lasso). Une version plus complexe du Lasso est Adaptive Lasso, qui possède des propriétés de convergence
intéressantes. Le lasso adaptatif peut être utilisé en l'absence de modèles théoriques, comme dans le cas des tests de
résistance descendants, pour découvrir un modèle top-down parcimonieux parmi un ensemble de mille spécifications
possibles. Il a été démontré qu'il donne des solutions clairsemées, approximativement impartiales, en recherchant les
variables qui décrivent le mieux le comportement des taux de perte de crédit, ce qui aboutit à une description parcimonieuse
de la relation entre la macro-économie et les taux de perte de crédit. Un problème clé est le besoin de quantités substantielles
de données pour former un modèle (Blom 2015).
La sélection et la prévision des modèles sont devenues un défi à mesure que les scénarios de stress deviennent
plus complets, englobant un nombre croissant de variables primaires. Les techniques d'apprentissage automatique
pour identifier les modèles et les relations entre les données peuvent faciliter la sélection et la prévision des modèles.
Ces techniques ne semblent pas largement appliquées dans les tests de résistance. Lorsqu'il existe un grand nombre
de covariables potentielles et que le nombre d'observations est faible, les régressions au lasso s'avèrent adaptées à la
construction de modèles de prévision. Ils sont susceptibles de surpasser les statistiques traditionnelles
modèles dans la prévision des indicateurs de performance requis dans les tests de résistance appliqués. Un avantage des
estimateurs de type Lasso est qu'ils peuvent gérer les complications résultant de la nature dimensionnelle élevée des tests de
résistance (Chan-Lau 2017). Les splines de régression adaptative multivariée (MARS), une technique d'apprentissage
automatique, peuvent être considérées comme une généralisation de la régression linéaire pas à pas de la méthode de l'arbre
de classification et de régression (CART). Les modèles de régression statistique de test de stress tels que l'autorégression
vectorielle (VAR) sont une approche de modélisation courante qui est connue pour être incapable d'expliquer le phénomène
des distributions à queue grasse. Un test empirique de ces modèles a révélé que le modèle MARS présentait une plus grande
précision dans les tests de modèle et des performances hors échantillon supérieures, MARS produisant des prévisions plus
raisonnables (Jacobs 2018). Des graphiques probabilistes peuvent être utilisés pour la modélisation et les évaluations du
risque de concentration de crédit avec un réseau bayésien augmenté d'un arbre fournissant une meilleure compréhension du
risque. Cela s'est également avéré approprié pour les analyses de simulation de crise, avec la capacité de fournir des
estimations du risque de pertes résultant de changements dans la situation financière de l'emprunteur (Pavlenko et
Tchernyak 2009). EMA Workbench est une boîte à outils logicielle, développée par une équipe de la Technische Universiteit
Delft, Faculté TBM (Section d'analyse des politiques). Des algorithmes d'apprentissage automatique particuliers et des outils
de visualisation avancés sont utilisés pour effectuer plusieurs expériences et analyser les résultats, offrant la possibilité
d'explorer les incertitudes possibles et d'identifier les causes en fonction des entrées.
Les réseaux de neurones, les modèles vectoriels de support et la forêt aléatoire semblent être les algorithmes les plus étudiés
dans le domaine de la gestion du risque de crédit.
3.2. Risque du marché
Le risque peut être mesuré par l'écart type des résultats inattendus, également appelé volatilité. La Value at Risk
(VAR) calcule la pire perte sur un horizon cible qui ne sera pas dépassée avec un niveau de confiance donné et capte
l'effet combiné de la volatilité sous-jacente et de l'exposition aux risques financiers (Jorion 2007). La prévision de la
volatilité sur les marchés financiers est importante dans les domaines de la gestion des risques et de la tarification des
actifs, entre autres. En utilisant des modèles NN, les performances de la méthode d'estimation de la volatilité peuvent
être améliorées (Monfared et Enke 2014).
Zhang et al.(2017) proposent un modèle basé sur le modèle GARCH (Generalized Autoregressive
Conditional Heteroskedastic) et l'algorithme Extreme Machine Learning (ELM) pour estimer la volatilité. Le
modèle prédit la volatilité des séries chronologiques cibles à l'aide de GELM-RBF et l'extrapolation des
volatilités prédites permet le calcul de la VaR avec des performances améliorées en termes de précision et
d'efficacité. Le modèle utilise une méthode de cartographie stochastique qui ne nécessite pas la vraisemblance
gaussienne pour l'estimation et est un modèle de pilote de données non linéaire.
Le risque de marché comprend également le risque de taux d'intérêt et le risque lié aux actions. Les courbes de taux
d'intérêt, qui sont le rapport entre le taux d'intérêt et le temps jusqu'à l'échéance de la dette pour un emprunteur donné dans
une devise donnée, sont largement utilisées dans l'ingénierie financière et la gestion des risques de marché. Une méthode de
clustering appelée « Gaussian Mixture Model » permet de développer des modèles non linéaires de l'évolution des paramètres
puis de prévoir les courbes de taux d'intérêt. Cela peut permettre une meilleure visualisation des taux d'intérêt (Kanevski et
Timonin 2010). Les méthodes de clustering d'apprentissage automatique conçues pour traiter l'équation différentielle
stochastique (SDE) peuvent être appliquées pour développer des modèles VAR anticipables qui visent à être une mesure de
risque de premier plan du changement de régime de marché. Cela peut partiellement résoudre une partie de la complexité
introduite par l'environnement réglementaire difficile, comme la cohérence des scénarios (Mahdavi-Damghani et Roberts
2017).
3.3. Risque de liquidité
Un certain nombre de problèmes de risque de liquidité peuvent être résolus grâce à l'utilisation de l'apprentissage
automatique. La mesure du risque de liquidité, l'analyse des facteurs clés, y compris l'étude des interconnexions entre les
facteurs, peuvent être réalisées grâce à l'utilisation de l'apprentissage automatique. Aux fins d'estimer une mesure de risque
des réseaux de neurones artificiels (ANN), un algorithme génétique peut être appliqué. L'ANN peut être utilisé dans
l'approximation de la tendance générale du risque et la détermination des facteurs les plus influents.
facteurs. La probabilité qu'un événement de risque de liquidité se produise peut être estimée par l'application des
réseaux bayésiens. Les implémentations ANN et BN étaient capables de distinguer les facteurs de risque de liquidité
les plus critiques mesurant le risque par une approximation fonctionnelle et une estimation distributionnelle,
respectivement (Tavana et al. 2018).
3.4. Risque opérationnel
L'apprentissage automatique est également appliqué dans les domaines opérationnels qui permettent l'atténuation des risques,
c'est-à-dire la détection et/ou la prévention des risques. Dans le domaine du risque opérationnel, outre les cas de cybersécurité,
l'apprentissage automatique est principalement axé sur les problèmes liés à la détection des fraudes et à la détection des transactions
suspectes.
Khrestina et al.(2017), dans leur article, proposent un prototype pour la génération d'un rapport qui permet de
détecter les transactions suspectes. Le prototype utilise un algorithme de régression logistique. Il convient de noter
qu'ils ont également inclus une enquête sur six solutions logicielles actuellement mises en œuvre dans diverses
banques pour l'automatisation des processus de détection et de surveillance des transactions suspectes. Bien que les
auteurs fassent référence aux algorithmes, il n'est pas clair si ces produits appliquent des techniques d'apprentissage
automatique, et si oui, avec quels algorithmes. Aucune autre recherche n'a été effectuée sur ces produits car cela
n'entrait pas dans le cadre de l'article.
L'un de ces domaines où un système intelligent basé sur l'apprentissage automatique est connu pour ajouter de la valeur est la
défense contre les spammeurs où les techniques des attaquants évoluent. Les pertes dues au spam incluent potentiellement une perte
de productivité, des communications interrompues, des attaques de logiciels malveillants et le vol de données, y compris des pertes
financières. La technologie MLX de Proofpoint utilise des techniques avancées d'apprentissage automatique pour fournir une
détection complète du spam qui protège contre la menace du spam. Des millions de messages peuvent être analysés par la
technologie, qui affine également automatiquement l'algorithme de détection pour identifier et détecter les nouvelles menaces (
Proofpoint 2010). Bien que cela ne soit pas dans le cadre de cette recherche, étant davantage un contrôle opérationnel pour gérer les
risques, il a été mis en évidence comme un exemple de la façon dont l'apprentissage automatique est utilisé dans la gestion des
risques de cybersécurité.
Dans le blanchiment d'argent, les criminels acheminent l'argent à travers diverses transactions, les superposant à des
transactions légitimes pour dissimuler la véritable source des fonds. Les fonds proviennent généralement d'activités
criminelles ou illégales et peuvent ensuite être utilisés dans d'autres activités illégales, notamment le financement d'activités
