Méthodes Econométriques pour la Modélisation des Risques Multiples – MultiRisk

Le projet MLEforRisk s'appuie sur une approche méthodologique visant à articuler étroitement économétrie financière et apprentissage automatique afin de renouveler les outils de mesure du risque de crédit, de marché et de liquidité. L'approche consiste à dépasser l'opposition entre modèles économétriques interprétables mais restrictifs et algorithmes de ML flexibles mais opaques, en développant des cadres hybrides combinant performance prédictive, interprétabilité et rigueur statistique, tout en restant compatibles avec les contraintes opérationnelles et réglementaires du secteur financier.

Dans le domaine du risque de crédit, les méthodes reposent sur l'enrichissement de modèles économétriques standards par des techniques issues de l'apprentissage automatique destinées à capter des non-linéarités et des interactions complexes. Cette approche se traduit notamment par l'intégration de règles extraites de modèles de type arbres de décision dans des cadres économétriques pénalisés, permettant d'améliorer la performance prédictive tout en conservant des propriétés d'interprétation et d'inférence statistique. Les travaux portent également sur la comparaison systématique des performances prédictives et économiques des modèles économétriques et de ML dans des contextes de scoring de crédit réalistes.

Les méthodes évoluent ensuite vers une prise en compte explicite des enjeux d'équité algorithmique. Le projet développe des tests statistiques formels permettant d'évaluer différentes définitions de fairness ainsi que des outils d'interprétabilité dédiés à l'identification des variables responsables de biais de discrimination. Des procédures de correction fondées sur des méthodes de post-traitement sont également proposées afin d'améliorer l'équité des modèles sans dégrader significativement leur performance prédictive.

Pour le risque de marché, le projet mobilise des modèles multivariés de grande dimension fondés sur des systèmes dynamiques et des modèles de dépendance conditionnelle. Les approches reposent sur des cadres économétriques parcimonieux et sur des techniques de régularisation visant à rendre l'estimation faisable lorsque le nombre d'actifs est élevé. Ces méthodes évoluent vers des développements théoriques montrant comment des systèmes multivariés de faible ordre peuvent générer des comportements de mémoire longue au niveau individuel, tout en améliorant la prévision du risque.

En parallèle, le projet développe des procédures de validation statistique des mesures de risque systémique, et propose notamment des tests de backtesting intégrant explicitement le risque d'estimation.

De manière transversale, le projet privilégie des stratégies d'estimation fondées sur la vraisemblance, les méthodes pénalisées et les approches bayésiennes, avec une attention particulière portée à la robustesse hors échantillon, à l'interprétabilité économique et à la validité statistique des modèles développés.

Le projet MLEforRisk a montré comment les méthodes de Machine Learning (ML) peuvent être utilisées de façon fiable et responsable pour mesurer le risque financier. Un premier résultat marquant est la mise en évidence du fait que ces algorithmes, utilisés seuls, améliorent la précision des prévisions mais présentent des limites importantes en termes d'interprétabilité, de stabilité et d'équité, et que ces limites peuvent être dépassées en les combinant à des méthodes économétriques.

Sur le risque de crédit, le projet a produit un cadre statistique complet permettant de tester formellement l'équité des modèles de scoring, en tenant compte du risque d'estimation, ainsi que des outils d'interprétabilité identifiant les variables à l'origine des biais de discrimination et des méthodes de correction par post-traitement, qui améliorent l'équité sans dégrader la performance ni exiger une ré-estimation complète. Le projet a également introduit une méthode de décomposition de la performance prédictive fondée sur les valeurs de Shapley, qui attribue à chaque variable sa contribution à une mesure globale telle que l'AUC.

Sur le risque de marché, les travaux ont renouvelé l'inférence dans les modèles dynamiques de volatilité, notamment à travers les modèles quasi score-driven, qui généralisent les modèles score-driven usuels et permettent d'en tester les restrictions structurelles. Le projet a par ailleurs établi comment des systèmes multivariés de faible ordre peuvent générer de la mémoire longue, avec des gains significatifs de prévision en grande dimension, et a développé des procédures de validation des mesures de risque systémique intégrant le risque d'estimation.

Ces résultats se traduisent par une production scientifique importante : 34 articles publiés, acceptés ou à paraître, dont 16 dans des revues de rang CNRS 1 (Econometric Theory, Journal of Econometrics, Management Science, Review of Financial Studies, European Journal of Operational Research, Journal of Business & Economic Statistics), 10 de rang 2 et 7 de rangs 3 et 4.

Le projet a enfin eu un impact structurant et institutionnel. Il a soutenu la conférence internationale QFFE, organisée chaque année à Marseille et devenue l'une des principales conférences européennes en économétrie financière, dont l'édition 2025 a accueilli le prix Nobel Robert Engle. Des workshops dédiés aux jeunes chercheurs ont été organisés à Orléans, Dauphine et Porquerolles. Les travaux ont été présentés devant le collège de résolution de l'ACPR, dans le cadre des Débats Économiques et Financiers de la Banque de France, illustrant le dialogue entre recherche académique et supervision prudentielle

Les résultats du projet MLEforRisk ouvrent plusieurs perspectives scientifiques et applicatives à moyen et long terme.

