Résumé

ROYAUME DU MAROC
*-*-*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET D’ECONOMIE APPLIQUEE

Projet de Fin d’Etudes

*****

Modélisation ALM et mise en place de

scénarios de stress

Préparé par : Mme Ghita M’ CHICH - Mme Asmae SAIF EDDINE

Sous la direction de : M. Fouad MARRI (INSEA)

Mme Zineb BENSEYED (MAZARS)

Soutenu publiquement comme exigence partielle en vue de l’obtention du

Diplôme d’Ingénieur d’Etat

Filière : ACTUARIAT-FINANCE

Devant le jury composé de :

 M. Fouad MARRI (INSEA)

 M. Yassine EL QALLI (INSEA)
 Mme Zineb BENSEYED (MAZARS)

Juin 2017 / PFE N°17

Résumé

Résumé
Les institutions financières, notamment les banques, s’exposent de plus en plus à des
risques consistants dus principalement à leurs activités de transformation de ressources de
court terme à des emplois de long terme. Il s’avère donc nécessaire de mettre en place une
gestion stratégique des risques. En particulier, les risques financiers constituent l’une des
préoccupations majeures des banques et des autorités de contrôle.
C’est dans ce contexte qu’interviennent parfaitement les recommandations du comité
de Bâle pour la gestion des actifs et des passifs du bilan de la banque dont la plus récente
exige une gestion selon une approche dynamique.
Pour mettre en œuvre les recommandations réglementaires, Bâloises et marocaines, la
gestion actif-passif intervient pour identifier, mesurer et contrôler les risques financiers
pouvant peser sur le bilan bancaire. L’attention est portée davantage sur le risque de liquidité
et de taux, car ils peuvent être fatals en cas d’illiquidité extrême et peuvent provoquer la
faillite de l’établissement.
Le présent rapport est l’illustration de notre projet de fin d’études, effectué au sein de
MAZARS. Nos travaux ont pour objectif la modélisation de certains postes importants du
bilan et du hors bilan, notamment les dépôts et les crédits non revolving, suivant des méthodes
mathématiques. Cette modélisation permettra de construire les gaps de liquidité en statique et
en dynamique. Une partie de notre rapport porte également sur la modélisation du taux court
en utilisant le modèle de Vasicek. Cette modélisation du taux revêt une importance pour la
banque dans la mesure où la connaissance de l’évolution future des taux lui permettra de se
prémunir contre le risque qu’il induit.
La modélisation des dépôts et des taux courts en situation normale est importante mais
non suffisante pour la gestion globale des risques de taux et de liquidité. C’est dans ce sens
que nous nous intéressons dans la dernière partie à la construction de scénarios de stress de
liquidité et de taux pouvant survenir en cas de situation extrême.

Mots clés
Gestion Actif-Passif, Dépôts à vue, Options implicites, Encours, Bâle, Ecoulement,
Modélisation du comportement de la clientèle, Stress Testing, Liquidité, Taux d’intérêt,
Vasiçek.

-3-
Dédicace

Dédicace

À mes parents, à qui j'exprime ma profonde affection,

À mon très cher frère, Youness, sans lequel la vie n'aurait pas le même
goût, merci pour tes encouragements et ton soutien permanent,
À mes proches qui ont toujours été là pour moi
À mes chers amis, pour leurs soutiens et leurs affections,
À toutes les personnes qui comptent pour moi et qui ne sont pas cités ici
À vous qui m'avez toujours soutenue, je vous dédie ce travail et vous
remercie pour vos encouragements,
Merci d'exister,
Asmae

Je dédie ce mémoire :
À ma mère, qui a œuvré pour ma réussite de par son amour, son
soutien, et tous les sacrifices consentis ;
À mon père, qui peut être fier de trouver ici le résultat de longues
années de privations pour m’aider à avancer dans la vie ;
À mes proches, qui m’ont toujours soutenu et encouragé;
À mes amis, pour leurs présences dans ma vie.
Qu’ils reçoivent, à travers ce travail aussi modeste soit-il, l’expression
de mes sentiments et de mon éternelle gratitude.
Ghita

-4-
Remerciements

Remerciements
Avant d’entamer ce rapport, nous profitons de l’occasion pour remercier tout d’abord
les membres de l’équipe Actuariat de MAZARS pour l’expérience enrichissante et pleine
d’intérêt qu’ils nous ont fait vivre durant ces quatre mois de stage.
Nous tenons à remercier tout particulièrement notre encadrante Mme BENSEYED
Zineb pour ses encouragements, ainsi que pour ses conseils qui nous seront certes, d’une très
grande utilité dans le futur.
Nous remercions chaleureusement Mme LAHLOU Roukia de nous avoir accueillies
au sein de MAZARS Actuariat.
De même, nous tenons à remercier vivement Mme BAMOUSSA Fatima Zahrae et à
lui témoigner toute notre gratitude pour sa disponibilité et ses conseils.
Nous tenons à remercier également notre professeur M. MARRI, d’avoir accepté
d’être notre enseignant tuteur et de nous avoir suivies et encadrés durant toute la période du
stage.
Nous remercions également M. EL QALLI d’avoir accepté d’évaluer notre travail.
Enfin nous remercions tout le corps professoral et administratif de l’INSEA, qu’il
trouve ici l’expression de notre profonde reconnaissance.

-5-
Table des matières

Table des matières

RESUME .................................................................................................................................. - 3 -
MOTS CLES .............................................................................................................................. - 3 -
DEDICACE ................................................................................................................................ - 4 -
REMERCIEMENTS .................................................................................................................... - 5 -
TABLE DES MATIERES .............................................................................................................. - 6 -
LISTE DES ABREVIATIONS ........................................................................................................ - 8 -
LISTE DES TABLEAUX ............................................................................................................... - 9 -
LISTE DES FIGURES ................................................................................................................ - 10 -
INTRODUCTION ..................................................................................................................... - 11 -
PROBLEMATIQUE ET DEMARCHE .......................................................................................... - 12 -
PREMIERE PARTIE : INTRODUCTION ET CADRE GENERAL DE L’ETUDE ................................... - 13 -
Chapitre 1 : Introduction à l’ALM et notions de base.................................................................................. - 14 -
I. Cadre général ....................................................................................................................................... - 14 -
II. Les risques bancaires ............................................................................................................................ - 14 -
III. Les risques en jeu en ALM..................................................................................................................... - 15 -
Chapitre 2 : Principes généraux de la gestion ALM bancaire ....................................................................... - 19 -
I. Définition et fonctions de la gestion actif-passif bancaire ................................................................... - 19 -
II. Outils de mesure en ALM bancaire ...................................................................................................... - 20 -
III. Outils de gestion en ALM bancaire ....................................................................................................... - 21 -
IV. Les principaux postes du bilan et du Hors bilan bancaire..................................................................... - 22 -
Chapitre 3 : Cadre réglementaire ............................................................................................................... - 25 -
I. Réglementation Internationale ............................................................................................................ - 25 -
II. Réglementation Marocaine .................................................................................................................. - 26 -
Conclusion.................................................................................................................................................. - 27 -
DEUXIEME PARTIE : MODELISATION DES DEPOTS A VUE ET DU DEBLOCAGE DES CREDITS ... - 28 -
Contexte et cadre général .......................................................................................................................... - 29 -
Chapitre 1 : Modélisation des dépôts à vue................................................................................................ - 30 -
I. Introduction et cadre général ............................................................................................................... - 30 -
II. Cadre théorique .................................................................................................................................... - 32 -
III. Modélisation des dépôts à vue ............................................................................................................. - 41 -
IV. Modélisation de la production nouvelle par la méthode de Box & Jenkins ......................................... - 57 -
Chapitre 2 : Modélisation des déblocages des crédits ................................................................................ - 62 -
I. Démarche proposée : ........................................................................................................................... - 62 -
II. Construction des tables de survie : ...................................................................................................... - 62 -
Chapitre 3 : Construction des impasses de liquidité ................................................................................... - 66 -
I. Les impasses en liquidité ...................................................................................................................... - 66 -
II. Construction des impasses de liquidité ............................................................................................... - 67 -
Conclusion.................................................................................................................................................. - 68 -
TROISIEME PARTIE : MODELISATION STOCHASTIQUE DU TAUX D’INTERET ........................... - 69 -
I. Le modèle général ................................................................................................................................ - 70 -
II. Modèle de Vasiçek................................................................................................................................ - 72 -
III. Modèle de Cox-Ingersoll et Ross ........................................................................................................... - 74 -
IV. Application aux données du marché .................................................................................................... - 75 -
Conclusion.................................................................................................................................................. - 79 -
QUATRIEME PARTIE : STRESS TESTING ET IMPACT SUR LES INDICATEURS DE MESURE ......... - 80 -
Chapitre 1 : Stress testing et réglementation ............................................................................................. - 81 -
I. Définition des stress tests : ................................................................................................................... - 81 -
II. Réglementation .................................................................................................................................... - 81 -
III. Méthodes des stress tests : .................................................................................................................. - 84 -
Chapitre 2 : Mise en place des scénarios de stress ..................................................................................... - 86 -

-6-
Table des matières

I. Stress de Liquidité ................................................................................................................................ - 86 -

II. Stress de taux ....................................................................................................................................... - 90 -
Chapitre 3 : Impact sur les indicateurs........................................................................................................ - 96 -
I. Impact sur le gap de liquidité ............................................................................................................... - 96 -
II. Impact sur la marge nette d’intérêt ..................................................................................................... - 97 -
Conclusion................................................................................................................................................ - 101 -
CONCLUSION GENERALE ..................................................................................................... - 102 -
ANNEXES ............................................................................................................................. - 103 -
Annexe I : Présentation de MAZARS ......................................................................................................... - 103 -
I. Le groupe Mazars International ......................................................................................................... - 103 -
II. Mazars Maroc ..................................................................................................................................... - 103 -
Annexe II : Tests d’hypothèses ................................................................................................................. - 104 -
I. Tests de normalité : ............................................................................................................................ - 104 -
II. Tests d’homoscédasticité ................................................................................................................... - 104 -
III. Tests d’autocorrélation des résidus .................................................................................................... - 105 -
IV. Tests de racine unitaire et de stationnarité ........................................................................................ - 105 -
V. Test de bruit blanc .............................................................................................................................. - 107 -
Annexe III : Règle de l’Hôpital .................................................................................................................. - 108 -
BIBLIOGRAPHIE.................................................................................................................... - 109 -
WEBOGRAPHIE .................................................................................................................... - 109 -

-7-
Liste des abréviations

Liste des abréviations

ALM : Asset Liability Management (Gestion Actif-Passif)
BAM : Bank Al Maghrib
DAV : Dépôts à vue
DAT : Dépôts à terme
HB : Hors Bilan
BDT : Bon du trésor
ACF : Autocorrelation function
PACF : Partial autocorrelation function
FMI : Fonds monétaire international
FED : Réserve fédérale des États-Unis

-8-
Liste des tableaux

Liste des tableaux

Tableau 1: Bilan simplifie d'une banque ................................................................................................... - 23 -
Tableau 2 : Résultats de la modélisation pour le Compte Courant Passif................................................. - 49 -
Tableau 3 : Les différents modèles à une seule variables selon les paramètres ...................................... - 70 -
Tableau 4 : Paramètres des scenarios pessimiste et sévère de la FED 2014 ............................................ - 83 -
Tableau 5 : Résultats de l'analyse historique du taux pour la maturité 5 ans .......................................... - 92 -
Tableau 6 : Quantiles a retenir pour la variation en point de bases ......................................................... - 93 -
Tableau 7 : Ecoulement du stock des credits à taux fixe sur un horizon d’une annee ............................. - 97 -
Tableau 8 : Projection de la nouvelle production sur un horizon d’une annee ........................................ - 98 -
Tableau 9 : Evolution trimestrielle des taux de marché et des taux d’interet appliques par la banque .. - 98 -
Tableau 10 : Ecoulement du stock et calcul des interêts .......................................................................... - 99 -
Tableau 11 : Ecoulement de la nouvelle production NP1 et calcul des intérêts ....................................... - 99 -
Tableau 12 : Variation à la hausse des taux d’interet perçus par la banque .......................................... - 100 -
Tableau 13 : Variation a la baisse des taux d’interet perçus par la banque............................................ - 101 -