terroristes. Des recherches approfondies ont été menées sur la détection des crimes financiers à l'aide de méthodes
statistiques traditionnelles et, plus récemment, à l'aide de techniques d'apprentissage automatique. Les algorithmes de
regroupement identifient les clients ayant des modèles de comportement similaires et peuvent aider à trouver des groupes de
personnes travaillant ensemble pour commettre le blanchiment d'argent (Sudjianto et al. 2010). Un défi majeur pour les
banques, compte tenu du volume important de transactions par jour et de la nature non uniforme de beaucoup, est de
pouvoir trier toutes les transactions et d'identifier celles qui sont de nature suspecte. Les institutions financières utilisent des
systèmes de lutte contre le blanchiment d'argent pour filtrer et classer les transactions en fonction des degrés de suspicion.
Des processus structurés et des systèmes intelligents sont nécessaires pour permettre la détection de ces opérations de
blanchiment d'argent (Kannan et Somasundaram 2017).
Le blanchiment d'argent est un autre domaine qui pose un défi important aux institutions financières, étant
donné les volumes élevés et la complexité des transactions associées à la nature dynamique et en évolution rapide
des crimes financiers, et la nécessité de le faire sur des ensembles de données en temps réel. Dans le domaine de la
détection de la criminalité financière, de nombreuses recherches ont été menées sur l'application de l'apprentissage
statistique et de l'exploration de données pour développer des modèles de classification afin de signaler les
transactions suspectes. Un algorithme C5.0 a été appliqué pour prédire les niveaux de risque en fonction des
différents facteurs de risque potentiels des clients afin de créer l'ensemble de règles d'attribution des clusters. Les
facteurs clés ont été utilisés pour caractériser les profils de transaction. Le modèle aurait fourni un taux de
classification correcte de 99,6 % sur les données de test.Villalobos et Silva 2017).
La fraude par carte de crédit augmente considérablement chaque année, coûtant aux consommateurs et à l'industrie des
milliards de dollars. Les fraudeurs trouvent constamment de nouvelles techniques pour perpétrer le crime. Afin de gérer le risque de
fraude croissant et de minimiser les pertes, les banques ont mis en place des systèmes de détection de fraude.
Les systèmes sont orientés vers l'augmentation du taux de détection tout en minimisant le taux de faux positifs. Les
modèles sont estimés sur la base d'échantillons de transactions frauduleuses et légitimes dans les méthodes de
détection supervisées, tandis que dans les méthodes de détection non supervisées, les valeurs aberrantes ou les
transactions inhabituelles sont identifiées comme des cas potentiels de fraude. Les deux cherchent à prédire la
probabilité de fraude dans une transaction donnée. Certains défis signalés dans la détection de la fraude par carte de
crédit sont la non-disponibilité d'ensembles de données réels, des ensembles de données déséquilibrés, la taille des
ensembles de données et le comportement dynamique du fraudeur. Les algorithmes bayésiens, le voisin le plus
proche K, les machines à vecteurs de support (SVM) et le classificateur d'ensemble d'ensachage basé sur l'arbre de
décision ont été utilisés de manière variable dans les systèmes de détection de fraude.Zareapoor et Shamsolmoali
2015). Les fausses alertes, à savoir les transactions étiquetées comme frauduleuses qui sont en fait légitimes, sont
importantes, inquiètent les clients et retardent la détection des transactions frauduleuses réelles. Les grandes
banques canadiennes s'appuient fortement sur les scores NN, allant de 1 à 999, 1 étant la plus faible probabilité d'une
transaction frauduleuse, déterminée par des algorithmes de réseau neuronal. Selon certaines informations, 20 % des
transactions avec un score NN supérieur ou égal à 990 sont frauduleuses, ce qui oblige les analystes de la fraude à
passer du temps à enquêter sur les transactions légitimes. Un méta-classificateur (une technique d'apprentissage
d'algorithmes multiples) appliqué à un réseau post-neural s'est avéré fournir des améliorations d'économies
quantifiables avec un pourcentage plus élevé de transactions frauduleuses détectées (Jeu de mots et Lawryshyn 2012).
En outre, dans les domaines du risque opérationnel, il existe quelques articles sur la détection des risques de fraude dans les
cartes de crédit et les services bancaires en ligne. Elles concernent la détection des fraudes à la carte bancaire dans des domaines non
spécifiquement liés à la gestion des risques bancaires ou à l'industrie bancaire. On notera que les algorithmes auxquels ils se réfèrent
étaient SVM, KNN, Naïve Bayes Classifier, Bagging ensemble classifier based on decision tree (Dal Pouzzolo 2015;Jeu de mots et
Lawryshyn 2012;Vaidya et Mohod 2014).
4. Discussion
La notation de crédit implique l'attribution d'une valeur numérique à l'entreprise (ou au client) indiquant
si l'entreprise (ou le client) est susceptible de faire défaut ou non. La plupart des recherches se sont
concentrées sur ce domaine en le traitant comme un problème de classification, en prédisant un client
potentiel comme « bon » ou « mauvais » afin de faciliter la décision de crédit et la gestion du risque de crédit. Il
y a donc une prédominance des algorithmes liés à la classification. De nombreux articles sont allés au-delà de
la simple fourniture d'une classification des créanciers et ont abordé la manière de prédire la probabilité de
défaut ou le taux de recouvrement, c'est-à-dire l'estimation de la probabilité de défaut (PD), la perte en cas de
défaut (LGD), l'exposition en cas de défaut (EAD) . Il serait très utile aux banques et à leurs fonctions de gestion
des risques de disposer de recherches et de modèles pour prédire ou estimer la PD, la LGD,
Il a été prouvé que les techniques d'apprentissage automatique sont plus performantes que les techniques statistiques
traditionnelles, à la fois en termes de classification et de précision prédictive. La machine à vecteurs de support est considérée comme
une approche d'apprentissage automatique largement testée et éprouvée. De nombreux travaux empiriques reposent sur des
données d'observation. Les mécanismes de sélection pourraient donner lieu à des échantillons non aléatoires, soit en raison du plan
d'échantillonnage, soit du comportement des unités échantillonnées. Dans le premier cas, les données sont généralement
manquantes, et dans le second, il y a une auto-sélection des unités d'échantillonnage. Cela conduit à un biais de sélection de
l'échantillon (Arezzo et Guagnano 2018). Lorsque les données de l'échantillon étudié ont une représentation proportionnelle de
certains résultats de variables dépendantes (par exemple, défaut, transaction frauduleuse) différente de leur représentation
proportionnelle dans la population dont ils sont tirés, on dit qu'elles sont « basées sur le choix ». Cet échantillonnage « à base de choix
» induit un biais dans l'estimation (Greene 1992). Comme l'apprentissage automatique fonde une grande partie de la modélisation sur
l'apprentissage à partir des données disponibles, il pourrait être sujet aux mêmes problèmes et biais qui affectent les méthodes
statistiques traditionnelles. Comme les méthodes d'apprentissage automatique sont comparées aux techniques statistiques
traditionnelles, il serait avantageux d'évaluer et de comprendre comment les problèmes inhérents aux méthodes de recherche
statistique traditionnelles se comportent lorsqu'ils sont traités par des techniques d'apprentissage automatique.
L'application de l'apprentissage automatique à la gestion des risques de marché ne semble pas non plus avoir été
suffisamment étudiée. De nombreux articles ont étudié la volatilité du marché ou le risque de marché du point de vue de la
gestion des risques de portefeuille ou d'investissement. Cependant, du point de vue de la gestion des risques bancaires, les
articles semblent limités. Des recherches plus approfondies à ce sujet, en particulier du point de vue des tests de résistance ou
de la capture du risque final, sont justifiées. Le risque de liquidité qui, depuis la crise financière, a beaucoup retenu l'attention
des régulateurs, a fait l'objet de quelques études de cas d'usage.
Dans le domaine du risque opérationnel, les études se sont principalement concentrées sur la détection des fraudes et des
transactions suspectes, des problèmes qui sont généralement résolus par des algorithmes de classification. L'analyse de clustering, les
réseaux bayésiens, la décision, les arbres de classification, SVM sont couramment notés dans l'application des algorithmes
d'apprentissage automatique. Les réseaux de neurones ont également été désignés comme une technique très répandue et
importante dans la détection des fraudes par carte de crédit.
Une grande partie des autres domaines de la gestion des risques non financiers, de la gestion des risques pays, de la gestion des risques
de conformité - à part les utilisations liées au blanchiment d'argent - n'ont pas été explorés de manière adéquate. Le risque de conduite, qui est
devenu un risque clé et a acquis une priorité élevée pour les régulateurs et les banques en raison de la vague de problèmes de conduite en
Europe, aux États-Unis et en Asie-Pacifique, semble également faire défaut dans les documents de recherche, bien que l'apprentissage
automatique soit proposé comme solution pour gérer le risque de conduite (Olivier Wyman 2017). En outre, bon nombre des outils standard de
