Le Machine Learning est-il une solution envisageable pour les Reverse Stress tests ?

Depuis 2008, les stress tests n’ont cessé de s’imposer dans le pilotage des risques (marché, crédit, liquidité, contrepartie…), sur la base de scénarios historiques ou hypothétiques.

Bien que la plupart des banques aient implémenté aujourd’hui un cadre robuste de stress testing, les dispositifs actuels échouent encore à identifier de façon exhaustive tous les scénarios plausibles pouvant conduire à une perte colossale ou à un défaut.

Le Reverse Stress Test permet de combler ce défaut majeur et intervient comme un outil complémentaire au cadre de stress test traditionnel.

En pratique, la réalisation d’un test de résistance inversé présente de nombreuses difficultés en particulier sur les aspects méthodologiques, à savoir l’inversement de la fonction permettant le calcul des niveaux de pertes à partir des scénarios et le choix d’un scénario cohérent et plausible parmi ceux identifiés.

Ces problèmes peuvent être adressés par CoDPy, notre solution de Machine Learning qui fournit des résultats interprétables et reproductibles. Ce document résume les enjeux et les étapes clés nécessaires pour l’implémentation des tests de résistance inversés, notre solution, et nos résultats obtenus après une étude sur des portefeuilles linéaires et non-linéaires