-9-
Liste des figures

Liste des figures

Figure 1 : Evolution du taux de marche des bons de trésor à 52 semaines .............................................. - 42 -
Figure 2 : Evolution des taux de rémunération des comptes sur carnet ................................................. - 42 -
Figure 3 : Evolution des encours pour le ce .............................................................................................. - 43 -
Figure 4 : Comparaison des encours fournis et des encours dessaisonnalisés ......................................... - 44 -
Figure 5 : Backtest du modele de selvaggio pour le compte epargne ...................................................... - 45 -
Figure 6 : P-P plot & Q-Q plot des résidus pour le compte epargne ......................................................... - 46 -
Figure 7 : Histogramme des résidus .......................................................................................................... - 47 -
Figure 8 : Dispersion des résidus ............................................................................................................... - 47 -
Figure 9 : Acf et Pacf des résidus de la regression .................................................................................... - 48 -
Figure 10 : Ecoulement du stock de la banque pour les comptes epargne .............................................. - 49 -
Figure 11 : Ecoulement du stock de la banque pour les comptes courants Passif ................................... - 50 -
Figure 12 : Graphique de l’évolution des encours fin de mois pour les comptes courants passif ............ - 51 -
Figure 13 : Evolution des encours des comptes courants passif avant et après dessaisonalisation......... - 52 -
Figure 14 : ACF et PACF de la série des encours des comptes courants passif ......................................... - 52 -
Figure 15 : Evolution de la serie des encours stationnarise en différence première ................................ - 53 -
Figure 16 : ACF et PCF de la serie des encours en difference premiere.................................................... - 54 -
Figure 17 : ACF et PACF des résidus du modèle AR(1) .............................................................................. - 55 -
Figure 18 : ACF et PACF des résidus du modèle AR(2) .............................................................................. - 56 -
Figure 19 : Evolution des encours modélises et prédits par le modèle AR(2) ........................................... - 56 -
Figure 20 : Evolution des encours observés et modélisés par SELVAGGIO et par AR(2) .......................... - 57 -
Figure 21 : Evolution des encours observes et prédits sur l’horizon de la prévision ................................ - 57 -
Figure 22 Evolution global de la nouvelle production du CE entre Juillet 2008 et Mai 2014 ................... - 58 -
Figure 23 : Acf et Pacf de la production nouvelle du CE ........................................................................... - 59 -
Figure 24 : Série de la production nouvelle et courbe de validation du modèle ...................................... - 60 -
Figure 25 : Acf et Pacf des résidus de la modélisation de la production nouvelle .................................... - 60 -
Figure 26 : Prédiction de la production nouvelle ...................................................................................... - 61 -
Figure 27 : Survie des crédits a la consommation et des crédits a l'habitat ............................................. - 64 -
Figure 28 : Matrice de positionnement des crédits .................................................................................. - 64 -
Figure 29 : Projection du gap statique et du gap dynamique ................................................................... - 67 -
Figure 30 : Représentation de la série des données de taux des bdt à 1 An ............................................ - 75 -
Figure 31 : PACF du taux court .................................................................................................................. - 76 -
Figure 32 : Simulations du taux court avec le modele de Vasicek ............................................................ - 78 -
Figure 33 : Exemple de Simulations de la courbe de taux......................................................................... - 79 -
Figure 34 : Simulation de 5000 trajectoires prévisionnelles de l’évolution des encours des comptes
courants passif .......................................................................................................................................... - 88 -
Figure 35 : Ecoulement central et choqué du stock de la banque pour les comptes courants passif ...... - 89 -
Figure 36 : Courbes de taux après 1 An (Approche Historique) ................................................................ - 93 -
Figure 37 : Evolution de la courbe de taux ................................................................................................ - 94 -
Figure 38 : Courbes de taux Apres 1 An (Approche Stochastique) ........................................................... - 95 -
Figure 39 : Les Gaps de liquidité après le choc de la partie volatile.......................................................... - 96 -

- 10 -
Introduction

Introduction
La gestion actif-passif ou Asset Liability Management (ALM) connaît un remarquable
essor depuis quelques années. Elle s’impose désormais comme un cadre conceptuel de la
gestion financière, compte tenu de l’environnement conjoncturel et concurrentiel
mouvementé. La problématique de gestion des risques ALM, revêt ainsi une importance
capitale pour les banques et les assurances, surtout depuis la crise financière de 2008.
Les banques jouent un rôle d’intermédiation financière en empruntant à court terme
aux personnes ayant un excès de financement, par le biais de leurs dépôts, et en prêtant à
moyen et long termes aux personnes ayant un besoin de financement. Cette transformation
comporte néanmoins des risques substantiels pour les établissements bancaires dont le risque
de liquidité et le risque de taux.
Le risque de liquidité traduit l’incapacité de l’établissement de faire face à ses
engagements et donc son incapacité à rééquilibrer son bilan. L’origine de ce risque vient du
fait que les dépôts à vue, qui sont la principale ressource des banques, sont sans maturités
contractuellement définies. Donc un retrait soudain et massif des dépôts à vue peut créer une
insuffisance de trésorerie et oblige la banque à réemprunter sur le marché. Pour faire face à ce
risque, la banque propose en interne des lois d’écoulement sur les dépôts à maturité incertaine
pour pouvoir ajuster au mieux son bilan en cas de déséquilibre.
Le risque de taux d’un établissement financier est celui de voir sa rentabilité ou la
valeur de ses fonds propres affectées par l’évolution des taux d’intérêts. Plus précisément, la
gestion ALM traite des problèmes liés au décalage de prix et de maturité des actifs et des
passifs, exposant la banque au risque de translation et de déformation de la courbe des taux.
Elle traite également le risque de base survenant lorsque les taux des actifs et des passifs –
même adossés en volume et en échéance - sont arrimés à des index de référence différents et
subissent alors des impacts d’amplitudes différentes. Au-delà de ces risques, l’existence
d’options - plus ou moins visibles - comme celles dont disposent les clients de pouvoir
rembourser par anticipation leur prêt ou de retirer tout ou partie de leur dépôt à vue - peut
également avoir des conséquences importantes sur les marges d’intérêt.
Les équipes ALM ont donc pour mission de gérer les risques afférant au bilan en se
basant sur des modèles pour simuler l’évolution des facteurs de risques afin de piloter
l’équilibre des ressources et des emplois en fonction d’un niveau de risque sous la contrainte
d’un niveau de rentabilité et d’une réglementation. Elles ont donc pour mission de réconcilier
court terme et long terme en présentant les grands équilibres bilanciels. Historiquement, elles
se sont focalisées sur le risque de taux, mais les crises de 2007 et de 2011 ont déplacé les
projecteurs sur la liquidité.

- 11 -
Problématique et démarche

Problématique et démarche
Ce rapport présente les travaux effectués dans le cadre de notre projet de fin d’études à
MAZARS Actuariat. La thématique de notre projet s’articule autour de la modélisation ALM
et la mise en place de scénarios de stress.
L’objectif de notre étude est d’explorer plus en détails les différents aspects des
problèmes posés.
Ainsi, le présent rapport se déclinera en quatre grandes parties. Après une introduction
sur la gestion actif-passif et le positionnement du cadre de l’étude, nous entamerons la
modélisation des dépôts à vue et des déblocages des crédits et cela après avoir passé en revue
les modèles de la littérature. L’objectif est de modéliser les dépôts à vue suivant des méthodes
mathématiques, ainsi que l’estimation de leurs valeurs futures. Nous procéderons ensuite à
des Backtesting pour nous assurer de la robustesse des modèles choisis. Nous présenterons
également la méthodologie adoptée pour la prévision de la production nouvelle des dépôts à
vue et qui sera la base pour l’élaboration de la simulation de l’évolution des impasses
dynamiques. En troisième partie, on procédera à la modélisation du taux d’intérêt en
présentant les modèles les plus étudiés et en mettant en application l’un de ces modèles. Et
puis finalement nous nous intéresserons dans la quatrième et dernière partie à la construction
de scénarios de stress pour simuler l’évolution du bilan en cas de crises ou en cas de situations
de pressions probables que la banque peut vivre, en étudiant notamment l’exposition de la
banque aux risques de taux et de liquidité.

- 12 -
Première Partie : Introduction et cadre
général de l’étude

Cette première partie nous permettra de décrire le rôle de l’ALM

d’une banque. On présentera dans un premier temps la gestion Actif-
Passif avant de procéder à un rappel des différents risques auxquels
une banque doit faire face et identifier les deux risques majeurs
inhérents à l’équilibre bilanciel (Risque de taux et Risque de liquidité)
et ensuite présenter le cadre réglementaire. Puis, nous nous
attacherons à décrire les problématiques qui sous-tendent le pilotage
ALM bancaire avant d’introduire plus en détail les sujets que nous
développerons dans ce rapport.

- 13 -
Première Partie : Introduction et cadre général de l’étude

Chapitre 1 : Introduction à l’ALM et notions de base

I. Cadre général

La gestion actif-passif est apparue aux Etats-Unis dans les années 1980 et s’est
développée très rapidement depuis. C’est une technique de gestion financière qui s’est
développée en parallèle avec les techniques de gestion des risques et du pilotage stratégique.
Elle a pour objectif de maitriser les conséquences négatives potentielles des risques financiers
qui font l’objet d’une attention grandissante. Il ne s’agit donc pas seulement de mesurer les
risques à travers des méthodes quantitatives, mais également de les suivre et de les contrôler
ce qui permettra d’assurer une visibilité suffisante sur les résultats futurs et les aléas qui les
affectent, procurant ainsi un outil de pilotage.
L’ALM consiste à analyser la situation du bilan et son évolution probable sur un
horizon de planification, cherchant à garantir l’équilibre entre les deux volets du bilan (les
actifs et les passifs) en s’assurant que la banque dispose toujours de ressources financières qui
lui permettent d’assumer ses charges. Elle fournit des indicateurs en termes de risque et de
rentabilité attendus sur les différents produits du bilan.
L’ALM a pour objectif de :
 Maintenir un niveau de risque acceptable et la fixation des limites ;
 Piloter la Marge Nette d’Intérêt à court terme et sa préservation à long terme ;
 Identifier les activités stratégiques à développer et définir une stratégie d’allocations
des Fonds Propres.
Selon Bitner, les objectifs de la gestion ALM sont les suivants :
 Gérer le risque de taux pesant sur le bilan de la banque ;
 Gérer les besoins de liquidité relatifs à l’activité bancaire ;
 Préserver le capital d’une banque ;
 Augmenter le résultat d’une banque.
Le dernier objectif selon Bitner ne l’est pas selon d’autre tels que Bessin ou Dubernet,
qui considèrent, quant à eux, que la fonction ALM a pour objectif la pérennité de
l’établissement et non la maximisation de sa rentabilité.

II. Les risques bancaires

Avant de nous intéresser aux risques inhérents à la gestion bilancielle d’une banque,
nous définissons ici, de manière brève, l’ensemble des risques touchant le secteur bancaire.
Les risques bancaires sont divers et multiples. Ils peuvent être de deux sortes :
 Les risques financiers qui comprennent six types de risques : contrepartie, liquidité, taux
d’intérêt, marché, change.
 Le risque de contrepartie est le risque de défaut d’un emprunteur face à ses
obligations, il englobe le risque de livraison et le risque de crédit.
 Le risque de taux est le risque de voir les résultats ou la rentabilité de l’établissement
se dégrader par un mouvement défavorable des taux d’intérêts.
 Le risque de marché est le risque de variation défavorable des positions en cours.
 Le risque de change est le risque de voir les résultats se dégrader par une évolution
défavorable des taux de change (une baisse des cours de change peut entrainer une
perte de valeur d’avoirs libellés en devises étrangères, de même une hausse des taux

- 14 -
Première Partie : Introduction et cadre général de l’étude

de change peut entraîner une hausse de valeur en monnaie domestique d’engagement

libellés en devises étrangères).
 Le risque de liquidité est le risque de ne pas pouvoir faire face à ses engagements ou à
ses échéances même par mobilisation des actifs.
 Les risques opérationnels qui correspondent au risque d’un mauvais fonctionnement de
l’organisation de la banque au niveau interne. On peut voir un risque de fraude interne, de
mauvaise manipulation ou des systèmes IT défaillants.
Il existe trois types de risques opérationnels :
 Risques administratifs : Procédure de traitement et de contrôle, contrôles
informatiques ;
 Risques de non disponibilité de l’outil de gestion ;
 Risques d’erreur ou de malveillance humaine.

III. Les risques en jeu en ALM

L’ALM fournit des indicateurs en termes de risque et de rentabilité attendus sur les
différents produits du bilan. Cette gestion doit permettre de disposer de règles à même de
limiter l’exposition du bilan de la banque aux différents risques et de gérer de façon optimale
ses positions pour, finalement, mettre en place les couvertures adaptées grâce à des produits
dérivés.
L’ALM se concentre sur la gestion de trois risques majeurs qui pèsent sur le bilan
bancaire :
 Le risque de taux d’intérêt : Les mouvements des taux d’intérêt peuvent affecter
défavorablement les résultats de la banque. Ce risque est l’un des plus importants à
gérer puisque la quasi-totalité des encours du bilan génèrent des revenus et des charges
qui sont indexés sur le taux de marché.
 Le risque de liquidité : Impossibilité de satisfaire ses engagements à la date même de
leur exigibilité. Il apparait lorsque des besoins inattendus sont subis par la banque et
qu’elle ne peut y faire face à partir de ses actifs liquides.
 Le risque de change : Le risque d’observer des pertes à cause des évolutions des taux
de change.
Dans notre étude nous nous intéressons aux deux premiers risques, à savoir le risque
de taux et le risque de liquidité.
III.1. Le risque de taux d’intérêt

III.1.1. Définition du risque de taux

Le risque de taux d’intérêt fait partie des risques majeurs inhérents à l’activité
bancaire. Une prise excessive, mal contrôlée de ce risque ou encore une mauvaise anticipation
des changements de l’environnement peut constituer une menace non seulement pour
l’équilibre financier des banques, mais aussi pour la stabilité financière dans son ensemble.
Le risque de taux d’intérêt est le risque que l’évolution future des taux d’intérêts
vienne réduire les marges prévisionnelles de la banque. Il est fonction des effets que peuvent
avoir les variations des taux du marché sur sa situation financière. La variation des taux
d’intérêt impacte également la valeur actualisée des flux futurs attendus. Le degré d’impact
sur la valeur économique des actifs et des passifs dépend de la sensibilité des différentes
composantes du bilan à une variation des taux.