gestion des risques tels que les évaluations des risques, la surveillance des risques et les rapports sur les risques semblent être des domaines qui
pourraient grandement bénéficier de recherches plus approfondies.
Les sources d'ensembles de données utilisées par les chercheurs pour leurs études sont variées, certaines recevant des données de
banques commerciales ou de bases de données fournies par des fournisseurs de services financiers (par exemple, Moody's), et certains
chercheurs menant leurs études à l'aide de données accessibles au public. Les problèmes mis en évidence sont que les données peuvent être
fortement biaisées (par exemple, de faibles taux de défaut), l'incomplétude des données et l'intégrité des données (par exemple, peuvent ne pas
être étiquetées correctement ou comme prévu (Khandani et al. 2010). Une plus grande disponibilité d'ensembles de données du monde réel
encouragerait certainement plus de recherche dans l'évaluation des nombreux problèmes auxquels sont confrontées les fonctions de gestion
des risques.
5. Conclusions
L'avenir de l'apprentissage automatique dans le secteur bancaire et financier est bien reconnu, et on s'attend à ce que le domaine de la gestion des risques cherche également à
appliquer des techniques d'apprentissage automatique pour améliorer leurs capacités. Bien qu'elles soient critiquées pour fonctionner comme une boîte noire, la capacité des techniques
d'apprentissage automatique à analyser des volumes de données sans être contraintes par des hypothèses de distribution et à offrir une grande valeur dans l'analyse exploratoire, la
classification et l'analyse prédictive est importante. Cela offre la possibilité de transformer le domaine de la gestion des risques. L'apprentissage automatique, identifié comme l'une des
technologies ayant des implications importantes pour la gestion des risques, peut permettre la construction de modèles de risque plus précis en identifiant des modèles complexes et non
linéaires dans de grands ensembles de données. Cet article a présenté une évaluation, analyse et évaluation de la recherche autour de l'application de l'apprentissage automatique dans la
gestion des risques au sein du secteur bancaire. La plupart des recherches semblent être axées sur la gestion du risque de crédit. On pourrait attribuer cela au fait que les risques de crédit
sont considérés comme le risque le plus important pour une organisation bancaire. Plus spécifiquement d'un point de vue méthodologique, les problèmes de gestion du risque de crédit
étudiés concernaient la notation de crédit ; cela contribuerait grandement à rechercher comment l'apprentissage automatique peut être appliqué à des domaines quantitatifs pour de
meilleurs calculs de l'exposition au risque de crédit en prédisant les probabilités de défaut, la perte en cas de défaut compte tenu des nombreuses complexités et des facteurs variés qui sont
impliqués. Le risque de marché a fait l'objet de certaines recherches utilisant l'apprentissage automatique pour prévoir la volatilité, les courbes de taux d'intérêt, et changement de régime
de marché. Le risque de liquidité, malgré l'attention accrue dans l'industrie après l'inquiétude des régulateurs, a fait l'objet de recherches limitées. Compte tenu des implications pour la
rentabilité et la solvabilité d'une banque à la suite de la matérialisation d'un événement de risque de liquidité, le risque de liquidité serait un très bon candidat pour faire l'objet d'une
recherche approfondie, plus particulièrement, une recherche sur la prévision des événements de risque de liquidité isolément ou en tant que réseau de facteurs ou événements. Le risque
opérationnel a également fait l'objet de recherches très limitées. La recherche s'est concentrée sur l'application de l'apprentissage automatique pour prévenir ou détecter les événements de
risque opérationnel ; cependant, Compte tenu des implications pour la rentabilité et la solvabilité d'une banque à la suite de la matérialisation d'un événement de risque de liquidité, le
risque de liquidité serait un très bon candidat pour faire l'objet d'une recherche approfondie, plus particulièrement, une recherche sur la prévision des événements de risque de liquidité
isolément ou en tant que réseau de facteurs ou événements. Le risque opérationnel a également fait l'objet de recherches très limitées. La recherche s'est concentrée sur l'application de
l'apprentissage automatique pour prévenir ou détecter les événements de risque opérationnel ; cependant, Compte tenu des implications pour la rentabilité et la solvabilité d'une banque à
la suite de la matérialisation d'un événement de risque de liquidité, le risque de liquidité serait un très bon candidat pour faire l'objet d'une recherche approfondie, plus particulièrement,
une recherche sur la prévision des événements de risque de liquidité isolément ou en tant que réseau de facteurs ou événements. Le risque opérationnel a également fait l'objet de
recherches très limitées. La recherche s'est concentrée sur l'application de l'apprentissage automatique pour prévenir ou détecter les événements de risque opérationnel ; cependant,
l'application des pratiques de gestion des risques opérationnels est très limitée, en particulier dans les domaines de l'identification des
risques, des évaluations, de la surveillance et des rapports. Compte tenu des vastes quantités de données opérationnelles disponibles
(internes à une banque), l'apprentissage automatique pourrait être appliqué pour développer efficacement les capacités de gestion des
risques opérationnels, qui reposent principalement sur des facteurs qualitatifs pour mesurer, signaler et gérer les risques. L'examen a
montré que les domaines des tests de résistance, de la capture du risque extrême, de l'analyse de scénarios - des domaines qui
reposent sur l'analyse prédictive de grands volumes de données - n'ont également fait l'objet que de recherches limitées. Les
avantages et les inconvénients des différentes techniques d'apprentissage automatique dans la résolution de problèmes spécifiques
de gestion des risques peuvent également être évalués et étudiés plus en détail pour maximiser la valeur.
L'examen a montré que l'application de l'apprentissage automatique dans la gestion des risques bancaires tels que le risque de
crédit, le risque de marché, le risque opérationnel et le risque de liquidité a été explorée ; cependant, cela ne semble pas proportionnel
au niveau actuel d'attention de l'industrie à la fois à la gestion des risques et à l'apprentissage automatique. Dans les domaines du
risque de marché, du risque opérationnel et du risque de liquidité, la recherche semble faire défaut, et il existe un potentiel important
pour une étude plus approfondie. L'application de l'apprentissage automatique pourrait faire l'objet de recherches plus approfondies
dans certains domaines où l'analyse ou la modélisation sur des volumes de données avec des calculs complexes et non linéaires est
requise. Faisant partie d'un groupe de sujets qui nécessitent de nombreuses analyses de différents types de données pour prédire des
événements potentiels ou estimer des pertes, ceux-ci incluent l'analyse des risques extrêmes et les tests de résistance. La mesure et le
reporting du risque technologique sont encore un domaine nouveau et pourraient faire l'objet de recherches plus approfondies,
d'autant plus que ce risque monte en flèche et que les cadres supérieurs et les gestionnaires des risques des banques commencent à
chercher à mieux comprendre ce qu'est le risque technologique. Alors que les banques cherchent à faire mûrir leurs capacités de
gestion des risques d'entreprise, il serait avantageux d'étudier comment l'apprentissage automatique peut être appliqué à l'agrégation
des risques et à l'amélioration des capacités de reporting des risques. Bien que des domaines tels que le risque de conduite pourraient
également faire l'objet de recherches, il est à noter que ces domaines bénéficieraient davantage d'une application dans le domaine
opérationnel, comme la surveillance du comportement et la surveillance des activités. Bien que ceux-ci visent à gérer les risques
(atténuation des risques, détection des risques) au sein de la banque, ce ne sont pas les systèmes de gestion des risques (mesure des
risques,
En conclusion, bien qu'il y ait eu des recherches sur l'application de l'apprentissage automatique dans la gestion des risques au fil des ans,
elles restent insuffisantes et ne sont pas équivalentes dans les différents domaines de la gestion des risques ou des méthodologies de gestion
des risques. Il reste encore un grand nombre de domaines, comme souligné ci-dessus, dans la gestion des risques bancaires qui pourraient
bénéficier de manière significative d'une étude sur la manière dont l'apprentissage automatique peut être appliqué pour résoudre des
problèmes spécifiques.
Contributions d'auteur:Conceptualisation, ML ; Analyse formelle, ML ; Enquête, ML ; Méthodologie, ML ;
Supervision, SS et KM ; Rédaction — brouillon original, ML ; Rédaction—révision et édition, SS, KM et ML
Financement:Cette recherche n'a reçu aucun financement externe. Les conflits
d'intérêts:Les auteurs ne déclarent aucun conflit d'intérêt.
Annexe A
Le tableau fournit une liste des articles qui ont été examinés en les classant par type de risque, y
compris la méthode/l'outil de gestion des risques abordé et les algorithmes mentionnés dans la
candidature.
Gestion des risques

