{"id":1408670,"date":"2026-11-17T14:02:53","date_gmt":"2026-11-17T14:02:53","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=1408670"},"modified":"2026-11-17T14:02:53","modified_gmt":"2026-11-17T14:02:53","slug":"resolution-n-4966-de-la-cmn-bresilienne-relative-a-la-norme-ifrs-9-votre-modele-permet-il-de-differencier-les-risques-ou-se-contente-t-il-de-calculer-correctement-la-moyenne","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/brazilian-cmn-resolution-4966-ifrs-9-does-your-model-differentiate-risk-or-just-get-the-average-right\/","title":{"rendered":"R\u00e9solution n\u00b0 4 966 de la CMN br\u00e9silienne (IFRS 9) : votre mod\u00e8le permet-il de diff\u00e9rencier les risques ou se contente-t-il de calculer correctement la moyenne ?"},"content":{"rendered":"<div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-blend:overlay;--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-text fusion-text-1\"><p>Le paradoxe financier : un mod\u00e8le de perte de cr\u00e9dit attendue peut-il \u00eatre correctement calibr\u00e9 tout en s'av\u00e9rant peu utile pour \u00e9tayer les d\u00e9cisions ?<\/p>\n<p>Dans le cadre de projets r\u00e9cents men\u00e9s avec des institutions financi\u00e8res br\u00e9siliennes, nous avons constat\u00e9 que certains mod\u00e8les produisaient des estimations globales raisonnables, mais peinaient \u00e0 distinguer les pr\u00eats \u00e0 haut risque de ceux \u00e0 faible risque. Dans un cas pr\u00e9cis, une r\u00e8gle a permis d\u2019identifier 80 % des futurs d\u00e9faillants, mais a \u00e9galement signal\u00e9 comme probl\u00e9matiques 73 % des clients qui resteraient \u00e0 jour dans leurs paiements. Dans un autre cas, la corr\u00e9lation entre la perte en cas de d\u00e9faut (LGD) pr\u00e9vue et la LGD effective \u00e9tait pratiquement nulle, ce qui indique que le mod\u00e8le parvenait \u00e0 peine \u00e0 classer les pr\u00eats par niveau de risque.<\/p>\n<p>Ce point rev\u00eat une importance particuli\u00e8re lors de l'examen des mod\u00e8les mis en \u0153uvre en vertu de r\u00e9solutions telles que la r\u00e9solution n\u00b0 4 966\/2021 du CMN br\u00e9silien, qui s'aligne sur la norme IFRS 9. Avant d\u2019aborder les algorithmes, il convient de d\u00e9terminer si le r\u00e9sultat \u00e9conomique sous-jacent a \u00e9t\u00e9 correctement d\u00e9fini, si les data permettent de le reconstituer et, surtout, si le mod\u00e8le est capable de diff\u00e9rencier les risques au niveau de chaque pr\u00eat.<\/p>\n<p>C'est ce qui peut transformer un mod\u00e8le \u00e9labor\u00e9 pour r\u00e9pondre \u00e0 une exigence r\u00e9glementaire en un outil d\u00e9cisionnel efficace.<\/p>\n<p><strong>Avant d'am\u00e9liorer le mod\u00e8le, nous avons d\u00fb reformuler le probl\u00e8me.<\/strong><\/p>\n<p>La LGD mesure la part de l'exposition de cr\u00e9dit perdue en cas de d\u00e9faut de paiement d'un pr\u00eat. Dans le cadre d'un projet de ce type, nous nous attendions \u00e0 identifier des possibilit\u00e9s d'am\u00e9lioration du mod\u00e8le existant. Au lieu de cela, nous avons d\u00e9couvert que le probl\u00e8me le plus important r\u00e9sidait dans la mani\u00e8re m\u00eame dont la LGD \u00e9tait mesur\u00e9e.<\/p>\n<p>Le mod\u00e8le pr\u00e9c\u00e9dent suivait les recouvrements depuis un peu plus d'un an et appliquait des r\u00e8gles de traitement qui influaient pr\u00e9cis\u00e9ment sur la LGD qu'il \u00e9tait cens\u00e9 estimer. Notre premi\u00e8re d\u00e9cision a donc \u00e9t\u00e9 de cesser de d\u00e9battre des algorithmes et de reconstruire la variable cible.<\/p>\n<p>Nous avons examin\u00e9 \u00e0 quel moment les recouvrements avaient effectivement eu lieu, l'avantage marginal d'une prolongation de la p\u00e9riode de restructuration, quels \u00e9taient les co\u00fbts li\u00e9s \u00e0 ces recouvrements, et comment la valeur temporelle de l'argent devait \u00eatre prise en compte dans le calcul. Nous avons prolong\u00e9 la p\u00e9riode de restructuration \u00e0 72 mois.