Erm Gestion Actif Passif Bancaire 2017 Partie 4 1

Gestion Actif-Passif Bancaire
Alexandre Adam
alexandre.adam@bnpparibas.com
L’impression de ce document est-elle indispensable ? Si oui, pensez à imprimer plusieurs diapositives par feuille, en noir et blanc de préférence.
Plan du cours
A- Introduction
 Objectifs de l'ALM, organisation
 Définitions, Exemple de Bilan Bancaire, de compte de résultat
 Définitions. Exemples. Comptabilité et risque de taux, séparation des books.
 Trading Book, Banking Book
 Définition des sources de risque
B- La mesure et la gestion du risque de taux
C- La mesure et la gestion du risque de liquidité
D- Les modalités de transfert et de tarification des risques

 Le Taux de Cession Interne : décomposition par source de risque
 Transfert des risques par prêts/emprunts
E- La modélisation en ALM
 Les dépôts à vue
 Les remboursements Anticipés
Partie D
D.1 Tarification du Taux de cession interne
D.2 Taux de cession interne, Résultat ALM et Résultat commercial
D.1 Objectif du TCI Taux de cession interne
Obtenir des commerciaux une bonne tarification des risques
Transférer les risques de marché de l’entité commerciale vers l’ALM
Savoir différencier dans la performance, la part venant de la prise de risque

de marché (résultat ALM) et la part venant de l’activité commerciale
(résultat commercial)
TCI = Prix du risque de taux + Prix du risque de liquidité + Prix des options
Taux client = TCI + Marge commerciale
Résultat Banque = Résultat ALM + Résultat Commercial
Le résultat du commerce ne dépend que de la marge commerciale et plus des variables

de marché.
Le résultat ALM dépend des taux des actifs et passifs non commerciaux et en particulier
des taux des replacements au jour le jour.
Les risques sont transférés à l’ALM.
D.1 Calcul du Taux de cession Interne
Le TCI est le “prix de marché” du transfert des risques de l’entité commerciale vers l’ALM
TCI = Prix du risque de taux + Prix du risque de liquidité + Prix des options.
Pour une crédit à taux révisable à 10 ans :
 TCI = Euribor + coût de funding de la dette à Euribor à 10 ans
 TCI = Euribor + 0.10%
 Si je devais émettre de la dette à 10 ans, je devrais payer au marché Euribor +0.10%
Pour un crédit à taux fixe :
 TCI = Taux de Swap contre Euribor + coût de funding de la dette à Euribor
 TCI = 5.00% + 0.10%
 Si je devais émettre de la dette à taux fixe à 10 ans, je devrais payer au marché 5.10%
Pour un crédit immobilier avec option de RA :
 TCI = Taux de Swap contre Euribor + coût de funding de la dette à Euribor + coût de
l’option
 TCI = 5.00% + 0.10% + 0.50% = 5.60%
 Si je devais émettre de la dette à taux fixe à 10 ans en achetant des swaptions, je devrais
émettre de la dette à 5.10% et payer 0.50 % de coût d’option lissé de swaptions soit au
total payer un coût global de 5.60%
D.1 Taux de cession interne
Objectif 1 = Obtenir des commerciaux une bonne tarification des risques

 Le commercial propose à son client un taux de crédit basé sur le TCI
 Taux client = TCI + marge = 5.10% + 0.50% pour le crédit à taux fixe
 Taux client = TCI + marge = Euribor + 0.1% + 0.50% pour le crédit à taux
révisable
Objectif 2 = Transférer les risques de marché de l’entité commerciale vers l’ALM

 La marge du commercial est fixe pendant toute la durée de l’opération
 Marge pour le crédit à taux fixe = Taux client – TCI = 5.60 % - 5.1 % =
0.5%
 Marge pour le crédit à taux révisable = Taux client – TCI = Euribor + 0.60
% - Euribor -0.1 % = 0.5%
D.1 Taux de cession interne
Le TCI dépend de :
 La fréquence de paiement d’intérêt
 L’échéancier (maturité, échéancier bullet /amortissable…)
 De la nature du taux (fixe / révisable)
 De l’index (Euribor, EONIA…)
 …
Les TCI sont mis en place dans les systèmes d’information
Objectif 3 = Savoir différencier dans la performance, la part venant de la prise de risque de