Type de risque Référence Algorithme
Méthode/Outil
Le risque de conformité
Surveillance des risques Mainelli et Yeandle 2006 SVM
Gestion
Le risque de crédit
Gestion—Concentration Tests de résistance Pavlenko et Tchernyak 2009 Réseaux bayésiens

Risque
Le risque de crédit Classificateur de Bayes, le plus proche

Exposition (PD, LGD,
Gestion—Consommateur Yeh et Lien 2009 voisin, ANN,
EAD)
Le crédit Arbres de classification
Gestion—Consommateur Modèles de notation Bellotti et Crook 2009 SVM

Le crédit
Gestion—Consommateur Modèles de notation Galindo et Tamayo 2000 CHARIOT, NN, KNN

Le crédit
Gestion—Consommateur Modèles de notation Wang et al. 2015 Régression logistique au lasso

Le crédit
Ensachage, Random Forest,
Gestion—Consommateur Modèles de notation Hamori et al. 2018
Booster
Le crédit
Gestion—Consommateur Modèles de notation Harris 2013 SVM

Le crédit
Gestion—Consommateur Modèles de notation Huang et al. 2007 SVM

Le crédit
NN, classificateur bayésien,

DA, régression logistique,
KNN, Arbre de décision,
Gestion—Consommateur Modèles de notation Keramati et Yousefi 2011
Analyse de survie, système basé
Le crédit
sur des règles floues, SVM,
Mode hybride
Gestion—Consommateur Modèles de notation Khandani et al. 2010 CHARIOT
Le crédit
Gestion—Consommateur Modèles de notation Lai et al. 2006 SVM

Le crédit
Gestion—Consommateur Modèles de notation Lessmann et al. 2015 Plusieurs algos évalués

Le crédit
Gestion—Consommateur Modèles de notation Van Sang et Nguyen 2016 L'apprentissage en profondeur
Le crédit
Le risque de crédit Réseau de croyances profondes,
Gestion—Consommateur Modèles de notation Yu et al. 2016 Machine extrême

Le crédit Apprentissage
Gestion—Consommateur Modèles de notation Wang et al. 2005 SVM, SVM flou

Le crédit
Gestion—Consommateur Modèles de notation Zhou et Wang 2012 Forêt aléatoire

Le crédit
Gestion—Entreprise Bastos 2014 Ensachage
EAD)
Le crédit
Le risque de crédit Réseau de neurones, SVM,