- 15 -
Première Partie : Introduction et cadre général de l’étude

III.1.2. Les sources du risque de taux d’intérêt

Le rôle d’intermédiation financière des établissements bancaires les expose
structurellement au risque de transformation ou de taux, en finançant des actifs à long terme
avec des dépôts et d’autres formes de financement souvent libellés à court terme. Le risque de
taux d’intérêt réside principalement dans la vulnérabilité de la situation financière d’une
banque à une évolution défavorable des taux d’intérêt du marché. Les banques sont toujours
susceptibles d’être affectées par les risques de taux lorsque les revenus et les valeurs
économiques de leurs actifs, passifs et positions hors bilan présentent des sensibilités
divergentes face aux taux d’intérêt.
Le risque de taux peut avoir diverses origines. Il peut provenir de :
 Révision de taux :
Il résulte des différences dans l’échéance (pour les taux fixes) et le renouvellement des
conditions (pour les taux variables) des positions de l’actif, du passif et du hors-bilan d’une
banque. Ce risque se concrétise par le fait que des variations de taux d’intérêt modifient les
revenus futurs et les valeurs économiques de la banque.
 Déformation de la courbe de taux :
Les décalages dans les révisions de taux peuvent également exposer une banque à des
modifications de la pente et de la configuration de la courbe des taux. Ce risque survient
lorsque des variations non anticipées de la courbe ont des effets défavorables sur le revenu ou
la valeur économique de l’établissement.
 Risque de base :
Il résulte d’une corrélation imparfaite dans l’ajustement des taux reçus et versés sur
des produits différents, dotés par ailleurs de caractéristiques de révisions de taux analogues.
Lorsque les taux changent, ces différences peuvent entraîner des variations imprévues de
l’écart des flux de trésorerie et bénéfices entre créances, dettes et instruments du hors-bilan
ayant des échéances ou des fréquences de révisions de taux identiques. Une forme particulière
de ce risque apparaît dans des produits tels que les hypothèques à taux variables ou les fonds
remis à titre d'épargne ou de placement, vu que leurs taux s'alignent en principe sur l'évolution
d'un taux d’intérêt ou d'une combinaison de taux d’intérêt de référence, sans toutefois qu'il y
ait dans le temps une synchronisation totale des modifications de taux.
 Risque de clauses optionnelles ou risque lié aux options cachées :
Les risques de taux d’intérêt apparaissent également aux travers d’instruments
comportant des clauses optionnelles (implicites). Cette catégorie englobe entre autres les
différents types d'obligations et de "notes" comportant des clauses de dénonciation en faveur
du débiteur ou du créancier, des crédits incluant un droit de remboursement anticipé en faveur
du débiteur ainsi que différents instruments de placement sans échéance définie où le
déposant peut opérer des retraits en tout temps, souvent sans être tenu d'acquitter des
pénalités. Par nature une option donne à son détenteur le droit, et non l’obligation, d’acheter,
de vendre ou, d’une manière ou d’une autre, de modifier le flux de trésorerie d’un produit ou
d’un contrat financier. Lorsque de tels instruments comportant des options implicites sont
traités de manière inappropriée, leurs caractéristiques de paiement asymétriques peuvent
représenter un risque substantiel pour leurs vendeurs, étant donné qu'en général, ils sont
exercés au profit de l'acheteur et, partant, au détriment du vendeur.
Une trop grande exposition aux mouvements des taux d’intérêt peut générer
d’importantes pertes. Ces mouvements ont une influence sur les rémunérations et les coûts

- 16 -
Première Partie : Introduction et cadre général de l’étude

générés par les produits et instruments financiers dont dispose la banque. Par conséquent,
leurs mouvements ont un impact direct sur le résultat généré mais aussi la valeur actuelle des
différents revenus futurs. Il est donc nécessaire d’appréhender correctement de quelle façon
les mouvements de la courbe de taux peuvent impacter les marges de la banque.
L’appréciation du risque de taux peut s’effectuer au travers d’un ensemble de
simulations de stress testing, dans le cadre d’un scénario de variation des taux de 200 pbs tel
que préconisé par le Comité de Bâle.
La stratégie de la banque en matière de gestion du risque de taux d’intérêt, veille à
assurer la stabilité des résultats contre les variations des taux d’intérêts, en préservant la
marge d’intérêt et en optimisant la valeur économique des Fonds propres.
III.2. Le risque de liquidité

III.2.1. Définition de la liquidité

La liquidité est un stock défini par un montant de cash et équivalents disponibles à un
instant donné. C’est une notion dynamique composée de plusieurs éléments :
 La liquidité de financement : la dette à court et long terme qui finance l’activité
 La liquidité des actifs : les actifs disponibles peuvent être cédés ou mis en garantie
pour obtenir du cash
 Les événements futurs de nature à impacter les liquidités
III.2.2. Définition du risque de liquidité bancaire
La définition du risque de liquidité est moins intuitive que celle du risque de taux. On
peut, conformément au document du Comité de Bâle, définir la liquidité d’une banque comme
la capacité de financer ses actifs et de rembourser les engagements pris au moment où ces
financements ou remboursements apparaissent : ‘Liquidity [is] the ability to fund increases in
assets and meet obligations as they come due’.
Le risque de liquidité se traduit donc à travers l’impossibilité de satisfaire ses
engagements. Il apparait lorsque des besoins inattendus sont subis par la banque et qu’elle ne
peut y faire face à partir de ses actifs liquides. Un autre aspect du risque de liquidité peut aussi
être vu à travers l’incapacité temporaire de la banque à lever des capitaux à un coût
raisonnable.
La liquidité joue un rôle majeur dans la gestion d’un établissement de crédit. En
premier lieu, la réglementation bancaire impose aux établissements de crédit la détention d’un
minimum d’actifs liquides. Mais outre les obligations réglementaires, les banques doivent
également détenir des liquidités suffisantes pour faire face aux demandes de retrait de la part
des déposants qui peuvent intervenir à tout moment dans le cas des dépôts à vue.
Une liquidité qui est mal maîtrisée peut engendrer :
− Une perte d’opportunité par incapacité de financement du développement de l’activité
(problème de liquidité à l’actif) ;
− soit une crise de liquidité par incapacité à honorer les engagements contractés
(problème de liquidité au passif).
Par conséquent, une gestion de liquidité est primordiale et elle consiste en général à
trouver un équilibre entre le respect des engagements réglementaires vis-à-vis de la clientèle
et l’objectif de maximisation de la marge d’intérêts.

- 17 -
Première Partie : Introduction et cadre général de l’étude

III.2.3. Les sources du risque de liquidité et ses conséquences

Deux sources majeures peuvent générer un risque de liquidité :
 L’incapacité de l’établissement de lever les fonds nécessaires pour faire face à des
situations inattendues à court terme, notamment un retrait massif des dépôts ou un tirage
maximal des engagements en hors bilan ;
 Le non adossement des actifs et passifs ou le financement des actifs moyens et longs
termes par des passifs à court terme.
La matérialisation du risque de liquidité peut survenir à l’occasion:
 D’un retrait massif des dépôts ou de l’épargne de la clientèle :
Les dépôts à vue sont la principale ressource des banques. Si la majorité des clients
réclament leurs dépôts, il s’en suivra une crise de liquidité qui pourrait mener à la dégradation
du résultat ou même à la faillite de l’établissement.
 D’une crise de confiance du marché à l’égard de l’établissement concerné :
L’un des aspects les plus importants en matière de gestion du risque de liquidité se
trouve dans la capacité de la banque à se refinancer sur le marché
 D’une crise de liquidité générale du marché :
Si une banque maitrise mal sa liquidité, cela peut mener à une crise de liquidité si elle
se retrouve dans l’incapacité d’honorer ses engagements ou à une perte d’opportunité de
développement d’activité.
L’insuffisance en liquidité engendre des problèmes de solvabilité qui menacent la
stabilité financière. Ainsi, une liquidité qui est mal maitrisée peut causer une perte
d’opportunité par incapacité de financement du développement de l’activité, comme elle peut
être responsable d’une crise de liquidité quand la banque se voit incapable d’honorer les
engagements contractés. Quand le risque de liquidité touche une banque individuelle, il peut
se transformer en crise systémique, dans la mesure où il favorise la propagation de la faillite
d’une banque à l’ensemble du système bancaire.

- 18 -
Première Partie : Introduction et cadre général de l’étude

Chapitre 2 : Principes généraux de la gestion ALM bancaire

Pour faire face à la montée puissante des différents risques financiers précités, les
banques doivent à la fois maitriser leurs risques, gérer l’équilibre et la composition de
l’ensemble des actifs et passifs, tout en optimisant la rentabilité des fonds propres, d’où la
nécessite de mettre en œuvre une gestion actif-passif.

I. Définition et fonctions de la gestion actif-passif bancaire

I.1. Définition de la gestion actif-passif bancaire

L’ALM bancaire désigne l’ensemble des techniques qui permettent à une banque
d’assurer un équilibre entre ses différentes ressources financières sur le périmètre des activités
commerciales, en maîtrisant principalement les risques de liquidité et de taux. En effet, une
banque a pour rôle majeur de collecter l‘épargne des clients épargnants et de transformer ces
ressources en crédits permettant aux investisseurs de financer leurs projets. L’ALM possède
donc, au sein d’une banque, le rôle de mesurer et d’analyser les différents risques financiers
afin d’assurer à la banque une meilleure rentabilité au court du temps.
Comme cité dans le chapitre précédant, les risques de taux et de liquidité occupent une
place centrale parmi les nombreux risques auxquels une banque doit faire face.
Schématiquement, une fois que les dépôts et les prêts accordés à la clientèle sont enregistrés,
la banque est soit en excédant de liquidité, soit en besoin de liquidité. Elle se tourne alors vers
les marchés financiers afin de placer ses excédents ou emprunter selon ses besoins. Ainsi, les
résultats de la banque sont sensibles aux mouvements des taux d’intérêts et des coûts de
financement.
La gestion du bilan doit ainsi limiter l’exposition de la banque aux risques de taux et de
liquidité.
I.2. Fonctions de la gestion actif-passif bancaire
La gestion actif-passif, comme il mentionné auparavant, possède plusieurs objectifs
dont les principaux sont :
 La protection des marges face aux variations des conditions du marché ;
 L’optimisation des emplois, des ressources afin d’optimiser le résultat ;
 Le pilotage de l’activité bancaire et l’optimisation de l’allocation des Fonds Propres.
Afin d’atteindre ces objectifs, la direction en charge de la gestion actif-passif au sein
d’une banque doit réaliser un certain nombre de fonctions dont :
 La mesure et le suivi des risques financiers en identifiant les risques encourus dans le
bilan de la banque et en mettant en œuvre les différents outils de mesure des risques ;
 La gestion prévisionnelle qui consiste à anticiper la structure du bilan de la banque
ainsi que les conditions du marché, et les ratios de solvabilité, de liquidité, etc. ;
 L’allocation des Fonds Propres qui consiste à apprécier les différents centres de
profits de la banque en fonction des Fonds Propres qu’elles consomment. Cette
fonction représente une décision stratégique par laquelle la direction générale va
marquer ses préférences pour une ou plusieurs activités ou métiers et d’avoir une
vision prospective compte tenu des résultats escomptés et des risques encourus.
 La mise en place d’un système de tarification. Cette tarification concerne
particulièrement la nouvelle production. Elle consiste à coordonner les différentes
fonctions de la banque telle que la collecte des dépôts et la distribution des crédits par
un bon système de cession interne de capitaux et de taux qui leur sera appliqué.

- 19 -
Première Partie : Introduction et cadre général de l’étude

Il ressort de ce qui précède les principales missions de l’ALM bancaire suivantes :

 La gestion dynamique de la structure et des marges dégagées par l’ensemble des actifs
et passifs de la banque ;
 L’optimisation de la rentabilité des Fonds Propres ;
 La préservation d’un niveau acceptable des risques de taux et de liquidité.

II. Outils de mesure en ALM bancaire

II.1. Mesure du risque de liquidité

Il n’existe pas de modèle unique de mesure du risque de liquidité, les banques ont
recours à un ensemble d’indicateurs qui contribuent au pilotage de la trésorerie et à la
constitution d’un matelas de sécurité adéquat.
La mesure du risque de liquidité peut se faire par les méthodes de mesure de volume,
de marge et de valeur.
- Mesure de marge : Résultat d’exploitation
La mesure de marge consiste à apprécier les effets, sur les résultats courants de la banque, de
la couverture de son risque de liquidité. Des hypothèses de sensibilité peuvent être faites
quant à l’évolution du coût de liquidité.
- Mesure de valeur : Valeur actuelle nette
La mesure de valeur consiste à mesurer l’effet d’une variation du coût de la liquidité sur la
valeur patrimoniale de l’établissement en actualisant les effets sur la marge d’intérêt.
- Mesure de volume : Impasse
Pour évaluer la capacité de la banque à faire face à ses exigibilités, la représentation de
l’amortissement des emplois et ressources est nécessaire, en fonction de leur échéancier
contractuel ou probable. La confrontation des courbes d’amortissement des emplois et des
ressources met en évidence la transformation en liquidité opérée par la banque ainsi que le
risque encouru lorsque la durée des ressources disponibles est plus courte que celle des
emplois. Le risque de liquidité nait alors du décalage entre les ressources et les emplois. D’où
l’intérêt de calculer des impasses ou des gaps de liquidité. Quand le gap est positif, la banque
est excédentaire en ressources, lorsqu’il négatif, la banque est déficitaire. Quand l’équilibre en
liquidité est réalisé, le gap de liquidité est nul.
II.2. Mesure du risque de taux :
Les évolutions défavorables de la courbe de taux peuvent impacter négativement les
revenus futurs de la banque. Il est donc nécessaire de prendre en considération la sensibilité
des intérêts par rapport au risque de taux.
Il existe donc plusieurs techniques qui permettent de mesurer le risque de taux
d’intérêt et qui peuvent être réparties selon deux catégories : des techniques prenant en
compte des calendriers d’échéances et de révisions de taux, et des techniques utilisant des
approches de simulation.
 Calendriers d’échéances et de révisions de taux
- Analyse d’impasses :
C’est l’une des premières méthodes mises au point pour déterminer l’exposition au
risque des taux. Elle consiste à déduire, pour chaque fourchette, les dettes sensibles aux taux
aux créances correspondantes, donnant ainsi une « impasse ». Une impasse négative apparaît