marché (résultat ALM) et la part venant de l’activité commerciale (résultat commercial)
Résultat (Banque) = Actif * Taux client (Actif) - Passif * Taux client (Passif)
Résultat (Banque) = AC * TAC - PC * TPC + ANC * TANC - PNC * TPNC
Résultat (commercial) = AC * [TAC – TCIAC] - PC * [TCPC – TCIPC] = AC * MAC + PC * MPC
Résultat (ALM) = AC * TCIAC - PC * TCIPC + ANC * TANC - PNC * TPNC
Résultat Banque = Résultat ALM + Résultat Commercial
AC : Actifs commerciaux ANC : Actifs non commerciaux TAC : Taux Client Actifs commerciaux
PC : Passifs commerciaux PNC : Passifs non commerciaux TPC : Taux Client Passifs
commerciaux
TANC : Taux Client Actifs non commerciaux TCIAC : TCI Actifs commerciaux
TPNC : Taux Client Passifs non commerciaux TCIPC : TCI Passifs commerciaux
Le résultat du commerce ne dépend que de la marge commerciale et plus des

variables de marché.
Le résultat ALM dépend des taux des actifs et passifs non commerciaux et en
particulier des taux des replacements au jour le jour.
Les risques sont transférés à l’ALM.
10
Plan du cours
A- Introduction
 Objectifs de l'ALM, organisation
 Définitions, Exemple de Bilan Bancaire, de compte de résultat
 Définitions. Exemples. Comptabilité et risque de taux, séparation des books.
 Trading Book, Banking Book
 Définition des sources de risque
B- La mesure et la gestion du risque de taux
C- La mesure et la gestion du risque de liquidité
D- Les modalités de transfert et de tarification des risques

 Le Taux de Cession Interne : décomposition par source de risque
 Transfert des risques par prêts/emprunts
E- La modélisation en ALM
 Les dépôts à vue
 Les remboursements Anticipés
11
Partie E
E.1 Pourquoi modéliser ?

E.2 Modèles de marché
E.3 Modèles de comportement clientèle
E.4 Modèles de Remboursement Anticipé
E.5 Modèles de Dépôts à Vue
12
E.1 Objectif de la modélisation
Avis d’experts Modèles ALM

Bases de données historiques
Modèles de comportement clientèle
Modèles de simulation de marché
Impact sur le Business Indicateurs de risque de taux Impacts en Gestion

Pricing d’options client et de liquidité Opérations de marché
Campagnes Marketing
Impasses de taux et de liquidité Stratégies de diversification ALM
TCI
Équivalent Delta
Sensibilités de revenu
Stress Tests
Capital économique
Questions réglementaires et comptables: Calculs de Fair Value, de provisions…

13
E.1 Objectif de la modélisation
De la modélisation du comportement clientèle

 Crédits
 Produits sans échéance contractuelle
 Hors bilan
 Production nouvelle
… en liaison avec les simulations de marché…

 Modèles de taux
 Modèles de coûts de funding
… jusqu’à la représentation dans les indicateurs de risque.
14
E.1 Cycle de vie des modèles
L’implémentation des modèles se fait généralement en 3 phases:
 Phase 1: ANALYSE
 Implémentation de bases de données historiques
 Discussion avec les business managers locaux
 Phase 2: EXPERTISE
 Construction du modèle
 Analyse statistique descriptive et estimation des paramètres du modèle
 Contrôle indépendant
 Phase 3: BACKTEST
 Le modèle est revu et backtesté annuellement.
15
D.1 Modèles et systèmes d’information
Bases de données historiques

Données par type de client par caractéristiques financières
Contrat par contrat ou agrégées
Modèles de comportement
Équipe de modélisation + contrôle
Impasses de taux Sensibilité Impasses de TCI Systèmes

liquidité ALM
Équivalent Delta
locaux
16
E.2 Les modèles de Marché
Modélisation des marchés financiers

dr (t )  . t  rt    .dWt Q
Modèles de taux d’intérêt
Modèles à 1 facteur, à 2 facteurs
Modèles d’inflation et de taux réel
Modèle de coût de funding
dSwap(t , Tm , Tn )
  t ,Tm ,Tn .dWt Q (Tm ,Tn )
Swap(t , Tm , Tn )
Modèles de calculs de deltas
17
E.2 Simulation des taux
100 Interest rate scenarios
10,00%
9,00%
8,00%
7,00%
6,00%
5,00%
4,00%
3,00%
2,00%
1,00%
0,00%
18
E.3 Les modèles de comportement clientèle
10 MODELES
Remboursements anticipés (Crédits Immobiliers)
Crédits Défaut
Options Explicites (e.g. caps …)