Gestion—Entreprise Barboza et al. 2017 Boosting, ensachage,
EAD)
Le crédit Forêt aléatoire
Gestion des risques

Méthode/Outil
Gestion—Entreprise Raei et al. 2016 Les réseaux de neurones
EAD)
Le crédit
Gestion—Entreprise Yang et al. 2011 SVM
EAD)
Le crédit
Gestion—Entreprise Yao et al. 2017 RVS
EAD)
Le crédit
Système multiclassificateur
(MCS)—Ensemble—neural
Le risque de crédit réseaux (NN), prise en charge
Gestion—Entreprise Modèles de notation Ala'Raj et Abbod 2016b machines vectorielles (SVM),
Le crédit forêts aléatoires (RF),
arbres de décision (DT) et
naïf Bayes (NB).
Gestion—Entreprise Modèles de notation Ala'raj et Abbod 2016a GNG, MARS

Le crédit
Gestion—Entreprise Modèles de notation Bacham et Zhao 2017 ANN, Forêt aléatoire

Le crédit
Gestion—Entreprise Modèles de notation Cao et al. 2013 SVM

Le crédit
Gestion—Entreprise Modèles de notation Van Gestel et al. 2003 SVM

Le crédit
Filet élastique, aléatoire
Gestion—Entreprise Modèles de notation Guégan et al. 2018
forêt, Boosting, NN
Le crédit
Gestion—Entreprise Modèles de notation Malhotra et Malhotra 2003 NN

Le crédit
Gestion—Entreprise Modèles de notation Oójcicka 2017 Les réseaux de neurones
Le crédit
Gestion—Entreprise Modèles de notation Zhang 2017 KNN, Forêt aléatoire

Le crédit
Gestion—Entreprise Tests de résistance Blom 2015 Régression au lasso

Le crédit
Gestion—Entreprise Tests de résistance Chan-Lau 2017 Régression au lasso

Le crédit
Gestion—Carte de crédit Yao et al. 2017 SVM
EAD)
Risque
Tests de résistance Jacobs 2018 MARS
Gestion—Risques croisés
Tests de résistance Islam et al. 2013 L'analyse par grappes
Gestion—Vente en gros
Risque de liquidité
Gestion—Liquidité Limites de risque Gotoh et al. 2014 vSVM
Risque
Gestion—Liquidité Surveillance des risques Sala 2011 ANN
Risque
Gestion des risques

Méthode/Outil
ANN, bayésienne
Gestion—Liquidité Modèles de notation Tavana et al. 2018
Réseaux
Risque
Dégradé, Boosting,
Gestion—Consommateur
Modèles de notation Brown et Mues 2012 Forêt aléatoire, moins
Le crédit
Carrés—SVM
Risque du marché
Valeur à risque Zhang et al. 2017 GELME
Gestion—Risque lié aux actions
Risque du marché Mahdavi-Damghani et

Valeur à risque L'analyse par grappes
Gestion—Risque lié aux actions Roberts 2017
Risque du marché
Valeur à risque Monfared et Enke 2014 NN
Gestion—Risque lié aux actions
Risque du marché
SOM, mélanges gaussiens,
Gestion—Taux d'intérêt Valeur à risque Kanevski et Timonin 2010
L'analyse par grappes
Risque
Risque opérationnel Regroupement non linéaire

Évaluation des risques (RCSA) Peters et al. 2017
Gestion—Cybersécurité méthode
Les réseaux de neurones,

Risque opérationnel k-Voisin le plus proche,
Pertes liées aux risques opérationnels Jeu de mots et Lawryshyn 2012
Gestion—Risque de fraude Bayésien naïf, Décision
Arbre
Risque opérationnel
Pertes liées aux risques opérationnels Sharma et Choudhury 2016 SMO
Gestion—Risque de fraude
les réseaux de neurones,