- 20 -
Première Partie : Introduction et cadre général de l’étude

dans une fourchette lorsque les dettes sont supérieures aux actifs. Dans ce cas, une
augmentation des taux du marché peut entraîner une diminution du revenu d’intérêt net.
Inversement, une impasse positive signifie que le revenu d’intérêt net peut baisser à la suite
d’un repli des taux.
- La duration :
Le calendrier d’échéances et de révisions de taux peut également être utilisé pour
évaluer les effets des modifications de taux sur la valeur économique, en appliquant des
pondérations de sensibilité à chaque fourchette, fondées sur des estimations de la duration des
créances et dettes correspondantes. En effet, la duration est une mesure de la variation, en
pourcentage, de la valeur économique d’une position en présence d’une faible modification du
niveau des taux. Elle reflète l’échelonnement et l’ampleur des flux de trésorerie attendus
avant l’échéance contractuelle d’un instrument.
 Approches de simulation
De nombreuses banques, en particulier celles qui utilisent des instruments financiers
complexes ou présentent, par ailleurs, des profils de risque complexes, ont recours à des
systèmes de mesure plus sophistiqués que les simples calendriers d'échéances et de révisions
de taux. Ces techniques de simulation comportent généralement des évaluations détaillées des
effets potentiels des modifications des taux sur les bénéfices et la valeur économique, en
simulant l'évolution future des taux et leur incidence sur les flux de trésorerie.
- Simulations statiques
Dans les simulations statiques, seuls les flux financiers résultant des positions
courantes du bilan et du hors-bilan font l'objet d'évaluations. Pour estimer l'exposition des
bénéfices au risque de taux, des simulations sur les flux de trésorerie et bénéfices qui en
résultent sur une période donnée sont conduites sur la base d'un ou de plusieurs scénarios de
taux.
- Simulations dynamiques
Dans une approche de simulation dynamique, la simulation repose sur des hypothèses
plus détaillées de l'évolution future des taux et des variations attendues de l'activité de la
banque sur la période considérée. Elle pourrait ainsi comporter des hypothèses sur la stratégie
appliquée pour modifier les taux d'intérêt qu'elle contrôle (dépôts d'épargne, par exemple), sur
le comportement de la clientèle (retraits de dépôts à vue et d'épargne, par exemple) et/ou sur
le courant d'activité futur (nouveaux prêts ou autres transactions). Ces simulations utilisent de
telles hypothèses pour projeter les flux financiers escomptés et estimer les résultats
dynamiques des revenus et de la valeur économique.

III. Outils de gestion en ALM bancaire

L’ALM fournit des indicateurs et des outils de gestion des différents produits du bilan
afin de limiter l’exposition du bilan de la banque aux différents risques et de gérer ses
positions pour mettre en place les couvertures adaptées grâce à des produits de hors-bilan.
III.1. Outils de gestion du risque de liquidité
Pour gérer le risque de liquidité, il convient de distinguer entre la liquidité stockée et la
liquidité empruntée. Deux solutions sont envisageables :
 Céder des actifs pour obtenir de la liquidité. Dans ce sens, le portefeuille des titres de
la banque constitue la principale source de liquidité. La banque s’intéresse
principalement aux titres de transactions qui peuvent être cédés rapidement.

- 21 -
Première Partie : Introduction et cadre général de l’étude

 Emprunter soit auprès de la banque centrale en répondant aux appels d’offre de celle-
ci, soit sur le marché interbancaire.
Le choix de l’une ou l’autre des solutions dépend de plusieurs facteurs. En effet,
emprunter sur le marché peut s’avérer plus risqué que la cession d’actifs. De plus, les banques
n’ont pas la même facilité d’accès au marché de capitaux car cela dépend de plusieurs
paramètres notamment la taille de l’établissement, sa solidité financière,... Les banques
doivent donc être plus attentives au risque de liquidité et doivent détenir dans leurs bilans des
actifs.
III.2. Outils de gestion du risque de taux d’intérêt
La gestion du risque de taux a pour objectif d’immuniser les marges d’intérêts
prévisionnelles. Pour cela, la banque doit réaliser l’égalité de la duration de ses actifs et
passifs soit par la technique de l’immunisation totale, soit par la couverture des positions de
taux sur le marché dérivé, notamment les accords de taux à terme (Forward Rate Agreement -
FRA) et les accords d'échange de taux (swaps de taux) :
 Un FRA est un contrat dans lequel deux parties A et B se mettent en accord que si,
à un instant T, le taux d’intérêt dépasse un seuil R, une partie A paiera à une partie
B une certaine somme et inversement si le taux d’intérêt est inférieur au seuil R
alors B fera un paiement pour A. La somme payée étant la différence des intérêts
sur le montant nominal du contrat. De cette façon, B s'assure face à la variation des
taux, puisqu'il reçoit un dédommagement si les taux sont plus élevés. D'autre part,
il doit faire un versement si les taux sont plus bas.
 Un accord d'échange de taux est un contrat selon lequel deux parties s'entendent
pour échanger des paiements d'intérêt sur un montant nominal donné, la partie
acheteuse paiera périodiquement un taux fixe à la partie vendeuse et celle-ci paiera
en retour un taux variable à la partie acheteuse. Ce type de contrat permet à une
banque de neutraliser l'effet désappariant de prêt à long terme en échangeant à
l'aide d'un swap les revenus fixes du prêt pour des revenus variables. Un swap peut
être considéré comme une succession d'accord de taux à terme.

IV. Les principaux postes du bilan et du Hors bilan bancaire

Les banques se situent à l’interface entre deux mondes qui différent en termes de
produits, de métiers, de mode de fonctionnement, etc. Il s’agit de la sphère opérationnelle et
financière dont les comptes sont tenus respectivement dans le Banking Book et le Trading
Book :
 Le Banking Book comprend l’ensemble des opérations avec la clientèle particulière et
les entreprises. Il concerne principalement le réseau des agences et la direction
commerciale. Les produits qui y sont comptabilisés sont classiquement des dépôts, des
crédits, des produits d’épargne, etc. ;
 Le Trading Book traite les relations avec les institutionnels. Les produits qui y sont
traités sont les crédits, les titres de marché, les instruments dérivés, etc. Il rend compte
de l’activité de marché de l’établissement financier ainsi que de son activité de
détention d’un portefeuille de titres.

- 22 -
Première Partie : Introduction et cadre général de l’étude

Actif Passif

Avances diverses Dépôts à vue

Crédits aux entreprises Comptes à terme Sphère
Crédits immobiliers classiques Comptes épargne opérationnelle
Crédits à la consommation
Bilan
Titres de créances négociables
Titres de transactions, de placement et Emprunts obligataires
d’investissement Titres subordonnées
Titres de participation Fonds propres
Résultat Sphère
financière

Hors Bilan Garanties données Garanties reçues

Contrats de garantie de taux Contrats de garantie de taux

TABLEAU 1: BILAN SIMPLIFIE D'UNE BANQUE

Le passif, qui correspond aux ressources de la banque, est essentiellement constitué de

l’épargne et des dépôts de la clientèle. Ces dépôts sont dits à vue, car ils peuvent être exigés à
tout instant par le client (d’où le terme de passif sans échéance), et constituent la principale
«raison d’être» de la gestion ALM. À l’exception des comptes courants et comptes chèques,
les dépôts sont rémunérés selon des taux qui évoluent. Tous ces dépôts sont comptabilisés en
couru, c’est- à- dire en coût amorti : on effectue une analyse période après période des flux
d’intérêts et des décaissements qui seront amenés à les affecter aux différentes dates futures.
À l’actif, qui correspond aux emplois, figurent, notamment, les crédits distribués par
l’établissement bancaire aux particuliers et aux entreprises. La majorité de ces crédits sont
contractés à taux fixe. Les excédents de trésorerie sont généralement soit prêtés à d’autres
établissements (sur le marché interbancaire) soit investis en des portefeuilles de titres,
d’échéances similaires à la durée de vie moyenne estimée des postes au passif.
La rubrique du Hors Bilan comprend également des postes qui génèrent des risques de
liquidité et de taux et qui nécessitent une modélisation.
En fonction de l’adossement emplois-ressources, la banque de détail a un :
 Besoin de liquidités lorsqu’il y a insuffisance des dépôts pour faire face à la demande
de crédits. Il lui faut alors trouver ces ressources, par exemple en émettant des titres ou
en ayant recours au prêt interbancaire ;
 Excédent de liquidités lorsque toute l’épargne liquide n’a pas été transformée. La
banque peut alors utiliser ces ressources pour prêter sur le marché interbancaire ou
investir en titres.
Nous nous intéressons dans le cadre de cette étude à la sphère opérationnelle dans la
mesure où elle s’inscrit dans un contexte plus commercial dont la culture financière se réduit à
une clientèle composée de particuliers, d’entreprises et de professionnels (commerces,
professions libérales, etc.). La qualité d’information disponible sur les contreparties est faible,
toutefois, les produits sont plus simples. La faiblesse de la qualité de l’information dont
dispose la banque sur le comportement de sa clientèle la met dans une situation critique où
l’anticipation des comportements ainsi que la mesure et la gestion des différents risques
auxquelles elle s’expose revêt une importance capitale. D’autant plus que la présence
d’options cachées est l’une des caractéristiques importantes de la sphère commerciale et que
l’exercice de ces options peut avoir des conséquences négatives sur le résultat de la banque.
En effet, un simple dépôt à vue laisse en réalité au client une palette d’options très riche

- 23 -
Première Partie : Introduction et cadre général de l’étude

puisqu’on lui accorde la possibilité d’y transférer des fonds d’une manière instantanée, dans
les deux sens, et à tout moment.
Dans notre étude, nous focaliserons notre attention sur la modélisation des dépôts à
vue ainsi que celle des déblocages des crédits non revolving afin d’affiner la compréhension
et la gestion du risque porté par ceux-ci et d’élaborer les conventions d’écoulement.

- 24 -
Première Partie : Introduction et cadre général de l’étude

Chapitre 3 : Cadre réglementaire

Comme leur impose le contexte économique et réglementaire, les banques doivent
renforcer leur dispositif de gestion du risque. En effet, ces dernières années le monde
financier a connu d’importantes fluctuations et a été bouleversé par plusieurs crises qui ont
menacé sa stabilité.

I. Réglementation Internationale
La mise en place en 1974 du Comité de Bâle par les banques Centrales Européennes a
permis aux banques et aux autorités de tutelle de mettre au premier plan l’importance d’une
gestion active des risques financiers.
Le comité Bâle effectue des recommandations en termes de gestion du risque de taux
et de liquidité et a instauré des mesures réglementaires rigides, imposant l’allocation
suffisante des fonds propres dans l’objectif est de couvrir tous les types de risques
susceptibles d’affecter négativement la solvabilité et la performance des établissements
bancaire. Le premier accord de cette organisation a eu lieu en 1988. Il s’agissait d’un accord
sur les règles de capital propre. Il a été adopté par plus de 100 pays dont les banques ont été
soumises à la réglementation en 1993 sous la dénomination Bâle I. Mais cette réglementation
s’est révélée insuffisante. C’est pourquoi le comité de Bâle a décidé de mettre en œuvre une
nouvelle réglementation : Bâle II dont le règlement 97-02 rappelle l'obligation pour les
institutions financières de disposer d'outils et de systèmes de mesure des risques.
Les recommandations de Bâle II mettent en évidence la nécessité de la gestion du
risque de taux, mais également mettent l’accent sur la liquidité : les scénarios de crise doivent
intégrer le risque de liquidité dans la projection des flux sur la base de différentes hypothèses
de sévérité, ces hypothèses doivent intégrer à la fois des facteurs externes (liquidité du
marché) et des facteurs internes (problèmes de refinancement).
Les Accords de Bâle III traduisent la volonté des régulateurs de renforcer la régulation
du système financier mis à mal durant la crise financière de 2007. Ils enrichissent la
réglementation prudentielle existante en visant l’amélioration de la qualité des fonds propres
et une meilleure maîtrise des risques.
En plus de renforcer les exigences des précédents accords de Bâle concernant la
gestion des risques et la solvabilité des établissements financiers, les accords de Bâle III
présentent de nouvelles mesures destinées à encadrer et suivre le risque de liquidité. A cette
fin, deux nouveaux ratios ont été définis : le ratio de liquidité long terme (NSFR) et le ratio de
liquidité court terme (LCR).
Le LCR (« Liquidity Coverage Ratio »), destiné au pilotage court terme, a but de
démontrer la stabilité d’un organisme financier face à une crise financière systémique aigue
sur un mois. Pour cela, le montant des réserves de liquidité, cash et actifs hautement liquides
doit être supérieur au montant des exigibilités et fuites de liquidité sur un mois dans un
scénario adverse (stressé). Il contraint les banques à détenir un stock d’actifs sans risque et
facilement négociables, pour être en capacité de compenser des décaissements importants, tels
que les retraits importants d’encours sur des dépôts à vue suite à une crise de confiance, sur
un mois.
𝐸𝑛𝑐𝑜𝑢𝑟𝑠 𝑑 ′ 𝑎𝑐𝑡𝑖𝑓𝑠 𝑙𝑖𝑞𝑢𝑖𝑑𝑖𝑒𝑠 𝑑𝑒 ℎ𝑎𝑢𝑡𝑒 𝑞𝑢𝑎𝑙𝑖𝑡é
𝐿𝐶𝑅 = ≥ 100%
𝑆𝑜𝑟𝑡𝑖𝑒𝑠 𝑛𝑒𝑡𝑡𝑒𝑠 𝑑𝑒 𝑡𝑟é𝑠𝑜𝑟𝑒𝑟𝑖𝑒 𝑠𝑢𝑟 𝑙𝑒𝑠 30 𝑗𝑜𝑢𝑟𝑠 𝑠𝑢𝑖𝑣𝑎𝑛𝑡𝑠
Le NSFR (« Net Stable Funding Ratio »), orienté long terme et qui complète le ratio
de liquidité à court terme, a lui pour objectif de garantir la capacité de l’organisme financier à