Sur le plan méthodologique, les avancées en inférence dans les modèles dynamiques conditionnellement hétéroscédastiques, dans les modèles score-driven et quasi score-driven, ainsi que les résultats récents sur la mémoire longue générée par des systèmes de faible dimension, constituent un socle pour des développements théoriques plus généraux. Une première perspective concerne l'extension de ces cadres à des environnements de très grande dimension, intégrant simultanément dépendances temporelles, dépendances croisées et hétérogénéité non observée, tout en conservant des garanties asymptotiques solides pour l'estimation et les tests.

Les travaux sur le machine learning interprétable et sur la décomposition de la performance prédictive ouvrent des perspectives pour une compréhension fine des moteurs de la performance des modèles. Ils appellent des prolongements sur la stabilité temporelle de la contribution des variables, sur l'analyse de l'hétérogénéité individuelle des performances et sur l'articulation entre interprétabilité locale et globale, questions particulièrement pertinentes lorsque les modèles doivent être suivis, audités et régulièrement recalibrés.

En matière de risque de crédit et d'équité algorithmique, les tests statistiques de fairness et les outils d'interprétabilité développés peuvent être étendus à d'autres définitions de biais, à des cadres dynamiques et à des données multi-sources. Ils ouvrent la voie à une analyse conjointe de la performance économique, du risque et de l'équité dans les modèles internes des banques, dans un contexte réglementaire en évolution.

Les contributions du projet sur la modélisation du risque de marché et des dépendances complexes offrent enfin des perspectives pour enrichir les dispositifs de stress tests macro- et micro-prudentiels, avec des prolongements envisagés vers des cadres multi-pays et multi-secteurs.

Le projet a par ailleurs structuré une dynamique scientifique durable à l'interface entre économétrie, apprentissage automatique et finance, à travers la conférence QFFE et les workshops dédiés aux jeunes chercheurs. Cette dynamique se prolonge dans de nouvelles collaborations, dont une thèse CIFRE conduite avec la société Square Management dans la continuité des travaux du projet, et ouvre des perspectives de projets interdisciplinaires et de formations avancées.

Le projet de recherche MultiRisk (Méthodes Econométriques pour la Modélisation de Risques Multiples) s’inscrit dans les domaines de l’économétrie financière et de la finance. L’objectif est de contribuer à une meilleure analyse des risques financiers, et plus spécifiquement du risque de marché, du risque de liquidité et du risque systémique.
La mesure des risques financiers est l'un des principaux sujets de recherche de l'économétrie financière. Cette problématique est fondamentalement liée à la régulation des marchés financiers. Or, les réglementations prudentielles actuelles mettent en exergue l’importance des dépendances entre les institutions financières et les différents risques qu’elles encourent. Dans ce contexte, le projet MultiRisk proposera de nouveaux outils pour mesurer et gérer les risques financiers multiples dans une approche à la fois multivariée et systémique.
Premièrement, nous proposerons de nouvelles méthodes économétriques pour estimer le paramètre de risque dans le cadre de modèle GARCH multivariés. Ces méthodes permettront de tenir compte des interactions dynamiques des facteurs de risque. Les implications en termes de politique prudentielle sont évidentes : la distinction induite entre des chocs de volatilité persistants et non persistants permettra de construire des mesures de risque dynamiques conduisant à des exigences de capital réglementaire suffisamment élevées en période de crise et moindres en période de calme.
Deuxièmement, le projet MultiRisk porte en outre sur le risque de liquidité. Jusqu’à très récemment, la liquidité des actifs financiers était considérée comme un problème de second ordre dans l’industrie de la gestion d’actifs. Pour beaucoup, la liquidité était associée à de simples coûts de transaction, et se traduisait par des effets sur les prix d’actifs de faible ampleur, temporaires s’ils en étaient, et il était admis que ces risques pouvaient être facilement diversifiables. La crise de liquidité récente a montré que cette vision était erronée. Dans ce contexte, l’objectif du projet MultiRisk est de proposer une mesure statique du risque de liquidité permettant de distinguer les chocs de volatilité aux effets permanents, des chocs de liquidité aux effets transitoires.
Enfin, nous étudierons le risque systémique et plus spécifiquement l’identification des institutions financières qui contribuent le plus au risque global du système financier (les institutions dites systémiquement importantes ou SIFI). Puisque leurs activités constituent une menace pour la stabilité financière, les réglementations prudentielles actuelles leur imposent une supervision et des réglementations spécifiques. Or, l’identification de ces SIFI repose sur l’utilisation de mesures de risque systémique. Le projet MultiRisk vise à proposer de nouvelles procédures formelles de tests fondées sur ces mesures, permettant de répondre, entre autres, aux questions suivantes : est ce qu’une institution contribue significativement au risque systémique? Quelles sont les institutions qui contribuent le plus au risque systémique ? Comment valider ces mesures de risque systémique ?
Le projet MultiRisk rassemble des chercheurs expérimentés dans le domaine de l’économétrie financière issus de trois universités. Au-delà de ses objectifs scientifiques, le projet vise à promouvoir la recherche reproductible en économétrie financière. C’est pourquoi nous développerons systématiquement des sites internet interactifs de calcul en ligne associés aux publications issues de ce projet. Conçus comme des SaaS (Software as a Service), ces sites permettront notamment aux professionnels et aux chercheurs de répliquer en ligne nos méthodes (tests, méthodes d’estimation etc.) et nos résultats scientifiques afin d’en évaluer la robustesse, la portée et la reproductibilité.