Surveillance des risques Ngaï et al. 2011 réseau de croyance bayésien,
arbres de décision
SVM, Classement
Arbres, Ensemble
Surveillance des risques Sudjianto et al. 2010 Apprentissage, CART, C4.5,
réseaux de croyance bayésiens,
HMM
Gestion—Argent Surveillance des risques Khrestina et al. 2017 régression logistique
Blanchiment/criminalité financière
Les références
Ala'raj, Maher et Maysam F. Abbod. 2016a. Un nouveau modèle de notation de crédit d'ensemble hybride basé sur des classificateurs
Approche systémique consensuelle.Systèmes experts avec applications64 : 36–55. [RéfCroisée]
Ala'Raj, Maher et Maysam F. Abbod. 2016b. Approche du système de consensus des classificateurs pour la notation de crédit.
Systèmes basés sur la connaissance104 : 89–105. [RéfCroisée]
Apostolik, Richard, Christopher Donohue, Peter Went et l'Association mondiale des professionnels du risque. 2009.
Fondements du risque bancaire : aperçu du secteur bancaire, des risques bancaires et de la réglementation bancaire fondée sur les
risques. New York : John Wiley.
Arezzo, Maria et Giuseppina Guagnano. 2018. Échantillonnage basé sur les réponses pour les modèles à choix binaire avec
Selection d'Echantillon.Économétrie6 : 12. [RéfCroisée]
Awad, Mariette et Rahul Khanna. 2015. Apprentissage automatique en action : exemples.Machines d'apprentissage efficaces.
[RéfCroisée]
Aziz, Saqib et Michael M. Dowling. 2018. IA et apprentissage automatique pour la gestion des risques.SSRN Électronique
Journal. [RéfCroisée]
Bacham, Dinesh et Janet Zhao. 2017. Apprentissage automatique : défis et opportunités dans la modélisation du risque de crédit.
Disponible en ligne:https://www.moodysanalytics.com/risk-perspectives-magazine/managing-disruption/
spotlight/machine-learning-challenges-lessons-and-opportunities-in-credit-risk-modeling(consulté le 2
avril 2018).
Barboza, Flavio, Herbert Kimura et Edward Altman. 2017. Modèles d'apprentissage automatique et prédiction de faillite.
Systèmes experts avec applications83 : 405–17. [RéfCroisée]
Comité de Bâle sur le contrôle bancaire. 2005a.Orientations sur le paragraphe 468 du document-cadre. Bâle :
Banque des règlements internationaux.
Comité de Bâle sur le contrôle bancaire. 2005b.Une note explicative sur les fonctions de pondération des risques NI Bâle II.
Bâle : Banque des règlements internationaux.
Comité de Bâle sur le contrôle bancaire. 2006.Exigences minimales de capital pour risque de marché. Bâle : banque pour
Règlements internationaux.
Comité de Bâle sur le contrôle bancaire. 2008.Principes de saine gestion et de surveillance du risque de liquidité.
Bâle : Banque des règlements internationaux.
Comité de Bâle sur le contrôle bancaire. 2011.Principes de saine gestion du risque opérationnel. Bâle :
Banque des règlements internationaux, pp. 1–27.
Bastos, Jouneo A. 2014. Prédictions d'ensemble des taux de récupération.Journal de recherche sur les services financiers46 : 177–93.
[RéfCroisée]
Bauguess, Scott W. 2015.L'espoir et les limites de l'apprentissage automatique dans l'évaluation des risques de marché. Washington DC:
Commission américaine des valeurs mobilières et des échanges.
Bellotti, Tony et Jonathan Crook. 2009. Soutenir les machines vectorielles pour l'évaluation du crédit et la découverte d'importants
Caractéristiques.Systèmes experts avec applications. [RéfCroisée]
Blom, Tineke. 2015. Tests de résistance descendants : une application du lasso adaptatif à la prévision des taux de perte de crédit.
Mémoire de maîtrise, Faculté des sciences, Hongkong, Chine.
Brown, Iain et Christophe Mues. 2012. Une comparaison expérimentale des algorithmes de classification des déséquilibres
ensembles de données de pointage de crédit.Systèmes experts avec applications39 : 3446–53. [RéfCroisée]
Cao, Jie, Hongke Lu, Weiwei Wang et Jian Wang. 2013. Un modèle de discrimination par défaut de prêt utilisant
Machine à vecteurs de support sensible aux coûts améliorée par PSO.Technologie de l'information et gestion14 : 193–204. [
RéfCroisée]
Chan-Lau, Jorge. 2017. Régressions Lasso et modèles de prévision dans les tests de résistance appliqués.Documents de travail du FMI
17 : 1. [RéfCroisée]
Chen, Ning, Bernardete Ribeiro et An Chen. 2016. Évaluation du risque de crédit financier : un examen récent.Artificiel
Examen du renseignement45 : 1–23. [RéfCroisée]
Dal Pozzolo, Andrea. 2015. Apprentissage automatique adaptatif pour la détection de fraude par carte de crédit. Doctorat non publié
mémoire, Universitéélibre de Bruxelles, Facultéédes Sciences—Informatique, Bruxelles.
Presse universitaire Deloitte. 2017.Enquête mondiale sur la gestion des risques, 10e éd. Presses universitaires Deloitte : disponible
en ligne:https://www2.deloitte.com/tr/en/pages/risk/articles/global-risk-management-survey-10th-ed.
html(consulté le 4 octobre 2018).
Conseil de stabilité financière. 2017. Intelligence artificielle et apprentissage automatique dans les services financiers. Marché
Développements et implications pour la stabilité financière.Conseil de stabilité financière. 1er novembre. Disponible en
ligne : http://www.fsb.org/2017/11/artificial-intelligence-and-machine-learning-in-financial-service/(consulté le 2 juillet
2018).
Galindo, Jorge et Pablo Tamayo. 2000. Évaluation du risque de crédit à l'aide de l'apprentissage statistique et automatique : de base
Applications de méthodologie et de modélisation des risques.Économie computationnelle15 : 107–43. [RéfCroisée] Gotoh, Jun-
ya, Akiko Takeda et Rei Yamamoto. 2014. Interaction entre les mesures du risque financier et la machine
méthodes d'apprentissage.Science de la gestion informatique11 : 365–402. [RéfCroisée]
Greene, William H. 1992. Un modèle statistique pour la notation du crédit. Document de travail de la NYU n° EC-92-29. Disponible
en ligne:https://ssrn.com/abstract=1867088(consulté le 8 avril 1992).
Guégan, Dominique, Peter Addo et Bertrand Hassani. 2018. Analyse du risque de crédit par machine et en profondeur
modèles d'apprentissage.Des risques6 : 38.
Hamori, Shigeyuki, Minami Kawai, Takahiro Kume, Yuji Murakami et Chikara Watanabe. 2018. Ensemble
Apprentissage ou apprentissage profond ? Application à l'analyse du risque de défaut.Journal du risque et de la gestion financière 11: 12. [
RéfCroisée]
Hand, David J., et William E. Henley. 1997. Méthodes de classification statistique dans la notation du crédit à la consommation :
Une critique.Journal de la Royal Statistical Society Series A: Statistics in Society. [RéfCroisée]
Harris, Terry. 2013. Évaluation quantitative du risque de crédit à l'aide de machines à vecteurs de support : large versus étroit
définitions par défaut.Systèmes experts avec applications40 : 4404–13. [RéfCroisée]
Helbekkmo, Hans, Alok Kshirsagar, Andreas Schlosser, Francesco Selandari, Uwe Stegemann et Joyce Vorholt.
2013.Gestion des risques d'entreprise : façonner la révolution des risques. New York : McKinsey & Co., Disponible en
ligne : www.rmahq.org(consulté le 18 juin 2018).
Huang, Cheng Lung, Mu Chen Chen et Chieh Jen Wang. 2007. Évaluation du crédit avec une approche d'exploration de données
Basé sur les machines à vecteurs de support.Systèmes experts avec applications33 : 847–56. [RéfCroisée] Hull,
Jean. 2012.Gestion des risques et institutions financières. New York : John Wiley and Sons, vol. 733. Islam, Tushith,
Christos Vasilopoulos et Erik Pruyt. 2013. Stress—Testing Banks under Deep Uncertainty.
Document présenté à la 31e conférence internationale de la System Dynamics Society, Cambridge, MA, États-Unis, 21-25
juillet ; Disponible en ligne:http://repository.tudelft.nl/islandora/object/uuid:c162de43-4235-4d29-8eed-3246df87e119?
collection=education(consulté le 17 juillet 2018).
Jacobs, Michael, Jr. 2018. La validation des modèles d'apprentissage automatique pour les tests de résistance du risque de crédit.Revue de
Gestion des risques dans les institutions financières11 : 218–43.
Jorion, Philippe. 2007.Value at Risk : la nouvelle référence en matière de gestion des risques financiers. New York : McGraw Hill.
Kanevski, Mikhail F. et Vadim Timonin. 2010. Analyse par apprentissage automatique et modélisation des courbes de taux d'intérêt.
Communication présentée au 18e Symposium européen sur les réseaux de neurones artificiels ESANN, Bruges,
Belgique, 28-30 avril ; Disponible en ligne:https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2010-17.pdf
(consulté le 18 juin 2018).
Kannan, Somasundaram et K. Somasundaram. 2017. Algorithme de valeurs aberrantes basé sur l'autorégression pour détecter l'argent
Activités de blanchiment.Journal de lutte contre le blanchiment d'argent20 : 190–202. [RéfCroisée]
Keramati, Abbas et Niloofar Yousefi. 2011. Une proposition de classification des techniques d'exploration de données dans la notation de crédit.
Document présenté à la 2011 International Conference of Industrial Engineering and Operations Management,
Kuala Lumpur, Malaisie, 22-24 janvier.
Khandani, Amir E., Adlar J. Kim et Andrew W. Lo. 2010. Modèles de risque de crédit à la consommation via l'apprentissage automatique
algorithmes.Journal de la banque et de la finance34 : 2767–87.
Khrestina, Marina Pavlovna, Dmitri Ivanovitch Dorofeev, Polina Andreevna Kachurina, Timur