- 25 -
Première Partie : Introduction et cadre général de l’étude

résister à une crise idiosyncratique, en assurant un financement stable permettant à la banque

de poursuivre sainement ses activités pendant une période d’une année dans un scénario de
tension prolongé. Pour cela, le montant des ressources disponibles considérées comme stables
doit être supérieur au montant des besoins en ressources stables.
𝑀𝑜𝑛𝑡𝑎𝑛𝑡 𝑑𝑒 𝑓𝑖𝑛𝑎𝑛𝑐𝑒𝑚𝑒𝑛𝑡 𝑠𝑡𝑎𝑏𝑙𝑒 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒
𝑁𝑆𝐹𝑅 = ≥ 100%
𝑀𝑜𝑛𝑡𝑎𝑛𝑡 𝑑𝑒 𝑓𝑖𝑛𝑎𝑛𝑐𝑒𝑚𝑒𝑛𝑡 𝑠𝑡𝑎𝑏𝑙𝑒 𝑒𝑥𝑖𝑔é
L’objectif actuel est un déploiement progressif de l’ensemble des mesures de Bâle III
pour 2019. En ce qui concerne les ratios ci-dessus, le LCR est mis en place depuis le début de
l’année 2015, mais avec pour l’instant comme objectif un ratio de 60%, augmenté de 10%
tous les ans jusqu’à atteindre la cible de 100% en 2019. Concernant le NSFR, son
déploiement est actuellement prévu pour 2018.
Concernant les problématiques de risque de liquidité et de taux, les recommandations
de Bâle II fournissent un large éventail de facteurs qui doivent être envisagés en ALM pour
une gestion saine de risques. Il est donc recommandé d’évaluer les différents risques existants
en se basant sur des indicateurs qui pourront être calculés en ALM et pour lesquels la banque
devra se fixer des limites en accord avec ses objectifs. Parmi ces indicateurs, on trouve le ratio
de liquidité :
𝐴𝑐𝑡𝑖𝑓𝑠 𝑙𝑖𝑞𝑢𝑖𝑑𝑒𝑠
𝑅𝑙𝑖𝑞𝑢𝑖𝑑𝑖𝑡é =
𝑃𝑎𝑠𝑠𝑖𝑓𝑠 𝑑𝑒 𝑐𝑜𝑢𝑟𝑡 𝑡𝑒𝑟𝑚𝑒

De ce fait, l’ALM est très concerné par les évolutions réglementaires en cours dans le
secteur bancaire. Les ratios de liquidité du Comité de Bâle constituent à ce titre une contrainte
majeure qui va à l’encontre d’une gestion active et sur-mesure du bilan par l’ALM : que ce
soit le LCR (le ratio de liquidité court terme) ou le NSFR (le ratio de liquidité long terme), les
nouveaux ratios introduisent un même calcul et des hypothèses identiques pour l’ensemble
des établissements, quels que soient leur modèle ou leurs conditions d’activité. En limitant la
capacité des banques à financer leurs crédits à long terme par des dépôts à court terme, le
NSFR va jusqu’à remettre en question le métier même de l’ALM : garantir que le processus
de transformation, au cœur de la croissance économique, se fasse dans des conditions de
sécurité suffisantes.
Le comité de Bâle définit donc divers objectifs à atteindre afin d’appréhender
correctement le risque de taux et gérer parallèlement les besoins de liquidité. Pour cela, il
recommande la mise en place de conventions d’écoulement pour chacun des produits du
bilan. Cela permettra par la suite de calculer les impasses de liquidité du bilan aux différentes
dates futures. Le comité de Bâle recommande d’effectuer des écoulements statiques et
dynamiques.

II. Réglementation Marocaine

Les établissements financiers marocains tardent à mettre en œuvre leur gestion des
risques. Le souci de Bank Al-Maghreb, dans le cadre de la nouvelle réglementation Bâle II,
est venu pour préparer un projet de recommandations générales afin d'améliorer la
convergence des pratiques du suivi, de surveillance et de la gestion des risques.
Le comité de coordination et de surveillance des risques systémiques qui rassemble tous
les régulateurs de la place (BAM, AMMC, ACAPS, Direction du Trésor) et qui se charge de la
surveillance macro-prudentielle du secteur financier, a attiré l’attention sur la question depuis juin
2016 en soulignant à l’issue de sa réunion semestrielle «l’exposition des banques au risque de
taux d’intérêt dans une phase où la croissance des crédits bancaires est portée par ceux à
l’habitat assortis de taux bas». Le même comité en a remis une couche en martelant l’exposition

- 26 -
Première Partie : Introduction et cadre général de l’étude

du secteur à «un risque de taux d’intérêt, dans un contexte de forte concurrence à l’octroi de
crédits, ce qui constitue une zone d’attention qui requiert un suivi rapproché».

Outres les directives imposant les règles de gestion des risques de taux, la Directive de
BAM n° 31/G/07 relative au dispositif de gestion du risque global de liquidité bancaire exige
une gestion saine de la liquidité impliquant la mise en place d’une stratégie qui définit la
politique générale à adopter pour assurer un niveau de risque de liquidité acceptable au regard
de l’activité de l’établissement et de l’environnement économique dans lequel il évolue. Cette
dernière prévoit des mesures progressives, avec un premier jalon au 1er juillet 2015, date à
laquelle le ratio de liquidité (LCR) à court terme des banques a dû être au minimum de 60%;
et un 2ème jalon au 1er juillet 2019, date à laquelle ce ratio devra se situer à 100%, au terme
d'un processus d'incrémentation annuelle de 10%.

Conclusion
La gestion actif-passif rêvait donc une importance grandissante pour tout établissement
financier. De par leur activité de transformation, les banques sont soumises aux risques et aux
aléas du marché financier, notamment le risque de liquidité et le risque de taux, qu’ils essaient
de maitriser à travers la mise en place et le suivi d’un certain nombre d’indicateurs et selon les
recommandations des régulateurs et celles du comité de Bâle.
Dans cette optique, nous nous intéressons dans la suite à la modélisation des dépôts à vue et à
leurs écoulements ainsi qu’à la modélisation des déblocages des crédits non revolving logé
dans le hors bilan. Les résultats seront utilisés pour construire les impasses de liquidité qui
sont un outil important de mesure du risque de liquidité encouru par banque.

- 27 -
Deuxième Partie : Modélisation des dépôts
à vue et du déblocage des crédits
Pour une bonne gestion et un meilleur suivi des risques afférents à
l’activité bancaire, une des principales étapes est la modélisation des
différents postes du bilan et de l’hors-bilan et la détermination des
règles d’écoulement.

- 28 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Contexte et cadre général

Schématiquement, la banque emprunte sur des périodes plutôt courtes à ceux qui
présentent un excès de liquidité afin de prêter sur des périodes plus longues à ceux qui
demandent un financement. Bien que grossière, cette schématisation permet de mettre à jour
les deux plus importants postes du bilan bancaire : les dépôts et les crédits. Pour avoir chaque
année une bonne photographie du bilan, il faut que ce dernier contienne toute l’information
pour chaque ligne du bilan considérée. Or, certains ne sont pas échéancés. Des conventions
d’écoulement des lignes de bilan sans échéances sont alors établies. Elles permettent de
traduire une réalité de renouvellement automatique des encours ou leur évaporation. Elles
donnent aussi la possibilité de simuler l’évolution du bilan.
Les encours à l’actif d’une banque (prêts aux particuliers,...) et à son passif (dépôts de
la clientèle,...) s’écoulent de manière très variée. Certains de ces écoulements tels que les
dépôts à vue nécessitent une modélisation statistique du comportement des clients pour piloter
le risque de liquidité et le risque de taux de la banque.
L’élaboration des conventions d’écoulement est une étape essentielle pour résoudre la
problématique des éléments non-échéancés et d’autres qui contiennent les options cachées.
La gestion du risque de taux et le risque de liquidité nécessitent de s’intéresser à un
certain nombre de postes du bilan pour lesquels la prévision des encours est rendue difficile. Il
s’agit d’une part des postes non échéancés tel que les dépôts à vue ou des crédits.
Vu l’importance des dépôts à vue et des crédits dans les ressources et emplois des
banques, on a choisi de nous concentrer sur ces deux éléments pour l’élaboration d’une
convention d’écoulement. La modélisation de l’écoulement de ces éléments est un point
central de notre étude et nécessitent des méthodes statistiques. L’objectif de cette partie est
donc double.
Pour répondre à ces objectifs, la démarche envisagée consiste à présenter la notion
d’écoulement des postes du bilan, ensuite d’élaborer l’écoulement des dépôts à vue, en se
basant sur une modélisation statistique de l’encours de ces éléments. Cette modélisation
permettra par la suite de déterminer des conventions d’écoulements et pouvoir finalement
mesurer le risque de taux et de liquidité sur l’ensemble du bilan. Nous entamerons ensuite la
modélisation des options cachées. Nous passons d’abord en revue les différents modèles de la
littérature avant de présenter les résultats des modélisations que nous avons retenues.

- 29 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Chapitre 1 : Modélisation des dépôts à vue

I. Introduction et cadre général

Dans le cadre de l’ALM, la modélisation du comportement des clients est une étape
fondamentale pour la valorisation de leurs dépôts. Cette modélisation a pour objectif :
 D’établir les lois d’écoulement des dépôts
 D’estimer le niveau futur des dépôts
 D’estimer les gains et les pertes relatifs aux dépôts de la banque
Les dépôts étant le cœur de la liquidité, nous nous baserons sur une approche
statistique pour évaluer le comportement de ces dépôts au fil du temps, via celui de leurs
encours, et donc à fortiori, celui de la liquidité bancaire. La modélisation statistique des
principales catégories des dépôts a pour but de déterminer les modèles qui représentent au
mieux les séries d’encours traités.
Un des points importants de la modélisation est de distinguer les produits non
échéancés des produits échéancés. Les produits non échéancés sont des produits qui n’ont pas
de maturité contractuelle et donc les encours de ces produits peuvent aussi bien restés
indéfiniment dans le bilan que disparaître immédiatement. Contrairement aux produits
échéancés qui comprennent, quant à eux, une date de maturité fixée suivant les termes du
contrat. Les dépôts à vue sont des produits non échéancés.
La modélisation des encours des dépôts que nous allons effectuer portera sur les
dépôts non échéancés qui représentent la plus grandie du passif. Avant de procéder à l’analyse
statistique et à la modélisation, nous commencerons tout d’abord pas la définition de chacune
de ces catégories.
I.1. Les principaux types de dépôts bancaires
Nous allons regrouper les dépôts au sein de trois catégories majeures :
 Les dépôts à vue : ce sont des dépôts dont les fonds peuvent être retirés à tout moment.
Les comptes courants ou les comptes chèques fournissent un exemple de tels dépôts.
 Les comptes d’épargne : ils sont par nature moins liquides que les comptes courant et
les comptes chèques dans la mesure où le retrait par moyens de paiement n’est pas
possible. Les fonds sont toutes fois disponibles « à vue ». Ils sont rémunérés et
fiscalisés.
 Les dépôts à terme : ils ont une durée fixée et rapportent un intérêt au détenteur si
celui-ci ne retire pas son dépôt avant l’écoulement de l’échéance.
La gestion des dépôts à terme n’est pas difficile car ces produits ont une maturité
contractuelle et il est possible de déterminer un horizon de placement optimal sans difficulté.
En revanche, les dépôts à vue comprennent des produits n’ayant pas une maturité
contractuelle. Cette différence induit une plus grande volatilité et donc une interrogation quant
à la stratégie optimale de placement qui peut s’appliquer à eux. Pour cela, nous concentrons
notre étude sur la modélisation des dépôts dits à vue tels que les comptes chèques, épargnes et
courants.

- 30 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

I.2. Définition et typologie des dépôts à vue

I.2.1. Définition des dépôts à vue :

Un dépôt à vue est un dépôt, rémunéré ou non, dont les fonds peuvent être retirés
partiellement ou totalement à tout instant. Ce sont des dépôts qui peuvent être retirés sans
préavis et sans pénalités. L’exemple le plus courant en est le compte chèque.
I.2.2. Les différents types des dépôts à vue :
Il existe trois types de comptes liés aux dépôts à vue :
 Les comptes courants : c’est une convention utilisée entre des personnes dans les
relations commerciales et financières. Ce sont des dépôts à vue destinés à des
personnes morales.
 Les comptes chèques : ce sont des comptes courants mais destinés à des personnes
physiques.
 Les comptes d’épargne : appelés aussi comptes sur livret ou comptes sur carnet, c’est
un dépôt d’argent à vue dans une banque qui est rémunéré.
Notre étude concerne donc deux catégories de dépôts à vue :
 Les dépôts à vue rémunérés
 Les dépôts à vue non rémunérés
Les dépôts à vue constituent une part importante des ressources pour une banque
commerciale. La modélisation de l’encours des dépôts représente donc un enjeu de taille.
Demey, Frachot et Riboulet mettent en exergue ce problème en évoquant les dépôts à
vue. Selon eux, deux conceptions s’opposent :
− La première se veut prudente. Comme nous l’avons mentionné, l’absence de maturité
contractuelle de ces dépôts les rend volatiles. Ils peuvent donc disparaître rapidement.
Dès lors, il serait imprudent de les considérer comme des ressources longues.
− La seconde approche, plus pratique, repose sur une observation simple : l’encours des
dépôts à vue se révèle très stable dans le temps. Ceci implique des ressources longues.
La méthode envisagée a pour objectif de séparer statistiquement la partie stable et la
partie volatile du montant des DAV. Ces éléments peuvent être estimés en élaborant tout
d’abord une modélisation de l’encours des DAV, ensuite un écoulement des dépôts sur
plusieurs tranches d’échéances.
Ainsi, il faut effectuer une distinction entre les montants présents dans le bilan à une
date t (le stock ou l’encours) et la façon dont ils s’écoulent, et les montants entrant dans le
bilan aux différentes dates futures (la nouvelle production). Au final, à chaque date, l’encours
présent au bilan est égal à l’amortissement du stock de la date précédente auquel est ajoutée la
production nouvelle de la date courante.