<\/p>\n<p>Ce changement a r\u00e9solu un probl\u00e8me, mais en a cr\u00e9\u00e9 un autre : les d\u00e9fauts de paiement les plus r\u00e9cents n'avaient pas encore six ans d'ant\u00e9c\u00e9dents. Plut\u00f4t que de simplement les exclure, nous avons explicitement pris en compte les recouvrements qui n'avaient pas encore \u00e9t\u00e9 observ\u00e9s avant de reprendre la mod\u00e9lisation.<\/p>\n<p>Dans un segment du commerce de d\u00e9tail, le MAE est pass\u00e9 de 37 % \u00e0 20 %, soit une baisse de 48 %. Plus important encore pour la diff\u00e9renciation des risques, la corr\u00e9lation de Spearman entre la LGD pr\u00e9vue et la LGD r\u00e9alis\u00e9e est pass\u00e9e de pratiquement z\u00e9ro \u00e0 0,94.<\/p>\n<p>La le\u00e7on \u00e0 tirer de ce projet est simple : un meilleur algorithme ne peut pas compenser une cible mal con\u00e7ue.<\/p>\n<p><strong>La complexit\u00e9 n'a de sens que si elle permet d'obtenir des r\u00e9sultats.<\/strong><\/p>\n<p>La question de l'explicabilit\u00e9 revient dans presque toutes les conversations que nous avons avec les \u00e9quipes charg\u00e9es de la gestion des risques. C'est pourquoi nous ne choisissons pas syst\u00e9matiquement l'algorithme le plus complexe.<\/p>\n<p>Nous testons diff\u00e9rentes approches et nous posons une question pr\u00e9cise : qu'apportent-nous cette complexit\u00e9 suppl\u00e9mentaire ?<\/p>\n<p>Il peut s'agir d'une r\u00e9duction significative de l'erreur hors \u00e9chantillon, d'une meilleure diff\u00e9renciation entre les pr\u00eats ou de toute autre am\u00e9lioration mesurable. Si le gain est faible, l'explicabilit\u00e9, la stabilit\u00e9 et la facilit\u00e9 de maintenance prennent le dessus.<\/p>\n<p><strong>Cela modifie \u00e9galement la mani\u00e8re dont nous \u00e9laborons nos mod\u00e8les.<\/strong><\/p>\n<p>Nous travaillons aux c\u00f4t\u00e9s des \u00e9quipes de chaque \u00e9tablissement d\u00e8s les premi\u00e8res d\u00e9cisions structurelles : d\u00e9finitions des notions de d\u00e9faut et de retour \u00e0 la normale, segmentation, s\u00e9lection des variables, dur\u00e9es de restructuration et strat\u00e9gie de validation. Cela permet d\u2019int\u00e9grer une connaissance m\u00e9tier qui pourrait ne pas \u00eatre refl\u00e9t\u00e9e dans les data, tout en permettant \u00e0 l\u2019\u00e9quipe en charge de comprendre pourquoi le mod\u00e8le produit une estimation donn\u00e9e.<\/p>\n<p>Nous ne souhaitons pas vous livrer une \u00ab bo\u00eete noire \u00bb dont seul l'\u00e9quipe de consultants serait en mesure de vous expliquer le fonctionnement.<\/p>\n<p><strong>Ce que nous avons constat\u00e9 et ce qui a chang\u00e9 :<\/strong><\/p>\n<ul>\n<li><strong>LGD avec une capacit\u00e9 limit\u00e9e \u00e0 distinguer les diff\u00e9rents types de pr\u00eats<\/strong><br \/>\nNous avons r\u00e9examin\u00e9 la cible, la p\u00e9riode d'entra\u00eenement, la segmentation et les mod\u00e8les. L'erreur moyenne absolue (MAE) est pass\u00e9e de 37 % \u00e0 20 %, tandis que la corr\u00e9lation de Spearman est pass\u00e9e de pratiquement z\u00e9ro \u00e0 0,94.<\/li>\n<li><strong>R\u00e8gle de d\u00e9cision en mati\u00e8re de cr\u00e9dit qui rejette un trop grand nombre de clients solvables<br \/>\n<\/strong>Nous avons \u00e9labor\u00e9 des estimations de la probabilit\u00e9 de d\u00e9faut (PD) au niveau des pr\u00eats et r\u00e9vis\u00e9 le seuil de d\u00e9cision. Tout en continuant \u00e0 identifier 80 % des futurs d\u00e9faillants, le taux de faux positifs est pass\u00e9 de 73 % \u00e0 31 %.