Rinatovich Usubaliev et Aleksey Sergeevich Dobrotvorskiy. 2017. Développement d'algorithmes de recherche,
d'analyse et de détection d'activités frauduleuses dans la sphère financière.Revue européenne des études de
recherche20 : 484–98.
Lai, Kin Keung, Lean Yu, Ligang Zhou et Shouyang Wang. 2006. Évaluation du risque de crédit par moindre carré
soutenir la machine vectorielle. DansConférence internationale sur les ensembles approximatifs et la technologie de la connaissance. Berlin/
Heidelberg : Springer, p. 490–95.
Lessmann, Stefan, Bart Baesens, Hsin Vonn Seow et Lyn C. Thomas. 2015. État de l'art de l'analyse comparative
Algorithmes de classification pour la notation du crédit : une mise à jour de la recherche.Revue européenne de recherche opérationnelle
247 : 124–36. [RéfCroisée]
Mahdavi-Damghani, Babak et Stephen Roberts. 2017. Un changement proposé de modélisation des risques de l'approche de
Equation Différentielle Stochastique vers Machine Learning Clustering : Illustration avec les Concepts de VaR
Anticipative et Responsable.Revue électronique SSRN. [RéfCroisée]
Mainelli, Michael et Mark Yeandle. 2006. Conformité à la meilleure exécution : nouvelles techniques de gestion de la conformité
risque.Le Journal de la finance à risque7 : 301–312. [RéfCroisée]
Malhotra, Rashmi et DK Malhotra. 2003. Évaluation des prêts à la consommation à l'aide de réseaux de neurones.Oméga31:
83–96. [RéfCroisée]
MétriqueStream. 2018. Le rôle du Chief Risk Officer en 2018 et au-delà Gérer les défis et les opportunités
d'une ère numérique Nouveaux rôles du CRO. Disponible en ligne:https://www.metricstream.com/insights/
chiefrisk-officer-role-2018.htm(consulté le 23 juin 2018).
Monfared, Soheil Almasi et David Enke. 2014. Prévision de la volatilité à l'aide d'un neuronal hybride GJR-GARCH
Modèle de réseau.Procedia Informatique36 : 246–253. [RéfCroisée]
Ngai, Eric WT, Yong Hu, Yiu Hing Wong, Yijun Chen et Xin Sun. 2011. L'application de l'exploration de données
Techniques de détection de la fraude financière : un cadre de classification et une revue académique de la littérature. Systèmes
d'aide à la décision50 : 569. [RéfCroisée]
Olivier Wyman. 2017. Gestion des risques de nouvelle génération. Disponible en ligne:https://www.oliverwyman.
com/content/dam/oliver-wyman/v2/publications/2017/aug/Next_Generation_Risk_Management_
Targeting_A-Technology_Dividend.pdf(consulté le 1er mai 2018).
Pavlenko, Tatjana et Oleksandr Chernyak. 2009. Réseaux bayésiens pour la modélisation et l'évaluation du crédit
Risques de concentration.Conférence statistique internationale de Prague.Disponible en ligne:http://
www.czso.cz/conference2009/proceedings/data/methods/pavlenko_paper.pdf(consulté le 21 juillet 2018).
Peters, Gareth, Pavel V. Shevchenko, Ruben Cohen et Diane Maurice. 2017. Apprentissage automatique statistique
Analyse des données sur les cyberrisques : études de cas d'événements. Disponible en ligne:https://ssrn.com/abstract=3073704
(consulté le 18 juin 2018).
Point de preuve. 2010. Livre blanc MLX « Machine Learning to Beat Spam Today and Tomorrow ». Disponible
en ligne:https://www.excelmicro.com/datasheets/Proofpoint-White-Paper-MLX-Technology.pdf(consulté le 2 mai
2018).
Pun, Joseph et Yuri Lawryshyn. 2012. Amélioration de la détection des fraudes par carte de crédit à l'aide d'une stratégie de méta-classification.
Journal international des applications informatiques56 : 41–46. [RéfCroisée]
Raei, Reza, Mahdi Saeidi Kousha, Saeid Fallahpour et Mohammad Fadaeinejad. 2016. Un modèle hybride pour
Estimation de la probabilité de défaut des entreprises clientes.Journal iranien des études de gestion9 :
651–73.
Ray, Sunil. 2015. Comprendre l'algorithme de machine à vecteur de support à partir d'exemples (avec le code). Disponible
en ligne:https://www.analyticsvidhya.com/blog/2017/09/understaing-support-vector-machine-
examplecode/(consulté le 16 août 2018).
Sala, Jordi Petchamé.2011. Modélisation du risque de liquidité à l'aide d'un réseau neuronal artificiel. Mémoire de maîtrise, Université
Politiqueècnica de Catalunya, Barcelone, Espagne.
Saunders, Anthony, Marcia Millon Cornett et Patricia Anne McGraw. 2006.Gestion des institutions financières :
Une approche de gestion des risques. New York : McGraw Hill.
Shalev-Shwartz, Shai et Shai Ben-David. 2014.Comprendre l'apprentissage automatique : de la théorie aux algorithmes.
Cambridge : Cambridge University Press. [RéfCroisée]
Sharma, Shashank et Arjun Roy Choudhury. 2016. Fraud Analytics : Une enquête sur la prédiction de la fraude bancaire
Utilisation d'une approche basée sur l'apprentissage non supervisé.Journal international de l'innovation dans la recherche et la technologie en
ingénierie3 : 1–9.
Sudjianto, Agus, Sheela Nair, Ming Yuan, Aijun Zhang, Daniel Kern et Fernando Cela-Djeaz. 2010. Statistique
Méthodes de lutte contre les crimes financiers.Technométrie52 : 5–19. [RéfCroisée]
Tavana, Madjid, Amir Reza Abtahi, Debora Di Caprio et Maryam Poortarigh. 2018. Un neurone artificiel
Modèle de réseau et de réseau bayésien pour l'évaluation du risque de liquidité dans le secteur bancaire.Neuroinformatique275 : 2525–54.
[RéfCroisée]
Vaidya, Avanti H. et Sudhir W. Mohod. 2014. Détection de la fraude bancaire sur Internet à l'aide de HMM et BLAST-SSAHA
Hybridation.Revue internationale des sciences et de la recherche (IJSR)3 : 574–9.
Van Gestel, Ir Tony, Bart Baesens, Ir Joao Garcia et Peter Van Dijcke. 2003. Une approche de machine à vecteurs de support
à la cote de crédit. DansForum Financier—Revue Bancaire Et Financière Bank En Financiewezen. Bruxelles :
Larcier, p. 73–82. Disponible en ligne:http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.93.6492&rep=
rep1&type=pdf(consulté le 7 juillet 2018).
Van Libergen, Bart. 2017. Apprentissage automatique : une révolution dans la gestion des risques et la conformité ?Revue de
Transformation financière45 : 60–
67. Van-Sang, Ha et Ha-Nam Nguyen. 2016. Notation de crédit avec une approche de sélection de fonctionnalités basée sur
Apprentissage. DansMATEC Web de Conférences. Les Ulis : EDP Sciences, tome 54, p. 05004. Disponible
en ligne:https://www.matec-conferences.org/articles/matecconf/abs/2016/17/
matecconf_mimt2016_05004/matecconf_mimt2016_05004.html(consulté le 19 juillet 2018).
Villalobos, Miguel Agustjen, et Eliud Silva. 2017. Un modèle statistique et d'apprentissage automatique pour détecter l'argent
Blanchiment : une application. Disponible en ligne:http://hddavii.eventos.cimat.mx/sites/hddavii/files/
Miguel_Villalobos.pdf(consulté le 21 juin 2018).
Wang, Yongqiao, Shouyang Wang et Kin Keung Lai. 2005. Une nouvelle machine à vecteurs de support flous à évaluer
Le risque de crédit.Transactions IEEE sur les systèmes flous13 : 820–31. [RéfCroisée]
Wang, Hong, Qingsong Xu et Lifeng Zhou. 2015. Grand score de crédit déséquilibré à l'aide de Lasso-Logistique
Ensemble de régression.PLoS ONE10 : e0117844. [RéfCroisée] [PubMed]
OóJcicka, Aleksandra. 2017. Réseaux de neurones contre analyse discriminante dans l'évaluation du défaut.Électronique
Économie, 339–49. [RéfCroisée]
Yang, Zijiang, Wenjie You et Guoli Ji. 2011. Utilisation des moindres carrés partiels et des machines à vecteurs de support pour
prévision de faillite.Systèmes experts avec applications38 : 8336–42. [RéfCroisée]
Yao, Xiao, Jonathan Crook et Galina Andreeva. 2015. Régression vectorielle de support pour la modélisation des pertes en cas de défaut.
Revue européenne de recherche opérationnelle240 : 528–38. [RéfCroisée]
Yao, Xiao, Jonathan Crook et Galina Andreeva. 2017. Amélioration de la méthodologie de modélisation en deux étapes pour les pertes
par défaut avec les machines à vecteurs de support.Revue européenne de recherche opérationnelle263 : 679–89. [RéfCroisée]
Yeh, I. Cheng et Chehui Lien. 2009. Les comparaisons des techniques d'exploration de données pour la précision prédictive de
Probabilité de défaut des clients de carte de crédit.Systèmes experts avec applications. [RéfCroisée]
Yu, Lean, Zebin Yang et Ling Tang. 2016. Un nouvel apprentissage extrême basé sur un réseau de croyances profondes à plusieurs étapes
Paradigme d'apprentissage par ensemble de machines pour l'évaluation du risque de crédit.Journal des services flexibles et de la fabrication 28 : 576–
92. [RéfCroisée]
Zareapoor, Masoumeh et Pourya Shamsolmoali. 2015. Application de la détection des fraudes par carte de crédit : basée sur
Classificateur d'ensemble d'ensachage.Procedia Informatique48 : 679–86. [RéfCroisée]
Zhang, Wenhao. 2017. Approches d'apprentissage automatique pour prédire la faillite d'une entreprise.Journal du risque financier
Gestion6 : 364–74. [RéfCroisée]
Zhang, Heng Guo, Chi Wei Su, Yan Song, Shuqi Qiu, Ran Xiao et Fei Su. 2017. Calcul de la valeur à risque pour
Séries chronologiques de grande dimension à l'aide d'un modèle de cartographie aléatoire non linéaire.Modélisation économique67 : 355–67. [
RéfCroisée]
Zhou, Lifeng et Hong Wang. 2012. Prévision de défaut de prêt sur de grandes données déséquilibrées à l'aide de forêts aléatoires.
TELKOMNIKA Journal indonésien de génie électrique. [RéfCroisée]
© 2019 par les auteurs. Licencié MDPI, Bâle, Suisse. Cet article est un article en libre
accès distribué selon les termes et conditions de la licence Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).