- 31 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

II. Cadre théorique

II.1. Méthodes de modélisation des dépôts à vue

II.1.1. Méthodes de modélisation des dépôts à vue rémunérés

Dans cette partie nous allons présenter les différents modèles de dépôts à vue qui
s’inscrivent dans l’optique d’une meilleure modélisation des DAV rémunérés. Il s’agit des
modèles de Jarrow & Van Deventer, O’brien et du modèle OTS (Office of Thrift
Supervision).
 Le modèle de Jarrow & Van Deventer :
La modélisation, qui a été développée par Jarrow & Van Deventer en 1998, s’est basée
essentiellement sur une hypothèse de segmentation du marché dans lequel il n’existe que deux
types d’intervenants : les institutions financières et les épargnants.
Nous avons émis l’hypothèse que les déposants jugent très suffisante l’information
apportée par le niveau des taux de marché pour qu’ils soient capables de faire l’arbitrage
placement-épargne. Cette hypothèse est judicieusement acceptée puisque le taux de
rémunération n’est qu’une fonction croissante des taux de marché avec un décalage mensuel
prêt.
Dans ce cadre nous aurons à estimer le modèle suivant :
𝑙𝑜𝑔𝐷𝑘 − 𝑙𝑜𝑔𝐷𝑘−1 = 𝛼1 + 𝛼2 𝑡𝑘 + 𝛼3 𝑅𝑘 + 𝛼4 (𝑅𝑘 − 𝑅𝑘−1 )
Où :
 𝐷𝑘 : l’encours des dépôts à vue à l’instant k
 𝑅𝑘 : Le taux de marché
 𝑡𝑘 : tendance linéaire du temps représentant les variables macroéconomiques
L’apport de ce modèle est de mettre en valeur la liaison entre la variation
logarithmique des encours des dépôts 𝐷𝑘 à une tendance linéaire du temps 𝑡𝑘 , à l’évolution
des taux 𝑅𝑘 mais également à la variation de ces taux. Ce modèle peut également être utilisé
pour la modélisation des dépôts à vue non rémunérés.
 Le modèle de O’brien :
La modélisation de O’brien met l’accent sur la distinction entre le taux de
rémunération et le taux de marché, ce modèle à l’avantage de prendre en compte l’ajustement
non symétrique des taux de rémunération des dépôts par rapport aux taux de marché. Cette
asymétrie ce manifeste essentiellement par le fait que lorsque les taux de marché baissent les
taux de rémunération des dépôts ont tendance à baisser relativement vite, alors que lorsque les
taux de marché augmentent les taux de rémunérations ont tendance à augmenter plus
lentement.
Le modèle à estimer est :
𝑙𝑜𝑔𝐷𝑘 = 𝛼1 + 𝛼2 (𝑅𝑘 − 𝑖𝑘 ) + 𝛼3 𝑡𝑘 + 𝛼4 𝑙𝑜𝑔𝐷𝑘−1
Où :
 𝐷𝑘 : l’encours des dépôts à vue à l’instant k
 𝑅𝑘 : Le taux de marché
 𝑖𝑘 : Le taux de rémunération des dépôts

- 32 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

 𝑡𝑘 : tendance linéaire du temps représentant les variables macroéconomiques

 Le modèle de l’OTS :
Le modèle de l’OTS repose principalement en la création d’un modèle discret
d’évolution des encours des dépôts à vue où il évoque la conception de la non-linéarité, alors
que les modèles cités précédemment sont clairement non linéaire mais ils émettent
l’hypothèse que l’ajustement se fait suivant un schéma presque linéaire à une transformation
connue.
Le modèle s’écrit :
𝑖𝑘
𝐷𝑘 = 𝐷𝑘−1 (𝑎 + 𝑏 ∗ arctan (𝑑 + 𝑐 ( )) + 𝑒 ∗ 𝑖𝑘 )1/12
𝑅𝑘
Où :
 𝐷𝑘 : l’encours des dépôts à vue à l’instant k
 𝑅𝑘 : Le taux de marché
 𝑖𝑘 : Le taux de rémunération des dépôts
 𝑎, 𝑏, 𝑐, 𝑑, 𝑒: sont des coefficients
Ce modèle est similaire au modèle d’Obrien dans la mesure où il prend en
considération la non symétrie des taux de rémunération des dépôts par rapport aux taux de
marché.
II.1.2. Méthodes de modélisation des dépôts à vue non rémunérés :
La modélisation des dépôts à vue non rémunérés consiste essentiellement en
l’identification du modèle le plus adéquat pour effectuer cette tâche, la littérature propose les
modèles suivants : Selvaggio, Dupré et OTS.
 Le modèle de Selvaggio :
Selvaggio a proposé en 1996 l’un des premiers modèles de l’évolution des encours des
dépôts à vue. L’idée de base vient de la détermination de l’encours cible 𝐷𝑘∗ des dépôts qui a
une dynamique en fonction des variables macroéconomiques 𝑌𝑘 et du taux d’intérêt 𝑅𝑘 .
Le modèle est le suivant :
𝑙𝑜𝑔𝐷𝑘∗ = 𝛼1 + 𝛼2 𝑙𝑜𝑔𝑅𝑘 + 𝛼3 𝑙𝑜𝑔𝑌𝑘
Où :
 𝑌𝑘 : représente les variables macroéconomiques autres que les taux d’intérêts. C’est un
indicateur qui peut être représentés par les salaires, le taux de chômage…
 𝛼1 , 𝛼2 , 𝛼3 : sont des coefficients
Il suppose par la suite que les encours ont une tendance à s’ajuster autour de l’encours
cible à une vitesse 𝜆 selon l’équation suivante :
𝐿𝑜𝑔𝐷𝑘 = 𝐿𝑜𝑔𝐷𝑘−1 + 𝜆(𝑙𝑜𝑔𝐷𝑘∗ − 𝐿𝑜𝑔𝐷𝑘−1 )
Pour obtenir finalement le modèle suivant :
𝐿𝑜𝑔𝐷𝑘 = (1 − 𝜆)𝐿𝑜𝑔𝐷𝑘−1 + 𝜆(𝛼1 + 𝛼2 𝑙𝑜𝑔𝑅𝑘 + 𝛼3 𝑙𝑜𝑔𝑌𝑘 )
Le modèle de Selvaggio s’est basé sur des données mensuelles, donc il a fallu ajouter
une variable qui prend en considération la saisonnalité des dépôts à vue, ainsi, si nous

- 33 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

supposons une tendance exponentielle du temps des variables macroéconomiques, le modèle

aura la forme suivante :
15

𝐿𝑜𝑔𝐷𝑘 = 𝛼0 + 𝛼1 𝐿𝑜𝑔𝐷𝑘−1 + 𝛼2 𝑙𝑜𝑔𝑅𝑘 + 𝛼3 𝑡 + ∑ 𝛼𝑖 𝑚𝑜𝑛𝑡ℎ𝑖−3

𝑖=4

Avec 𝑚𝑜𝑛𝑡ℎ𝑖−3 qui représente des variables tests mensuelles.

Ce modèle repose essentiellement sur les hypothèses suivantes :
 L’existence d’une valeur cible des DAV
 La vitesse d’ajustement autour de la valeur cible est supposée constante
 La valeur cible n’est pas stable
 On modélise le logarithme des encours et non les encours
 log(𝑌𝑘 ) a une tendance linéaire du temps
Suite à la non-saisonnalité des données mensuelles, on écarte les variables tests
mensuelles de la formule, on retrouve une nouvelle forme qui s’écrit de la sorte :
𝐿𝑜𝑔𝐷𝑘 = 𝛼0 + 𝛼1 𝐿𝑜𝑔𝐷𝑘−1 + 𝛼2 𝑙𝑜𝑔𝑅𝑘 + 𝛼3 𝑡
 Le modèle de Dupré :
En 1996, Dupré a mis en place un modèle d’évaluation des encours des dépôts à vue
en temps continu qui se présente comme suit :
𝑑𝐷𝑡
= (𝛼 − 𝛽𝑟𝑡 )𝑑𝑡
𝐷𝑡
Où :
 𝐷𝑡 est l’encours des dépôts à vue à l’instant t
 𝑟𝑡 est le taux court instantané
 𝛼 représente une tendance moyenne du comportement non financier des personnes qui
déposent l’argent
 𝛽 correspond au taux de collecte supplémentaire pour un point de diminution des taux
Le modèle a les avantages suivants :
 Il valorise explicitement les dépôts
 Il comprend un coefficient interprétable financièrement (𝛽)
Une augmentation de 𝛽 représente une évolution rationnelle des déposants qui, voyant
le taux court augmenter, vont retirer leur placement sur des produits non rémunérés qui ne
leur rapportent rien pour les investir dans des produits financiers dont la rémunération va de
pair avec l’évolution du taux court.
Pour estimer les paramètres de ce modèle, il est nécessaire d’opter en premier lieu
pour une discrétisation. Sous l’hypothèse que 𝛼 𝑒𝑡 𝛽 sont constants par rapport au temps, on
intègre l’équation du modèle sur un pas de temps 𝛿 :
𝑡𝑘+𝛿 𝑡𝑘+𝛿
𝑙𝑜𝑔𝐷𝑘 − 𝑙𝑜𝑔𝐷𝑘−1 = ∫ (𝛼 − 𝛽𝑟𝑡 )𝑑𝑡 = 𝛼𝛿 − 𝛽 ∫ 𝑟𝑡 𝑑𝑡
𝑡𝑘 𝑡𝑘

On peut utiliser une formulation discrète pour le taux court sur un pas de temps, on le
notera 𝑅𝑘 :

- 34 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

1 𝑡𝑘+𝛿
𝑅𝑘 = ∫ 𝑟𝑠 𝑑𝑠
𝛿 𝑡𝑘
Le modèle devient :
𝑙𝑜𝑔𝐷𝑘 − 𝑙𝑜𝑔𝐷𝑘−1 = 𝛼𝛿 − 𝛽𝛿𝑅𝑘
Le modèle devient simple, en considérant les nouveaux paramètres apparus après
l’intégration, soit :
𝑙𝑜𝑔𝐷𝑘 − 𝑙𝑜𝑔𝐷𝑘−1 = 𝛼1 − 𝛼2 𝑅𝑘

 Le modèle OTS :
Dans l’absence d’une rémunération, le problème d’estimation se résume à la
𝐷
détermination de 𝛼 que nous estimons par la moyenne du rapport 𝐷 𝑘 .
𝑘−1

𝐷𝑘 = 𝛼𝐷𝑘−1
Ce modèle pourrait paraître simple, mais il est utilisé par de nombreuses institutions
financières aux Etats-Unis.
II.2. Fonctions d’écoulement
Après avoir donné un aperçu global sur les modèles prédéfinis de la modélisation des
dépôts à vue rémunérés et non rémunérés, on désigne le modèle le plus approprié et le plus
significatif et ceci à l’aide d’outils statistiques, en l’occurrence le coefficient d’ajustement 𝑅 2.
Nous pouvons donc envisager maintenant l’estimation de la fonction d’écoulement.
Il existe plusieurs types d’écoulement que la banque peut choisir d’adopter pour ses
DAV. Ceux-ci dépendent du degré de prudence pour appréhender le risque de liquidité. Mais
avant, la banque doit déterminer la part de ces dépôts qu’elle considère stable dans son stock
et la part volatile afin de mieux gérer sa liquidité.
II.2.1. Détermination de la part stable et de la part volatile des DAV
Afin de pouvoir séparer les parts stable et volatile du stock bancaire des DAV, on
calcule le coefficient de variation de la série des encours sur la durée étudiée comme suit :
𝜎𝐷
𝐶𝑉 =
̅
𝐷
Avec :
 𝜎𝐷 étant l’écart type des encours
 ̅ étant la moyenne des encours
𝐷
On définit ainsi la partie stable (PS) et la partie volatile (PV) par les relations
suivantes :
 𝑃𝑆 = (1 − 𝐶𝑉) ∗ 𝐷
 𝑃𝑉 = 𝐶𝑉 ∗ 𝐷

 Présentation des conventions d’écoulement :

Le déséquilibre entre actifs et passifs bancaires engendre un besoin de refinancement
ou de placements à des dates futures relatives à des données inconnues. Ce qui peut provoquer
une mauvaise appréhension de la liquidité de la banque.

