Machine Learning and IRB Capital Requirements: Advantages, Risks, and Recommendations

Machine Learning et Modèles IRB: Avantages, Risques et Préconisations

Christophe Hurlin and Christophe Pérignon ()
Additional contact information
Christophe Pérignon: GREGH - Groupement de Recherche et d'Etudes en Gestion à HEC - HEC Paris - Ecole des Hautes Etudes Commerciales - CNRS - Centre National de la Recherche Scientifique

Working Papers from HAL

Abstract: L'objectif de cette étude est de proposer une réflexion théorique et pratique sur les enjeux de l'utilisation des méthodes d'apprentissage automatique (Machine Learning) dans le cadre spécifique des modèles de risque de crédit basés sur les notations internes (IRB), permettant le calcul des fonds propres réglementaires des banques. Si le ML est aujourd'hui encore peu utilisé dans le domaine réglementaire (IRB, IFRS9, stress tests), les récentes discussions initiées par l'Autorité Bancaire Européenne (EBA) laissent penser que cet usage pourrait se développer dans le futur. Bien que techniquement complexe, ce sujet est crucial compte tenu des craintes pour la stabilité financière que soulèvent l'utilisation de modèles internes sophistiqués et opaques pour la gestion des fonds propres. A l'inverse, pour leurs défenseurs, ces modèles offrent la perspective de mieux mesurer le risque de crédit et d'ouvrir de nouvelles perspectives en termes d'inclusion financière. De cette étude, ressortent plusieurs conclusions et recommandations concernant (i) les enjeux de concurrence bancaire internationale liés aux données utilisées par ces modèles, (ii) l'amélioration de la précision dans l'estimation des paramètres de risque, (iii) la réduction des fonds propres réglementaires pour les banques, (iv) la nécessité de remettre en cause l'arbitrage entre performance et interprétabilité, et de développer dans ce contexte des modèles de ML nativement interprétables et (v) le défi de la gouvernance, des risques opérationnels et de la formation.

Keywords: Machine Learning; Réglementation prudentielle bancaire; Modèles internes; Capital réglementaire.; IRB; Probabilité de défaut (search for similar items in EconPapers)
Date: 2023-11-01
Note: View the original document on HAL open archive server: https://shs.hal.science/halshs-04518248
References: Add references at CitEc
Citations:

Published in Institut Louis Bachelier. 2023

Downloads: (external link)
https://shs.hal.science/halshs-04518248/document (application/pdf)

Related works:
Working Paper: Machine Learning and IRB Capital Requirements: Advantages, Risks, and Recommendations (2023)
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:hal:wpaper:halshs-04518248

Access Statistics for this paper

More papers in Working Papers from HAL
Bibliographic data for series maintained by CCSD ().