L'apprentissage Automatique Dans La Gestion Des Risques Bancaires: Une Revue de La Littérature

Transféré par

Informations du document

Titre original

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

L'apprentissage Automatique Dans La Gestion Des Risques Bancaires: Une Revue de La Littérature

Transféré par

Droits d'auteur :

Formats disponibles

Traduit de Anglais vers Français - www.onlinedoctranslator.

L'apprentissage automatique dans la gestion des risques bancaires :

Martin Leo * , Suneel Sharma et K. Maddulety

Des risques2019,7, 29; doi:10.3390/risks7010029 www.mdpi.com/journal/risques

2.1. Gestion des risques dans les banques

Figure 1.Taxonomie des risques.

Risque M gestion T ools

Figure 2.Méthodes et outils de gestion des risques.

2.2. Apprentissage automatique

appliquée lorsque le problème à traiter présente le double défi de la complexité et du besoin

3.1. Le risque de crédit

La croissance spectaculaire du crédit à la consommation a accru l'importance des modèles d'évaluation du

d'ensemble à plusieurs étapes similaires avec une précision de prédiction élevée.

3.2. Risque du marché

3.3. Risque de liquidité

3.4. Risque opérationnel

pourraient grandement bénéficier de recherches plus approfondies.

d'intérêts:Les auteurs ne déclarent aucun conflit d'intérêt.

Gestion des risques

Gestion—Concentration Tests de résistance Pavlenko et Tchernyak 2009 Réseaux bayésiens

Le risque de crédit Classificateur de Bayes, le plus proche

Gestion—Consommateur Modèles de notation Bellotti et Crook 2009 SVM

Gestion—Consommateur Modèles de notation Galindo et Tamayo 2000 CHARIOT, NN, KNN

Gestion—Consommateur Modèles de notation Wang et al. 2015 Régression logistique au lasso

Gestion—Consommateur Modèles de notation Harris 2013 SVM

Gestion—Consommateur Modèles de notation Huang et al. 2007 SVM

NN, classificateur bayésien,

Gestion—Consommateur Modèles de notation Khandani et al. 2010 CHARIOT

Gestion—Consommateur Modèles de notation Lai et al. 2006 SVM

Gestion—Consommateur Modèles de notation Lessmann et al. 2015 Plusieurs algos évalués

Gestion—Consommateur Modèles de notation Van Sang et Nguyen 2016 L'apprentissage en profondeur

Le risque de crédit Réseau de croyances profondes,

Gestion—Consommateur Modèles de notation Yu et al. 2016 Machine extrême

Gestion—Consommateur Modèles de notation Wang et al. 2005 SVM, SVM flou

Gestion—Consommateur Modèles de notation Zhou et Wang 2012 Forêt aléatoire

Le risque de crédit Réseau de neurones, SVM,

Gestion des risques

Gestion—Entreprise Modèles de notation Ala'raj et Abbod 2016a GNG, MARS

Gestion—Entreprise Modèles de notation Bacham et Zhao 2017 ANN, Forêt aléatoire

Gestion—Entreprise Modèles de notation Cao et al. 2013 SVM

Gestion—Entreprise Modèles de notation Van Gestel et al. 2003 SVM

Gestion—Entreprise Modèles de notation Malhotra et Malhotra 2003 NN

Gestion—Entreprise Modèles de notation Oójcicka 2017 Les réseaux de neurones

Gestion—Entreprise Modèles de notation Zhang 2017 KNN, Forêt aléatoire

Gestion—Entreprise Tests de résistance Blom 2015 Régression au lasso

Gestion—Entreprise Tests de résistance Chan-Lau 2017 Régression au lasso

Gestion des risques

Risque du marché Mahdavi-Damghani et

Risque opérationnel Regroupement non linéaire

Les réseaux de neurones,

les réseaux de neurones,

Heidelberg : Springer, p. 490–95.

Vous aimerez peut-être aussi