Étude de Cas 1 (Unité 4.

1) : Analyse d’un Portefeuille de Crédit

Cette étude de cas est un devoir obligatoire pour le cours e-learning «  Certificat d’Expert en
Gestion des Risques ». Vous devez soumettre votre solution avant le 05 Novembre et réussir
ce devoir afin d'être admissible à l'examen final.
Avant de résoudre cette étude de cas, veuillez bien étudier les méthodes et analyses
nécessaires dans l’Unité 4.1. Idéalement, vous devriez avoir parcouru l'ensemble de l’Unité,
mais les prérequis minimums sont les chapitres 1 à 5.
Dans le fichier CERM16_Cas1_FR.xlsx, vous trouverez l'inventaire du portefeuille pour les
travaux de l'étude. Le fichier contient 33 125 prêts aux consommateurs et aux petites
entreprises débloqués entre février 2017 et décembre 2018. Nous sommes maintenant à la fin
de décembre 2019 et nous disposons des observations concernant les arriérés et les soldes
des créances pour les fins du mois entre juillet 2017 et décembre 2019. Les niveaux des
arriérés dans les colonnes J:AM ont été encodés comme : 0= sain, 1 = 1-30 jours, 2 = 31-60
jours en arriérés etc.
Supposons que vous êtes analyste auprès d'un fonds d’investissement engagé dans la General
Bank au Kenya, qui vient de vous transmettre ce fichier dans le cadre de son reporting
mensuel. Notez que ce portefeuille ne représente pas l’ensemble des activités de crédit de
General Bank, il s’agit uniquement des prêts « Retail » spéciaux en USD que la banque a
débloqué jusqu’à la fin de décembre 2018 en empruntant en auprès des bailleurs de fonds
internationaux. Tous les prêts s’amortissent et comportent des mensualités fixes (de type
annuité). Les octrois aux consommateurs et petites entreprises sont évalués avec un modèle
de scoring statistique au moment du déblocage. Les notes 1 à 7 sont définies comme suit : 1 -
Excellent, 2 - Bon, 3 – Supérieur à la moyenne, 4 - Moyen, 5 - Inférieur à la moyenne, 6 -
Marginal, 7 – Haut Risque.
Les tâches suivantes résument la portée minimum de l'analyse que le Comité d'Investissement
attend de vous. Des calculs et conclusions supplémentaires seraient les bienvenus, bien sûr.
Vous pouvez utiliser des filtres manuels pour explorer les données au départ, mais utilisez si
possible des instructions logiques et des fonctions analytiques bien structurées pour répondre
aux questions ci-dessous. Les fonctions Excel utiles pour ce cas comprennent : les tableaux
dynamiques croisés, =RECHERCHEV(), RECHERCHEH(), SI(), SOMMESI(), NB.SI(), MAX(),
PRODUITMAT(), etc. Laissez les formules faire le travail !
1) 15% - Analysez les tendances du portefeuille et des déblocages : (a) Créez un tableau et /
ou un graphique avec une série mensuelle chronologique des montants décaissés par mois
ainsi que des encours du portefeuille. (b) Ajoutez la note pondérée moyenne décaissée
par mois dans le tableau ou le graphique figurant sous (a). Commentez vos conclusions.

2) 15% - Coefficient de concentration Gini : vous êtes préoccupé par le risque de

concentration dans le portefeuille « Retail USD » de General Bank. Calculez le coefficient
de concentration de Gini pour l'ensemble du portefeuille donné au 31 décembre 2019.
Veillez à exclure de l'analyse les comptes à solde nul. Interprétez le résultat. En quoi le
coefficient de Gini calculé ici diffère-t-il de la valeur que vous auriez attendu pour
l'ensemble des activités de crédit de General Bank, y compris ses expositions sur le
logement et les grandes entreprises?

© 2020 Frankfurt School of Finance & Management 1/4

CERM16-FR – Unité 4.1 – Étude de cas 1
3) 15% - Taux de défaut et validation du scoring : (a) À l'aide des observations d'arriérés
dans le fichier, obtenez un taux de défaut cumulatif pour les prêts débloqués par General
Bank jusqu'au 31 décembre 2018. Différenciez les taux de défaut par trimestre de
déblocage et par segment (conso vs. petite entreprise). Un défaut est supposé être
survenu lorsqu'un prêt a atteint plus de 90 jours d’arriérés à n’importe quel moment entre
juillet 2017 et décembre 2019. Il n’y a eu aucune radiation de ce portefeuille pendant la
période d’observation. Discutez également comment vous pourriez standardiser l'analyse
afin d'afficher des taux de défaut en % l’an. (b) Trouvez séparément les taux de défaut
pour tous les prêts décaissés jusqu'au 31 décembre 2018 en fonction du scoring attribuée
au moment du décaissement. Que vous dit le résultat sur la performance prédictive du
modèle de scoring ?

4) 20% - Vérifiez les Provisions pour Pertes de Crédit au 31 décembre 2019 : Calculez les
provisions nécessaires sous le dispositif national que General Bank aurait dû comptabiliser
dans ce portefeuille au 31 décembre 2019, en utilisant le tableau de provisionnement
suivant prescrit par la banque centrale.