Valeur résiduelle (Leasing)
Projection d’encours des dépôts à vue (Taux de

clôture)
Effets volume
Produits sans maturité contractuelle (Arbitrage entre livrets, Dépôts à vue, Dépôts à
terme)
Corrélation entre taux client et taux de marché
(Taux de dépôts)
(Taux de Carte)
Hors Bilan
Probabilité d’utiliser les lignes de crédit
Production Nouvelle
Délais de décaissement
(Délais entre taux de marché et taux clients)
Modèles de production nouvelle (effets volume effets
richesse…) 19
E.4 Remboursements Anticipés
Les remboursements anticipés de crédits immobilier (sans pénalité actuarielle) sont

très coûteux pour la banque
 Les couvertures de marchés sont débouclées avec des pénalités
actuarielles.
 La pénalité facturée au client ne peut dépasser 3% du CRD en France
 Italie : 1.5% maximum (Bersani)
 US : 0%
 Allemagne : 0% après 10 ans
Prenons un exemple
 en 1999 un client contracte un crédit 15 ans à 6% et la banque emprunte sur
les marchés à 5.5% pour couvrir ce crédit. La marge est de 0.5%.
 En 2008, les taux de marché ont baissé à 4%. Le client rembourse sans
pénalité son crédit. L’ALM pour couvrir sa position va être obligée de
replacer l’argent remboursé à 4%.
 Le client n’a aucun coût.
 La banque a un coût de 1.5% plus une perte de marge de 0.5%. Le tout
pendant toutes les années restantes du crédit.
20
E.4 Modélisation des remboursements anticipés
On distingue 2 sortes de remboursements anticipés :

 Les remboursements anticipés statistiques: déménagement, divorce,
chômage, invalidité.
 Les remboursements anticipés financiers : liés à un arbitrage de taux
lorsque les taux de marché ont baissé.
Le client a l’option de se faire refinancer son crédit à tout moment:

 Soit au travers d’un crédit avec la même banque (on parle de renégociation)
 Soit avec du cash (issu probablement d’un crédit octroyé par une banque
concurrente): remboursement anticipé financier
21
E.4 Base de données et modélisation
Pour modéliser les remboursements anticipés, il est nécessaire de construire une

base de données :
 Par génération, par type de crédit, par tranche de taux client
 Observation des remboursements anticipés, des renégociations et des
capitaux restant dus
Les deux variables explicatives sont principalement :

 L’âge des crédits
 La différence entre le taux client et les taux de marché long terme
22
E.4 Surface de probabilité de remboursement anticipé
A partir de la base de données, il est possible de calculer la probabilité qu’un crédit soit
remboursé par anticipation en fonction de son âge et de la différence de taux.
23
E.4 Backtesting du modèle de remboursement anticipé
Le backtest permet de comparer le modèle et l’histoire des

remboursements anticipés
Prepayments and Renegotiations for real estate credits (back-testing)

Réalisé
400
Millions €
350
300
Modèle
250
200
150
100
50
-
Jan-00
Jan-01
Jan-02
Jan-03
Jan-04
Jan-05
Jan-06
Jan-07
Sep-00
Sep-01
Sep-02
Sep-05
May-00
May-01
Sep-03
May-04
Sep-04
Sep-06
Sep-07
May-02
May-03
May-05
May-06
May-07
24
E.4 Utilisation du modèle de remboursement anticipé
En pratique, le modèle de remboursement anticipé est pris en compte :

 Dans les indicateurs d’impasses
 Dans l’indicateur de sensibilité
 Dans les indicateurs optionnels Delta equivalent computation
 Dans les indicateurs de stress 350 000
 Dans les TCI … 300 000