<\/li>\n<li><strong>La complexit\u00e9 du mod\u00e8le rend son explication et sa maintenance difficiles<br \/>\n<\/strong>Nous avions besoin de gains mesurables pour justifier cette complexit\u00e9 suppl\u00e9mentaire et avons d\u00e9velopp\u00e9 les mod\u00e8les en collaboration avec l'\u00e9quipe interne. Le r\u00e9sultat a \u00e9t\u00e9 un mod\u00e8le compr\u00e9hensible pour les personnes charg\u00e9es de l'utiliser et de le d\u00e9fendre.<\/li>\n<\/ul>\n<p>Un meilleur mod\u00e8le de gestion des risques peut permettre d'accorder davantage de cr\u00e9dits<\/p>\n<p>C'est l\u00e0 la conclusion contre-intuitive issue d'un autre projet.<\/p>\n<p>La r\u00e8gle en vigueur au sein de l'\u00e9tablissement permettait d'identifier 80 % des futurs d\u00e9biteurs d\u00e9faillants. Le probl\u00e8me \u00e9tait que, pour ce faire, elle classait \u00e9galement comme \u00ab \u00e0 risque \u00bb 73 % des clients qui resteraient \u00e0 jour dans leurs paiements.<\/p>\n<p>Notre mod\u00e8le de PD a atteint une AUC de 0,82. En maintenant le taux de rappel \u00e0 80 %, le taux de faux positifs pourrait descendre \u00e0 31 %, soit une r\u00e9duction de 42 points de pourcentage.<\/p>\n<p>Avec un seuil diff\u00e9rent, tout en conservant le m\u00eame nombre de rejets, le mod\u00e8le pourrait porter \u00e0 98 % la proportion de futurs d\u00e9faillants identifi\u00e9s.<\/p>\n<p>Lorsque nous avons pr\u00e9sent\u00e9 les r\u00e9sultats \u00e0 la direction de l'\u00e9tablissement, la discussion a d\u00e9pass\u00e9 le cadre de l'AUC et de l'\u00e9talonnage.<\/p>\n<p>Le client lui-m\u00eame a identifi\u00e9 d'autres utilisations possibles de l'analyse pr\u00e9dictive : rendre les d\u00e9cisions du comit\u00e9 de cr\u00e9dit plus objectives, aider \u00e0 justifier les acceptations et les refus, r\u00e9duire l'influence du pouvoir discr\u00e9tionnaire individuel et fournir aux clients une explication plus d\u00e9taill\u00e9e en cas de refus de cr\u00e9dit.<\/p>\n<p>C'est \u00e0 ce stade qu'un projet de mise en conformit\u00e9 commence \u00e0 g\u00e9n\u00e9rer de la valeur ajout\u00e9e pour l'entreprise.<\/p>\n<p>Les banques ont d\u00e9j\u00e0 r\u00e9alis\u00e9 d'importants investissements pour se conformer \u00e0 la r\u00e9solution n\u00b0 4 966 du CMN. Ces m\u00eames data, mod\u00e8les et infrastructures mis en place pour assurer la conformit\u00e9 r\u00e9glementaire peuvent servir \u00e0 l'approbation des cr\u00e9dits, \u00e0 la fixation des limites de cr\u00e9dit, \u00e0 la tarification, au recouvrement et \u00e0 la gestion de portefeuille.<\/p>\n<p>Il y a toutefois une condition : le mod\u00e8le doit permettre de diff\u00e9rencier les risques, et non pas se contenter de reproduire la perte moyenne.<\/p>\n<p>Pour un \u00e9tablissement dont les mod\u00e8les de risque de cr\u00e9dit sont d\u00e9j\u00e0 en production, nous vous recommandons de commencer cet examen par une question simple :<\/p>\n<p>Lorsque l'on classe les pr\u00eats du plus faible au plus \u00e9lev\u00e9 en fonction de leur PD ou LGD pr\u00e9vue, les pertes observ\u00e9es augmentent-elles comme elles le devraient ?<\/p>\n<p>Si le mod\u00e8le calcule correctement la moyenne mais ne parvient pas \u00e0 hi\u00e9rarchiser les risques, l'analyse n'est pas termin\u00e9e.<\/p>\n<p><span style=\"text-decoration: underline;\">Glossaire<\/span>:<\/p>\n<ul>\n<li><strong>R\u00e9solution n\u00b0 4 966\/2021 du CMN<\/strong>: un r\u00e8glement publi\u00e9 par le Conseil mon\u00e9taire national du Br\u00e9sil qui aligne la comptabilisation des instruments financiers au Br\u00e9sil sur la norme IFRS 9 et impose la constitution de provisions fond\u00e9es sur les pertes de cr\u00e9dit attendues.<\/li>\n<li><strong>Perte de cr\u00e9dit attendue (ECL)<\/strong>: estimation du montant qu'un \u00e9tablissement financier s'attend \u00e0 perdre sur un pr\u00eat, calcul\u00e9e \u00e0 partir de la probabilit\u00e9 de d\u00e9faut (PD), de la perte en cas de d\u00e9faut (LGD) et de l'exposition au risque (EAD).