Comparez les provisions

réelles avec les montants de
provision calculés et
identifiez les éventuels cas
de sous- ou sur-
provisionnement. Voyez-
vous des tendances
particulières dans les
déviations ?

Quel est le ratio de

couverture de
provisionnement réel par
rapport au PaR30 (c’est-à-
dire en arriérés supérieurs à
30 jours) et quel aurait-il dû
être sous les règles de
provisionnement nationales
correctement appliquées ?
Un ratio de couverture de
provisionnement est
généralement défini comme
le total des provisions de crédit disponibles, y compris les provisions générales ou IFRS
Etape 1, divisé par le total du portefeuille en souffrance avec un seuil spécifié des arriérés,
ici >30 jours.

5) 15% - Objet et interprétation des courbes générationnelles (vintage) : vous discutez avec
le responsable du crédit au détail de General Bank et suggérez à la banque d’introduire
une analyse générationnelle dans le tableau de bord du risque de crédit. Le segment
« Retail » de General Bank comprend à la fois le crédit à la consommation et le
financement des petites entreprises.

© 2020 Frankfurt School of Finance & Management 2/4

CERM16-FR – Unité 4.1 – Étude de cas 1
 (a) En utilisant l'exemple d'une analyse générationnelle empruntée de l’Unité 4.1 (ci-
dessous), expliquez brièvement au Chef de Crédit la signifiance d'une analyse
générationnelle et comment les axes et les courbes colorées ainsi que les lignes grises
dans le diagramme ci-dessous sont définis.
Non-performing: ≥ 3 installments missed

(b) Le Chef de Crédit trouve le tableau intéressant et souligne qu'une telle analyse
statistique sophistiquée serait très utile pour le portefeuille de crédit de grande
entreprise, mais elle semble trop complexe et mal adaptée aux segments du crédit à la
consommation et de la petite entreprise. Quelle est votre réponse à cet argument ?

6) 20% - Calcul des Courbes Générationnelles en Excel : À l'aide des tableaux dynamiques
croisés et des transformations sur les données du fichier CERM16_Cas1_FR.xlsx, préparez
un tableau des courbes générationnelles par mois de déblocage jusqu'à l'âge de 18 mois.
Affichez des courbes générationnelles pour toutes les créances ensemble, ainsi que des
diagrammes distincts pour les segments petite entreprise et crédit conso. Utilisez un
diagramme Excel du type "line chart" pour produire les courbes. Coupez chaque courbe
au point où son âge dépasse la fin de la période d'observation, à savoir le 31 déc. 2019.
Comme critère bons/mauvais dans chaque courbe générationnelle veuillez utiliser le seuil
des arriérés selon IFRS 9 Étape 3, c.-à-d. 91 jours ou plus.
Astuce : Il ne faut pas tenter une solution "à la main". Vous devrez travailler avec les
données par le biais des expressions Excel qui peuvent facilement être copiées le long de
toutes les 33 125 observations. Des formules utiles dans ce contexte comprennent : =SI(),
=Fin.Mois(), =RECHERCHEH(), =IFERROR (p.ex. si la recherche donne l'erreur #N/A), etc.
Les étapes finales pour résumer les données par date de déblocage et l'âge etc. exigeront
des tableaux dynamiques croisés.

© 2020 Frankfurt School of Finance & Management 3/4

CERM16-FR – Unité 4.1 – Étude de cas 1
7) 20% - Question bonus - Matrice de transition : Calculez la transition mensuelle entre
décembre 2018 et janvier 2019. Utilisez la méthode de la matrice de transition tenant
compte des remboursements du principal telle que décrite à la fin du chapitre 4.3 dans
l’Unité 4.1. Etablissez la matrice de transition jusqu’à 330-360+ jours par incréments
d'arriérés de 30 jours. Des soldes impactés par des arriérés au-dessus de 360 jours seront
à inclure dans la catégorie 330-360+.

Faites passer la matrice à travers le produit matriciel jusqu'à 12 mois. Dans le 12ième
produit matriciel trouvez les probabilités conditionnelles que les soldes du portefeuille
atteignent 91+ jours de retard après 12 transitions en fonction de leurs niveaux initiaux
d'arriérés.

Les livrables de l’étude de cas

1) Téléchargez un fichier Excel montrant votre travail et contenant les résultats des
calculs.
2) Renseignez le formulaire de soumission avec un texte libre format, où vous
précisez les résultats et interprétez vos analyses tâche par tâche (1-7) en ≤
1000 mots. Si vos formules et annotations dans le document Excel sont
suffisamment explicites, vous pouvez simplement insérer des références aux
onglets correspondants au lieu de répéter les détails ici dans le texte.

Veuillez télécharger votre réponse au site e-Campus au plus tard le 05 Novembre

Bonne chance !

S'il vous plaît veuillez respecter que les études de cas ne sont pas conçues comme un travail
de groupe. Vous pouvez discuter le devoir entre collègues et vous échanger sur l'approche,
mais à la fin chacun doit présenter sa propre solution indépendante. Nous rejetterons toute
soumission qui sera identifiée par notre de logiciel anti-plagiat comme faisant partie d'un
groupe de solutions fortement similaires.

© 2020 Frankfurt School of Finance & Management 4/4

CERM16-FR – Unité 4.1 – Étude de cas 1