Liquidity schedule
Delta computation
Contractual schedule
250 000
200 000
in M€
150 000
100 000
50 000
25
E.4 Représentation des options dans les indicateurs Équivalent Delta
Pour gérer les risques dans le Trading Book, il est usuel de pratiquer le delta hedging, la couverture des options en delta neutre.
Dans le Trading Book, on appelle Delta la sensibilité de la valeur du portefeuille (PV) à une translation de la courbe des taux. C’est
une sensibilité.
PV
A chaque date t, il suffit de contracter des produits de taux (futurs,
t swaps) qui vont annuler le delta de mon portefeuille pour couvrir
en delta neutre. t 
Taux
La couverture en delta neutre d’une option de taux comptabilisée dans le Trading Book permet d’insensibiliser la valeur du
portefeuille et de sa couverture à un choc de taux. En dynamique, la couverture en delta neutre permet de répliquer la valeur de
l’option.
 2 PVt  2 2   2 2 
dPV
La variation de valeur du t   t .dTaux  0 
Trading Book avant couverture . en
2 
dTaux
delta  .dt  au
est égale  t . dTaux
 ...résultat issu de  .dt 
la couverture en delta plus un terme
résiduel proportionnel à la position de Gamma  Taux
du 
portefeuille. 2   2 
Une couverture en delta et gamma neutre Tpermet d’insensibiliser
T
 encoremieux
2
 la valeur du Trading Book.
PV (T )  PV (0)    t .dTaux   t . dTaux 2  .dt 
0 0  2 
26
E.4 Représentation des options dans les indicateurs Équivalent Delta en Banking Book
Dans le Banking Book, en ALM, on aura la même logique de couverture des options
clientèles (RA par exemple) si ce n’est que la couverture va s’adapter à la comptabilité.
E (Re s (T ) / Ft )
 t (T ) 
Dans le Banking Book, on appelle Delta la sensibilité de l’espérance du résultat comptable
Taux
à la date T à une translation de la courbe des taux.
Pour me couvrir en delta, il suffit à chaque date t, de contracter des swaplets forward de
montant Delta(T) qui vont annuler la sensibilité du résultat de mon portefeuille.
T T
   2
RES (T )  E ( RES (T ) / F )    (T ).dTaux    (T ). dTaux 
0 t .dt 
t
2
0  20 
Après couverture en delta neutre, le résultat comptable observé à la date T sera égal au
résultat comptable prévu dès la date 0 (plus un terme résiduel proportionnel à la position
de Gamma du portefeuille).
Une couverture en delta et gamma neutre permet d’insensibiliser encore mieux la valeur
du Banking Book.
27
E.4 Représentation des options dans les indicateurs
Équivalent Delta d’un portefeuille de crédits immobiliers
Le calcul de l’équivalent delta d’un portefeuille de crédits immobiliers se fait généralement

par Monte Carlo
•Option path dependant
•Pas de formules analytiques simples
Delta equivalent computation
350 000
Liquidity schedule
300 000
Re s (T )  K aprèsRA (T ).TauxClient  JJ T 
Delta computation
Contractual schedule
250 000
T 
200 000
Re s (T )  K contractuel _ avant _ RA (T ). 1  TxRAi .TauxClient  JJ T 
 i 1 
in M€
TxRAi   f TauxClient  TauxMarché (i ) 

150 000
100 000
E (Re s (T ) / Ft )
50 000  t (T ) 
Taux
-
28
E.5 Modèles de Ressources sans échéance (Dépôts à vue)
UN MODEL GLOBAL avec UNE SERIE DE PARAMETRES

avec des USAGES MULTIPLES
PROJECTION d’ENCOURS
Quantification de l’évolution du
nombre et de l’encours de DAV liés
aux clients actuels.
ECHEANCIER DE TAUX ECHEANCIER DE LIQUIDITE

Représentation dans l’impasse de Taux Représentation dans l’impasse de liquidité
29
E.5 Modèles de Ressources sans échéance - projection d’encours
La projection d’encours est à la base de la construction des échéanciers de taux

et de liquidité des dépôts à vue (rémunérés ou non).
La projection d’encours est basée sur la modélisation du comportement clientèle

et tient compte de :
 La probabilité de clôture des comptes (pour chaque segment
clientèle)
 L’effet « cycle de vie» (l’encours moyen par compte dépend de
l’ancienneté du compte)
 Les effets de transition (entre segments clientèle)
 Les effets « volume » (« arbitrages » entre produits d’épargne)
 L’effet « richesse » (croissance des encours avec le temps)
30
E.5 Bases de données
Constitution d’une base de données « micro » client par client ou par génération de client
Mois
observation
Clientèle
segment Encours
in €
200503 200504
195907 T4 Retail 22 177,00 1,00 25 096,00 1,00
195907 T6 Professionals 0,00 0,00 0,00 0,00
Génération 196509 A2 Professionals 9 896,00 1,00 9 663,00 1,00
196701 T1 Corporate 0,00 0,00 4 350,00 1,00
Clientèle Nombre de
catégorie comptes
Constitution de bases de données « macro » sur l’encours total