- 35 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Ainsi, il devient primordial pour la banque d’évaluer la façon avec laquelle chacun de
ses actifs et passifs va évoluer au cours du temps. Pour ce faire, on a besoin de l’élaboration
des conventions d’écoulement qui permet l’analyse et le suivi de l’écoulement des actifs et
passifs du système bancaire.
Les conventions d’écoulement des lignes non échéancés du bilan sont un élément clé
en matière de mesure du risque de taux et de liquidité, leur définition permet d’évaluer
l’écoulement des actifs et des passifs au cours du temps. Les principaux modèles développés
dans la littérature traitent la problématique de l’écoulement des DAV en se basant sur des
hypothèses sur le comportement rationnel des clients face à l’évolution des paramètres du
marché.
On s’intéresse en premier lieu à l’écoulement des encours existants dans le bilan.
 Présentation des fonctions d’écoulement du stock:
Notre travail s’intéresse principalement dans cette partie à l’écoulement des encours
existants dans le bilan intitulé « l’écoulement du stock » ;
L’écoulement s’effectue sous l’hypothèse d’absence d’éventuelles productions
nouvelles futures.
La fonction d’écoulement de la production est égale à :
𝑇
𝑆(𝑡, 𝑇) = exp(− ∫ 𝜆(𝑢)𝑑𝑢)
𝑡

Où 𝜆, ne dépendant pas de la date de génération, est la seule qui conduise à l’égalité entre
fonction d’écoulement du stock et fonction d’écoulement de la production.
D’où :
𝜕 ln(𝑆(𝑡, 𝑇))
𝑆𝑆𝑡𝑜𝑐𝑘 (𝑡, 𝑇) = 𝑆(𝑡, 𝑇) ⇒ 𝜆(𝑡, 𝑇) = = 𝜆(𝑇)
𝜕𝑇
L’encours des DAV s’écrit donc sous la forme suivante :
𝑇 𝑡
𝐷𝑡 = ∫ 𝑃𝑁(𝑠) exp (− ∫ 𝜆(𝑢)𝑑𝑢) 𝑑𝑠
−∞ 𝑠

Soit une dynamique :

𝑑𝐷𝑡 = (𝑃𝑁(𝑡) − 𝜆𝐷𝑡 )𝑑𝑡
Qui s’interprète de la façon suivante : les variations d’encours sont égales aux flux
créditeurs mois les flux débiteurs, exprimés comme un pourcentage de l’encours disponible.
Pour simplifier, on considère que la vitesse d’ajustement 𝜆 et les flux créditeurs PN
sont constants. Des lors, on obtient la dynamique d’écoulement suivante :
𝐷𝑡 = 𝐷∗ + (𝐷0 − 𝐷∗ ) ∗ 𝑒 −𝜆.𝑡

 Présentation des fonctions d’écoulement de la production nouvelle:

La fonction d’écoulement donne la probabilité qu’un dirham de production nouvelle
entrant dans le bilan à une date t soit encore présent à une date t ultérieure. On note PN(t) la
production nouvelle apparue à la date t. PN(t,T) est le montant de cette production encore
présent à la date T.

- 36 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

On définit alors la fonction d’écoulement de la production nouvelle par la relation

suivante :
𝑃𝑁(𝑡, 𝑇) = 𝑃𝑁(𝑡). 𝑆(𝑡, 𝑇)
Cette fonction d’écoulement définit la convention en liquidité du produit et a les
propriétés suivantes :
 𝑆(𝑡, 𝑇) = 1, un dirham entrant dans le bilan à la date t se trouve toujours dans le bilan
à la date t.
 𝑆(𝑡, +∞) = 0, la production disparaît tôt ou tard du bilan.
II.3. Rappel sur les séries chronologiques

II.3.1. Définition d’une série chronologique

Une série chronologique ou temporelle est une suite finie d’observations numériques
ordonnées chronologiquement effectuées à intervalles réguliers au cours de plusieurs années
et qui représentent l’évolution d’une quantité spécifique au cours du temps. Il est aussi
d’usage, d’aborder cette définition en évoquant la notion de processus stochastique (ou
aléatoire). Une série temporelle est alors considérée comme étant une réalisation particulière
d’un processus aléatoire.
De telles suites de valeurs peuvent être exprimées mathématiquement afin d’en
analyser le comportement, et généralement pour comprendre son évolution passée et pour en
prévoir le comportement futur.
Parmi les objectifs principaux d’analyse des séries temporelles :
 Explication
Les variations d’une série peuvent être expliquées par une autre série
Les analyses permettent de réaliser des scénarios pour la période contemporaine : en
agissant sur une variable explicative, il est possible d’observer le comportement de la variable
expliquée.
 La modélisation
Connaitre la structure de la série chronologique
Développer des modèles permettant de décrire le comportement d’une ou plusieurs
séries chronologiques
Mettre au point une méthodologie pour spécifier, estimer et valider un modèle
approprié pour des données particulières.
 La prévision
Etant donné des observations 𝑋1 , … , 𝑋𝑇 , la prévision consiste à évaluer une valeur
non observée 𝑋𝑇+ℎ . La prévision peut être ponctuelle, ou prendre la forme d’un intervalle de
prévision.
Processus stationnaire au sens large (SSL)
Un processus 𝑋𝑡 est dit stationnaire au sens large (SSL) ssi :
1. 𝐸(𝑋𝑡 ) est constante
2. 𝐸(𝑋𝑡 ²) < ∞
3. La fonction d’auto-covariance 𝛾(𝑘) = 𝐶𝑜𝑣(𝑋𝑡 , 𝑋𝑡+𝑘 ) = 𝐸{(𝑋𝑡 − 𝐸(𝑋𝑡 ))(𝑋𝑡+𝑘 − 𝐸(𝑋𝑡+𝑘 ))}
est indépendante de t, ∀ 𝑘 ∈ ℤ

- 37 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

La fonction d’autocorrélation 𝜌 d’un processus 𝑋𝑡 SSL est :

𝑐𝑜𝑣(𝑋𝑡 , 𝑋𝑡+𝑘 ) 𝛾(𝑘)
𝜌(𝑘) = 𝑐𝑜𝑟𝑟(𝑋𝑡 , 𝑋𝑡+𝑘 ) = =
√𝑣𝑎𝑟(𝑋𝑡 ). 𝑣𝑎𝑟(𝑋𝑡+𝑘 ) 𝛾(0)

Bruit Blanc
On dit que 𝑋𝑡 est un bruit blanc et on note 𝑋𝑡 ~𝐵𝐵(0, 𝜎 2 ) si :
1. 𝑋𝑡 est centré : 𝐸(𝑋𝑡 ) = 0
2. 𝑉𝑎𝑟(𝑋𝑡 ) = 𝜎²
3. 𝛾(𝑘) = 𝐶𝑜𝑣(𝑋𝑡 , 𝑋𝑡+𝑘 ) = 0 pour k≠ 0
Un BB est un SSL.
II.3.2. Les modèles AR, MA, ARMA

1) Processus autorégressif
Processus autorégressif d’ordre 1 : AR(1)
On appelle processus autorégressif d’ordre 1, un processus 𝑋𝑡 défini par 𝑋𝑡 = 𝜇 +
𝜙𝑋𝑡−1 + 𝑎𝑡 où 𝑎𝑡 ~𝐵𝐵(0, 𝜎 2 ) et 𝜇, 𝜙 ∈ ℝ² représentent les paramètres inconnus du modèle
que l’on cherche à estimer (𝜙 ≠ 0)
Si 𝜙 = 1, alors le processus 𝑋𝑡 = 𝜇 + 𝜙𝑋𝑡−1 + 𝑎𝑡 n’est pas SSL
Soit 𝑋𝑡 un processus autorégressif d’ordre 1, AR(1), avec 𝑎𝑡 un BB (0, 𝜎² ),
𝜇
alors: 𝑋𝑡 est SSL et admet la décomposition : 𝑋𝑡 = 1−𝜙 + ∑𝑗≥0 𝜙 𝑗 𝑎𝑡−𝑗 ssi |𝜙| < 1.

Processus autorégressif d’ordre 2 : AR(2)

On appelle processus autorégressif d’ordre 2, un processus 𝑋𝑡 défini par 𝑋𝑡 = 𝜇 +
𝑎𝑡 + 𝜙1 𝑋𝑡−1 +𝜙2 𝑋𝑡−2 où 𝑎𝑡 ~𝐵𝐵(0, 𝜎 2 ) et 𝜇, 𝜙1 , 𝜙2 ∈ ℝ3 représentent les paramètres
inconnus du modèle que l’on cherche à estimer (𝜙2 ≠ 0)
Si 𝑋𝑡 est un AR(2), alors il est SSL et causal ssi les racines du polynôme 𝐴(𝑧) = 1 −
𝜙1 𝑧 − 𝜙2 𝑧² sont de module strictement supérieur à 1 et alors les fonctions d’autocorrélation
du processus 𝑋𝑡 sont données par :
𝜎²
𝛾(0) =
1 − 𝜙1 𝜌(1) − 𝜙1 𝜌(2)
𝜌(𝑘) = 𝜙1 𝜌(𝑘 − 1) + 𝜙2 𝜌(𝑘 − 2), k≥ 1
𝜙1
𝜌(1) =
1 − 𝜙2
𝜌(2) = 𝜙1 𝜌(1) + 𝜙2
Cette suite d’équations définit les équations de Yule Walker AR(2). Les équations de
Yule Walker permettent de déterminer les valeurs des paramètres du modèle à partir des
estimations de la fonction d’autocorrélation.
Processus autorégressif d’ordre p : AR(p)
On dit que le processus aléatoire temporel 𝑋𝑡 est un processus autorégressif d’ordre p,
AR(p), si l’observation présente 𝑋𝑡 est générée par une moyenne pondérée des observations
passées jusqu’à la p-ième période sous la forme suivante : 𝑋𝑡 = 𝜇 + 𝑎𝑡 + 𝜙1 𝑋𝑡−1 +…
++𝜙𝑝 𝑋𝑡−𝑝 où 𝑎𝑡 ~𝐵𝐵(0, 𝜎 2 ) et 𝜇 ∈ ℝ et 𝜙𝑗 ∈ ℝ j=1,…,p et ∈ ℕ

- 38 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Les processus autorégressifs supposent donc que chaque point peut être prédit par la
somme pondérée d’un ensemble de points précédents, plus un terme aléatoire d’erreur.
2) Processus Moyenne Mobile
Processus moyenne mobile d’ordre 1 : MA(1)
On appelle processus moyenne mobile d’ordre 1, un processus 𝑋𝑡 défini par : 𝑋𝑡 =
𝜇 + 𝑎𝑡 + 𝜃𝑎𝑡−1 où 𝑎𝑡 ~𝐵𝐵(0, 𝜎 2 ) et 𝜃𝜖ℝ
𝐸(𝑋𝑡 ) = 𝜇
𝑉𝑎𝑟(𝑋𝑡 ) = (1 + 𝜃 2 )𝜎²
(1 + 𝜃 2 )𝜎 2 𝑠𝑖 𝑘 = 0
𝛾(𝑘) = 𝐶𝑜𝑣(𝑋𝑡 , 𝑋𝑡+𝑘 ) = { 𝜃𝜎 2 𝑠𝑖 𝑘 = 1
0 𝑠𝑖 𝑘 ≥ 2
Tous processus MA(1) est un processus SSL
1 𝑠𝑖 𝑘 = 0
𝜃
Fonction d’autocorrélation : 𝜌(𝑘) = 𝐶𝑜𝑟𝑟(𝑋𝑡 , 𝑋𝑡+𝑘 ) = {1+𝜃² 𝑠𝑖 𝑘 = 1
0 𝑠𝑖 𝑘 ≥ 2
Processus moyenne mobile d’ordre 2 : MA(2)
On appelle processus moyenne mobile d’ordre 2, un processus 𝑋𝑡 défini par : 𝑋𝑡 =
𝜇 + 𝑎𝑡 + 𝜃1 𝑎𝑡−1 + 𝜃2 𝑎𝑡−2 où 𝑎𝑡 ~𝐵𝐵(0, 𝜎 2 ) et 𝜃1 et 𝜃2 sont deux réels.
𝐸(𝑋𝑡 ) = 𝜇
2

𝑉𝑎𝑟(𝑋𝑡 ) = (1 + ∑ 𝜃𝑗2 )𝜎²

𝑗=1
2−𝑘

𝜎²(𝜃𝑘 + ∑ 𝜃𝑗 𝜃𝑘+𝑗 ) 𝑠𝑖 1 ≤ 𝑘 ≤ 2
𝛾(𝑘) = {
𝑗=1
0 𝑠𝑖 𝑘 ≥ 2
Tout processus MA(2) est un processus SSL
Processus moyenne mobile d’ordre q : MA(q)
Un processus ( 𝑋𝑡 ) est dit un processus à moyenne mobile d’ordre q, MA(q), si
l’observation présente 𝑋𝑡 est générée par une moyenne pondérée d’aléas jusqu’à la q-ième
période sous la forme suivante :
𝑞

𝑋𝑡 = 𝜇 + 𝑎𝑡 + 𝜃1 𝑎𝑡−1 + ⋯ + 𝜃𝑞 𝑎𝑡−𝑞 = 𝜇 + 𝑎𝑡 + ∑ 𝜃𝑗 𝑎𝑡−𝑗

𝑗=1
où 𝑎𝑡 ~𝐵𝐵(0, 𝜎 2 ) et les 𝜃𝑗 sont deux réels.
𝐸(𝑋𝑡 ) = 𝜇
𝑞

𝑉𝑎𝑟(𝑋𝑡 ) = (1 + ∑ 𝜃𝑗2 )𝜎²

𝑗=1

- 39 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

𝑞−𝑘

𝜎²(𝜃𝑘 + ∑ 𝜃𝑗 𝜃𝑘+𝑗 ) 𝑠𝑖 1 ≤ 𝑘 ≤ 𝑞
𝛾(𝑘) =
𝑗=1
{ 0 𝑠𝑖 𝑘 ≥ 𝑞
Les moyennes mobiles suggèrent que la série présente des fluctuations autour d’une
valeur moyenne. On considère que la meilleure estimation est représentée par la moyenne
pondérée d’un certain nombre de valeurs antérieures. Ceci revient à considérer que
l’estimation est égale à la moyenne vraie, à laquelle on ajoute une somme pondérée des
erreurs ayant entachées les valeurs précédentes.
Tout processus MA(q) est un processus SSL
3) Processus ARMA
Les modèles ARMA sont représentatifs de processus générés par une combinaison des
valeurs passées et des erreurs passées : 𝑋𝑡 − ∑𝑝𝑖=1 𝜑𝑖 𝑋𝑡−𝑖 = 𝜀𝑡 + ∑𝑞𝑖=1 𝜃𝑖 𝜀𝑡−𝑖 ∀ 𝑡 ∈ ℤ
On peut écrire le modèle ARMA (p,q) sous la forme :
𝛼(𝐿)𝑋𝑡 = 𝜃(𝐿)𝜀𝑡
Où L est l’opérateur de retard et 𝜀𝑡 un bruit blanc de variance 𝜎²
Dans le cas où la série contient une composante non stationnaire, on se ramène à un
processus appelé ARIMA(p,d,q) s’il s’agit seulement d’une tendance, ou bien à un processus
appelé SARIMA(p,d,q)(P,D,Q). Les modèles SARIMA peuvent vus comme une
généralisation des modèles ARIMA, contenant une partie saisonnière.
II.3.3. La méthode de Box & Jenkins
La méthode de Box & Jenkins repose sur une analyse des fonctions d’autocorrélations
et d’autocorrélations partielles. En effet, le test d’autocorrélations des observations constitue
le principal outil de détection d’une tendance mais également d’une saisonnalité. A ce titre,
les fonctions d’autocorrélations constituent des instruments essentiels dans la modélisation
des séries temporelles par la méthode de Box & Jenkins.
L’autocorrélation rend compte de la corrélation entre deux variables stochastiques
d’une même chronique. Le coefficient d’autocorrélation 𝑟𝑘 constitue une mesure de
corrélation entre la série initiale et cette même série décalée d’un rang k.
L’approche Box & Jenkins est une méthode en quatre étapes qui permet d’effectuer
des prévisions d’une série chronologique au sens large.
Il s’agit dans cette partie de présenter la méthode d’analyse et de prévision des séries
temporelles de Box & Jenkins.
Etape 1 : Identification du modèle
La phase d’identification est la plus importante et la plus difficile : elle consiste à
déterminer le modèle adéquat dans la famille des modèles ARIMA. Elle est fondée sur l’étude
des corrélogrammes simple et partiel.
Lors de cette étape, on procède comme suit :
- Dessaisonalisation de la série dans le cas où elle est affectée d’un mouvement saisonnier,
et cela avant tout traitement statistique.
- Recherche de la stationnarité en termes de tendance.