<\/li>\n<li><strong>PD (probabilit\u00e9 de d\u00e9faut)<\/strong>: la probabilit\u00e9 qu'un emprunteur ou un pr\u00eat <strong>par d\u00e9faut<\/strong> sur un horizon temporel d\u00e9fini.<\/li>\n<li><strong>LGD (perte en cas de d\u00e9faut)<\/strong>: la part d'une exposition de cr\u00e9dit qu'un \u00e9tablissement financier perd en d\u00e9finitive \u00e0 la suite d'un d\u00e9faut de paiement, d\u00e9duction faite des recouvrements.<\/li>\n<li><strong>EAD (exposition en cas de d\u00e9faut)<\/strong>: le montant expos\u00e9 au risque de cr\u00e9dit au moment du d\u00e9faut.<\/li>\n<li><strong>Par d\u00e9faut<\/strong>: le seuil \u00e0 partir duquel un pr\u00eat est consid\u00e9r\u00e9 comme en situation de d\u00e9faut selon les crit\u00e8res de l'\u00e9tablissement et les dispositions r\u00e9glementaires applicables.<\/li>\n<li><strong>Rem\u00e8de<\/strong>: le retour d'un pr\u00eat en d\u00e9faut de paiement \u00e0 un statut de pr\u00eat performant.<\/li>\n<li><strong>S\u00e9ance d'entra\u00eenement<\/strong>: p\u00e9riode durant laquelle un \u00e9tablissement financier suit les recouvrements intervenant apr\u00e8s un d\u00e9faut de paiement afin de mesurer les pertes effectives.<\/li>\n<li><strong>\u00c9talonnage<\/strong>: la capacit\u00e9 d'un mod\u00e8le \u00e0 estimer avec pr\u00e9cision le niveau moyen de risque ou de perte du portefeuille.<\/li>\n<li><strong>Discrimination<\/strong>: la capacit\u00e9 d'un mod\u00e8le \u00e0 distinguer les pr\u00eats \u00e0 haut risque de ceux \u00e0 faible risque.<\/li>\n<li><strong>AUC (aire sous la courbe)<\/strong>: un indicateur de discrimination allant de 0,5 (classification al\u00e9atoire) \u00e0 1 (s\u00e9paration parfaite) entre les emprunteurs qui honorent leurs engagements et ceux qui sont en d\u00e9faut de paiement.<\/li>\n<li><strong>Corr\u00e9lation de Spearman<\/strong>: permet de d\u00e9terminer si le classement des pr\u00e9visions du mod\u00e8le correspond au classement des r\u00e9sultats observ\u00e9s ; les valeurs proches de 1 indiquent un meilleur classement des risques.<\/li>\n<li><strong>MAE (erreur absolue moyenne)<\/strong>: la diff\u00e9rence absolue moyenne entre les valeurs pr\u00e9vues et les valeurs observ\u00e9es.<\/li>\n<li><strong>Rappel (sensibilit\u00e9)<\/strong>: le pourcentage de futurs d\u00e9faillants que le mod\u00e8le identifie correctement.<\/li>\n<li><strong>Faux positif<\/strong>: un client class\u00e9 comme pr\u00e9sentant un risque \u00e9lev\u00e9 mais qui, en r\u00e9alit\u00e9, reste \u00e0 jour dans ses paiements.<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"<p>Dans le cadre de projets r\u00e9cents men\u00e9s avec des institutions financi\u00e8res br\u00e9siliennes, nous avons constat\u00e9 que certains mod\u00e8les produisaient des estimations globales raisonnables, mais peinaient \u00e0 distinguer les pr\u00eats \u00e0 haut risque de ceux \u00e0 faible risque. Dans un cas pr\u00e9cis, une r\u00e8gle a permis d\u2019identifier 80 % des futurs d\u00e9faillants, mais a \u00e9galement signal\u00e9 comme probl\u00e9matiques 73 % des clients qui resteraient \u00e0 jour dans leurs paiements. Dans un autre cas, la corr\u00e9lation entre la perte en cas de d\u00e9faut (LGD) pr\u00e9vue et la LGD effective \u00e9tait pratiquement nulle, ce qui indique que le mod\u00e8le parvenait \u00e0 peine \u00e0 classer les pr\u00eats par niveau de risque.<\/p>","protected":false},"featured_media":1408671,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1408670","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/1408670","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/1408671"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=1408670"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=1408670"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=1408670"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}