Constitution de bases de données sur la rémunération historique
31
E.5 Taux de clôture et effet cycle de vie
Le modèle donne la probabilité de clôture des comptes et la vitesse de croissance

attendue de l’encours moyen
Retailpar compte
Category en and
- Closure Rate fonction de l’ancienneté
Average Amount
By Account Age
per Account :
12% 12 000
Yearly closure rate Average amount per account
10% 10 000
Average amount per account

(% of number of accounts)
8% 8 000
Yearly Closure Rate
(in euros)
6% 6 000
4% 4 000
2% 2 000
0% -
13
15
21
25
27
39
11
17
19
23
29
31
33
35
37
1
Account Age (years)
32
E.5 Projection d’encours
L’objectif de la projection d’encours est la quantification de l’évolution du nombre et de

l’encours de DAV liés aux clients actuels.
100%
90%
80%
70%
60% Schedule in amounts

Schedule in numbers
50%
40%
30%
20%
10%
0%
Horizon
33
E.5 Projection d’encours
50% des encours de DAV (liés aux clients existant) vont rester dans le bilan à horizon
12 ans.
 25% pour les Corporates
 10% pour les Public Administrations
Amount Projections
(Starting point = September 2007)
100%
Retail
90% Corporate
Public Administrations
80%
70%
% of initial amount
60%
50%
40%
30%
20%
10%
0%
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44
Horizon (Years)
34
E.5 Projection d’encours : effets richesse et volume
Average amount by account (in €) - Wealth effect for Retail Category
16 000
14 000
L’ « effet richesse » est lié à la

12 000
croissance de l’économie.
10 000
8 000
6 000
4 000
2 000
ja 02
ja 0 4
m -02
ju 2
se 02
no 3
ja 0 3
m -04
no 4
m -05
ja 05
m -06
no 6
ja 06
m -07
7
no 2
m -03
s e 03
ju 4
s e 04
m 5
ju 5
se 05
no 5
ju 6
s e 06
m 2
m 3
m 4
m 6
m 7
-0
-0
-0
-0
-0
-0
-0
0
-0
-0
0
-0
-0
0
0
v-
v-
v-
v-
v-
il-
il-
il-
il-
il-
s-
s-
s-
s-
s-
s-
nv
pt
pt
nv
pt
nv
pt
nv
pt
ai
ai
nv
nv
ai
ai
ai
ai
ju
ar
ar
ar
ar
ar
ar
ja
Les « effets volume » représentent Volume effect estimation
l’influence des mouvements des taux sur les 70.00%
arbitrages client entre ses différents 65.00%
comptes. ratio M1/M3

60.00%
55.00%
50.00%
45.00%
40.00%
0% 2% 4% 6% 8% 10% 12% 14% 16% 18%
market rate
35
E.5 Backtests
12 000
12%
Le modèle peut être backtesté. Closing Rate – 2006 Model

Average amount – 2006 Model
Closing Rate – 2007 Model
Average amount – 2007 Model
10 000
 Comparaison des paramètres d’une année

10%
sur l’autre
8 000
8%
Average amount
Closing rate
 Vérification de l’efficience du modèle d’un an
6 000
6%
sur l’autre 4%
4 000
2 000
2%
-
0%
29
35
31
33
37
17
19
25
27
11
13
15
21
23
1
9
Seniority
Total amount Model
En In MM€
Realised January 2007 January 2007 from January 2006
error
encours TOTAL 27,0 26,2 3,1%
Retail 15,7 15,7 0,2%

Pro. 6,8 6,6 2,9%
Corporate 4,5 3,9 14,8%
En
nombres Number of accounts
In thousands
Realised January 2007 January 2007 from January 2006 Model
error
TOTAL 4 902 4 913 0,2%
Retail 3 988 4 006 0,5%

Pro. 852 849 0,3%
Corporate 62 58 8,0%
36
E.5 Modèles, échéanciers de taux et de liquidité
Le modèle est l’ensemble de paramètre qui permettent de projeter les encours tout en
connaissant l’incertitude sur la projection de ces encours.
L’échéancier de taux et l’échéancier de liquidité des DAV sont leur représentation dans les
indicateurs de risque (impasse de taux et de liquidité)
Si les DAV devaient être représentés comme la somme d’une dette indexée sur l’Eonia plus
un swap Taux fixe contre Eonia, l’échéancier de liquidité serait l’échéancier de la dette et
l’échéancier de taux serait l’échéancier du swap.
DD = Dette Amortissable + Swap Amortissable (Chacun avec un échéancier différent)
Échéancier de liquidité Échéancier de taux
37
E.5 Modélisation du taux client
L’objectif de la modélisation du taux client est de mesurer la corrélation entre

les taux clientèle et les taux de marché en vue d’en déduire les échéanciers
de taux.
La modélisation du taux clientèle tient compte de nombreux éléments:

 Segment clientèle
 Effets régionaux
 Effet des mouvements des taux de marché et de l’inflation sur les taux
clients (en tenant compte des effets retard)
Exemple en France du Taux du Livret A
38
E.5 Modélisation du taux client – exemple italien
Les taux clients italiens dépendent des taux de marché
Market rate
 Relation de long terme
rt*   LT   LT rmt
Target customer rate (at the long term equilibrium)
Effective customer rate
 Relation de court terme
p 1 q 1
rt   ( rt  rt* )    r
i 1
i t i  
k 0
k rm t  k  ut
Amount projection and Interest rate schedule
Compared Evolution
Italian deposit rate / Market rates
18% 100%
90%
16%
80%
14%
70%
% Initial Amount
12% Amount projection (blue)
60%
10%
50%
8% 40%
6% 30% Interest Rate Schedule (red)
4% 20%
10%
2%
0%
0% 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60
Demand deposit account seniority
Deposit average customer rate Libor Italia 3 month 39
E.5 Les DAV : Un modèle, 3 échéanciers
Demand deposits : 3 schedules
60 000
The existing customers will still represent
10 MM€ in the Demand Deposit total at
Taking into account closure rate and
horizon 30 years.
average amount by account growth
50 000
Amount Projection This figure goes to 3 MM€ with a 1

standard deviation confidence interval : in
Liquidity Schedule 80% of the cases, the existing customers
40 000
Interest Rate Schedule will represent more than 3MM€ in the
Demand Deposit total at horizon 30 years.
30 000
Taking into account uncertainties in the liquidity

Taking into account the customer flight risk in case
of crisis
20 000
Taking into account a Customer / Market rate

correlation of 60%
10 000 + volume effects
The correlation between + interest rate risk specific uncertainty sources
customer rate and market
rate is progressive
-
Horizon
40
Bibliographie
Risk Management / Asset and Liability Management

 Adam, A. (2007), Handbook of Asset and Liability Management, Wiley
 Augros, Queruel (2000), Risque de Taux d’intérêt et Gestion Bancaire,
Economica
 Bessis, J. (2002). Risk Management in Banking, Wiley.
 Crouhy, Galai, Mark (2001) Risk Management, McGraw-Hill
 Demey P., Frachot A. et Riboulet G. (2003). Introduction à la Gestion Actif-passif
bancaire, Economica.
 Dubernet (1997) Gestion Actif Passif et Tarification des services bancaires,
Economica
 Dupré, D. et El Babsiri, M. (1997). ALM: techniques pour la gestion actif-passif,
Editions Eska.
 Roncalli T. (2001). Introduction à la Gestion des Risques, cours 3ème année
ENSAI.
 van Deventer, D. and Messler, I. (2004). Advanced Financial Risk Management,
Wiley.
 Zenios, S. (2005). Handbook of Asset and Liability Management, Elsevier.
41
Bibliographie (2)
Comité de Bâle (www.bis.org)

 Amendment to the capital accord to incorporate market risks, Basle Committe
on Banking Supervision, January 1996, n°24
 Basel Committee On Banking Supervision (2004). “Principles for the
Management and Supervision of Interest Rate Risk”.
 Basel Committee on Banking Supervision (2004). International convergence of
capital measurement and capital standards: a revised framework.
Modèles de taux
 Brigo, D., Mercurio, F. (2001). Interest-Rate Models: Theory and Practice,
Springer-Verlag.
 Rebonato, R., Volatility and Correlation, The perfect Hedger and the Fox, Wiley
& Sons.
Mesures de risque
 Artzner, Delbaen, Eber, Heath (1999) Coherent measures of risk, Mathematical
Finance, 9, 203-228
 Jorion (2001), Value at Risk : The new Benchmark for Controlling Market Risks,
2ème édition, McGraw-Hill
 Guldimann, RiskmetricsTM technical document, JP Morgan
42

Erm Gestion Actif Passif Bancaire 2017 Partie 4 1

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

Erm Gestion Actif Passif Bancaire 2017 Partie 4 1

Transféré par

Droits d'auteur :

Formats disponibles

Gestion Actif-Passif Bancaire

B- La mesure et la gestion du risque de taux

C- La mesure et la gestion du risque de liquidité

D- Les modalités de transfert et de tarification des risques

D.1 Tarification du Taux de cession interne

D.2 Taux de cession interne, Résultat ALM et Résultat commercial

Obtenir des commerciaux une bonne tarification des risques

Transférer les risques de marché de l’entité commerciale vers l’ALM

Savoir différencier dans la performance, la part venant de la prise de risque

Le résultat du commerce ne dépend que de la marge commerciale et plus des variables

Les risques sont transférés à l’ALM.

Objectif 1 = Obtenir des commerciaux une bonne tarification des risques

Objectif 2 = Transférer les risques de marché de l’entité commerciale vers l’ALM

Les TCI sont mis en place dans les systèmes d’information

Objectif 3 = Savoir différencier dans la performance, la part venant de la prise de risque de

Résultat (Banque) = AC * TAC - PC * TPC + ANC * TANC - PNC * TPNC

Résultat (commercial) = AC * [TAC – TCIAC] - PC * [TCPC – TCIPC] = AC * MAC + PC * MPC

Résultat (ALM) = AC * TCIAC - PC * TCIPC + ANC * TANC - PNC * TPNC

Résultat Banque = Résultat ALM + Résultat Commercial

Le résultat du commerce ne dépend que de la marge commerciale et plus des

Les risques sont transférés à l’ALM.

B- La mesure et la gestion du risque de taux

C- La mesure et la gestion du risque de liquidité

D- Les modalités de transfert et de tarification des risques

E.1 Pourquoi modéliser ?

Avis d’experts Modèles ALM

Impact sur le Business Indicateurs de risque de taux Impacts en Gestion

Questions réglementaires et comptables: Calculs de Fair Value, de provisions…

De la modélisation du comportement clientèle

… en liaison avec les simulations de marché…

… jusqu’à la représentation dans les indicateurs de risque.

L’implémentation des modèles se fait généralement en 3 phases:

Bases de données historiques

Impasses de taux Sensibilité Impasses de TCI Systèmes

Modélisation des marchés financiers

Modèles de calculs de deltas

100 Interest rate scenarios

Remboursements anticipés (Crédits Immobiliers)

Options Explicites (e.g. caps …)

Projection d’encours des dépôts à vue (Taux de

Les remboursements anticipés de crédits immobilier (sans pénalité actuarielle) sont

On distingue 2 sortes de remboursements anticipés :

Le client a l’option de se faire refinancer son crédit à tout moment:

Pour modéliser les remboursements anticipés, il est nécessaire de construire une

Les deux variables explicatives sont principalement :

Le backtest permet de comparer le modèle et l’histoire des

Prepayments and Renegotiations for real estate credits (back-testing)

En pratique, le modèle de remboursement anticipé est pris en compte :

 Dans les indicateurs de stress 350 000

 Dans les TCI … 300 000

à la date T à une translation de la courbe des taux.

Le calcul de l’équivalent delta d’un portefeuille de crédits immobiliers se fait généralement

TxRAi   f TauxClient  TauxMarché (i ) 

UN MODEL GLOBAL avec UNE SERIE DE PARAMETRES

ECHEANCIER DE TAUX ECHEANCIER DE LIQUIDITE

La projection d’encours est à la base de la construction des échéanciers de taux

La projection d’encours est basée sur la modélisation du comportement clientèle

Constitution de bases de données « macro » sur l’encours total

Le modèle donne la probabilité de clôture des comptes et la vitesse de croissance

Yearly closure rate Average amount per account

Average amount per account

Account Age (years)

L’objectif de la projection d’encours est la quantification de l’évolution du nombre et de