- 40 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

- Identification des valeurs des paramètres p et q du modèle ARMA à travers la lecture des
corrélogrammes simple et partiel.
Etape 2 : Estimation des paramètres
L’estimation des paramètres d’un modèle peut être vue comme étant un raffinement de
l’analyse faite lors de l’étape d’identification. En effet, une fois les autocorrélations et
autocorrélations partielles calculées et qu’un modèle de base (AR, MA ou ARMA) a été
choisi, l’estimation consiste à calculer les paramètres requis par le modèle en question et de
discuter de leur qualité et de leur aptitude à modéliser la série donnée.
Etape 3 : Validation du modèle
Les paramètres du modèle étant estimés, nous examinons les résultats d’estimation.
Pour valider un modèle, celui-ci doit respecter deux conditions :
 Les coefficients du modèle doivent être significativement différents de 0. Le test du t de
Student s’applique de manière classique. Si un coefficient n’est pas significativement
différent de 0, il convient d’envisager une nouvelle spécification éliminant l’ordre du
modèle AR ou MA non validé.
 Le résidu doit être un bruit blanc. Le test de Box-Pierce permet de tester cette hypothèse.
Si le résidu n’est pas un bruit blanc, cela signifie que la spécification du modèle est
incomplète et qu’il manque au moins un ordre à un processus.
La phase de validation du modèle est très importante et nécessite le plus souvent un
retour à la phase identification.
Etape 4 : Prévision
Cette ultime étape de la méthode de Box-Jenkins est la finalité de tout modèle
d’analyse prévisionnelle. La prévision se fait par l’utilisation de l’équation développée et
vérifiée lors des précédentes étapes et peut être calculée à un horizon de quelques périodes
limitées car la variance de l’erreur de prévision croît très vite avec l’horizon.

III. Modélisation des dépôts à vue

Une meilleure modélisation des encours permet une meilleure allocation des
ressources de la banque. Nous allons étudier un certain nombre de modèles dans le but de
trouver celui qui ajuste le mieux les séries des encours des dépôts à vue. Le modèle retenu va
nous permettre d’élaborer ensuite des conventions d’écoulement pour ce poste du bilan.
III.1. Modélisation des dépôts à vue par une approche économétrique

III.1.1. Présentation des données

Pour les besoins de la modélisation, nous avons eu besoin, en plus de la série des
encours fin de mois des différents comptes sujets à modélisation, d’une série de taux d’intérêt
et d’une série de taux de rémunération.
Nous utilisons, comme variable taux d’intérêt, la série des taux du marché des Bons de
Trésor émis par adjudication à 52 semaines extraite du site de BAM. La série prise en compte
est une série de taux mensuelle qui s’étale du mois de Juin 2008 au mois d’avril 2017. Selon
les besoins de chaque modélisation, nous extrayons une partie de cette série. Son évolution
dans le temps est représentée par le graphique ci-dessous.

- 41 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

FIGURE 1 : EVOLUTION DU TAUX DE MARCHE DES BONS DE TRESOR A 52 SEMAINES

La série de taux de rémunération, quant à elle, est représentée par la série des taux
semestriels des comptes sur carnet. L’horizon pris en compte est le même que celui du taux
d’intérêt. Son évolution dans le temps est donnée par le graphique ci-dessous :

FIGURE 2 : EVOLUTION DES TAUX DE REMUNERATION DES COMPTES SUR CARNET

III.1.2. Modélisation et écoulement des DAV d’un compte rémunéré

III.1.2.1. Modélisation des DAV d’un compte rémunéré

Dans cette partie nous exposons la démarche et les résultats pour la modélisation des
dépôts à vue pour un compte rémunéré : Compte d’épargne.

- 42 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Pour des raisons de confidentialité, les encours sur les graphiques (l’axe Y) ont été
sciemment omis.
Pour le compte épargne, nous disposons des données de Juillet 2008 à Septembre
2016. Soit 100 observations. Le graphique suivant montre l’évolution des encours pour ce
compte.

Evolution des encours pour le Compte Epargne

Encours

10-oct.-0622-févr.-0806-juil.-0918-nov.-1001-avr.-1214-août-1327-déc.-1410-mai-1622-sept.-17
Date de chargement

FIGURE 3 : EVOLUTION DES ENCOURS POUR LE CE

Les encours ont une tendance haussière, correspondant à une évolution globale de
202,27% entre Juin 2008 et Septembre 2016, ce qui correspond à une évolution annuelle de
14,19% et une évolution mensuelle de 1,11%.
Nous choisissons d’effectuer la répartition entre la base d’apprentissage (sur laquelle
sera effectuée la modélisation) et la base de validation (sur laquelle va être effectué le
backtest) comme suit :

Apprentissage Validation

Juin 2008 – Mai 2014 Juin 2014 - Septembre 2016

Avant de procéder à la modélisation des données et le choix du modèle adéquat, nous

décomposons la série afin de déceler s’il y a la présence d’une saisonnalité ou non.

- 43 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Encours fournis VS Encours déssaisonalisés

Encours fournis Encours déssaisonnalisés

FIGURE 4 : COMPARAISON DES ENCOURS FOURNIS ET DES ENCOURS DESSAISONNALISES

Les deux séries semblent être superposées. Nous concluant donc qu’il n’y a pas de
saisonnalités et nous travaillons avec les encours fournis.
1) Choix du modèle
Nous procédons maintenant à l’application des différents modèles des DAV non
rémunérés.
1.1) Modèle d’O’Brien
Une première régression du modèle en intégrant comme variables explicatives le taux
d’intérêt 𝑅𝑘 , le temps 𝑡𝑘 et le taux de rémunération 𝑖𝑘 , nous permet d’avoir les résultats
suivants :

Au seuil de 5%, la différence entre le taux d’intérêt du marché et le taux de

rémunération n’est pas significative Nous devons reprendre donc la modélisation sans inclure
le taux de marché. Nous obtenons alors les résultats suivants :

Le modèle obtenu est le suivant :

𝐿𝑜𝑔 𝐷𝑘 = 3,5495 + 0,8286 ∗ 𝐿𝑜𝑔 𝐷𝑘−1 + 0,002089 ∗ 𝑇
Le coefficient de détermination du modèle est : 𝑅 2 = 99,9%. Le modèle s’ajuste donc
bien aux données modélisées.

- 44 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Puisque la différence entre le taux de marché et le taux de rémunération n’est pas

significative, le modèle d’Obrien obtenu devient similaire au modèle de Selvaggio dans lequel
le logarithme du taux de marché n’est pas significatif.
1.2) Modèle de Jarrow & Van Deventer
Pour la modélisation des encours avec le modèle de Dupré, aucune variable n’est
significative, nous obtenons par exemple, en retenant le taux d’intérêt du marché comme
variable explicative, les résultats suivants :

Le modèle obtenu est : 𝐿𝑜𝑔 𝐷𝑘 − 𝐿𝑜𝑔 𝐷𝑘−1 = 0,0245 − 0,336 ∗ 𝑅𝑘. Le coefficient
de détermination du modèle est : 𝑅 2 = 1,35%.
Le choix du modèle porte sur le modèle d’Obrien dont le coefficient de détermination
est le plus élevé.
Nous passons maintenant au backtest du modèle retenu :

FIGURE 5 : BACKTEST DU MODELE DE SELVAGGIO POUR LE COMPTE EPARGNE

Le backtest permet de conclure que le modèle s’ajuste bien aux données et a une
bonne capacité prédictive.
2) Validation du modèle
Normalité
Nous analysons à présent les résidus des modèles pour nous assurer de leur normalité.
Pour cela, nous effectuons les tests suivants :
 Test de Shapiro-Wilk

- 45 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Etant donné que la p-value calculée est supérieure au niveau de signification seuil de
5%, on ne rejette pas l’hypothèse nulle. Le test de Shapiro-Wilk permet donc de conclure que
les résidus suivent une loi normale.

 Test de Jarque-Bera

Etant donné que la p-value calculée est supérieure au niveau de signification seuil de
5%, on ne rejette pas l’hypothèse nulle. Le test de Jarque-Bera permet donc de conclure que
les résidus suivent une loi normale.

 Test de Kolmogorov-Smirnov

Etant donné que la p-value calculée est supérieure au niveau de signification seuil de
5%, on ne rejette pas l’hypothèse nulle. Le test de Kolmogorov-Smirnov permet donc de
conclure que les résidus suivent une loi normale.

Tous les tests permettent de s’assurer que les résidus suivent bien une loi normale.

P-P plot (Résidus) Q-Q plot (Résidus)

1 0,04
Fonction de répartition théorique

Quantile - Normale (-5,09E-4; 0,01)

0,9
0,03
0,8
0,7 0,02

0,6 0,01
0,5
0
0,4 -0,04 -0,02 0 0,02 0,04
0,3 -0,01

0,2
-0,02
0,1
-0,03
0
0 0,2 0,4 0,6 0,8 1
-0,04
Fonction de répartition empirique Résidus

FIGURE 6 : P-P PLOT & Q-Q PLOT DES RESIDUS POUR LE COMPTE EPARGNE

- 46 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Le Q-Q plot des résidus permet de conforter visuellement la normalité des résidus. Les
résidus suivent donc une loi normale 𝓝(𝟎; 𝟎, 𝟎𝟎𝟎𝟏𝟕𝟒𝟖).

Histogrammes
35

30

25
Densité

20

15

10

0
-0,05 -0,04 -0,03 -0,02 -0,01 0 0,01 0,02 0,03 0,04
Résidus

Résidus Normale(0;0,0001748)

FIGURE 7 : HISTOGRAMME DES RESIDUS

Homoscédasticité

Résidus/ Encours prédits

0,03

0,02

0,01
Résidus

-0,01

-0,02

-0,03

-0,04
Encours prédits

FIGURE 8 : DISPERSION DES RESIDUS

Le graphique montre une répartition relativement homogène des résidus le long de
l’axe représentant la valeur nulle. De plus, les deux tests fournissent des p-values élevées
(0,416 pour le test de Breusch-Pagan et 0,078 pour le test de White), suggérant ainsi que nous
ne pouvons pas rejeter l’hypothèse nulle d’homoscédasticité des résidus.

- 47 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Autocorrélation

Autocorrélogramme (Résidu) Autocorrélogramme partiel (Résidu)

1 1

0,8 0,8

0,6 0,6

Autocorrélation partielle
0,4 0,4
Autocorrélation

0,2 0,2

0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-0,2 -0,2

-0,4 -0,4

-0,6 -0,6

-0,8 -0,8

-1 -1
Décalage Décalage

FIGURE 9 : ACF ET PACF DES RESIDUS DE LA REGRESSION

En visualisant les deux corrélogrammes ACF et PACF des résidus du modèle, on

remarque l’absence de pics en dehors des pointillés, ce qui prouve qu’on a bien des résidus
non corrélés.
III.1.2.2. Ecoulement des DAV d’un compte rémunéré
Le modèle d’Obrien retenu pour le Compte Epargne est :
𝐿𝑜𝑔 𝐷𝑘 = 3,5495 + 0,8286 ∗ 𝐿𝑜𝑔 𝐷𝑘−1 + 0,002089 ∗ 𝑇
Le modèle nous permet de déduire la vitesse d’ajustement 𝜆 =0,171.
En utilisant l’équation de la dynamique de l’écoulement : 𝐷𝑡 = 𝐷∗ + (𝐷0 − 𝐷∗ ) ∗
𝑒 −𝜆.𝑡 , on écoule l’encours initial 𝐷0.
Le coefficient de variation calculé sur la série des données est de 32,06%. Cela signifie
que 32,06% des dépôts des comptes d’Epargne représentent la partie volatile, qui s’écoule sur
cinq mois. La partie stable quant à elle, qui représente 67,94% des dépôts dont dispose la
banque, sera écoulée linéairement sur un horizon H.
Le graphique suivant représente donc l’écoulement du stock de la banque :

- 48 -
 Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Ecoulement du Compte Epargne

100%
90%
80%
Taux de survie

70%
60%
50%
40%
30%
20%
10%
0%
J/J 2-7 J 8-15 J 16-30 J 1-3 M 3-6 M 6-12 M 1-2 A 2-3 A 3-4 A 4-5 A 5-7 A 7-10 A 10-15 A
Maturités

FIGURE 10 : ECOULEMENT DU STOCK DE LA BANQUE POUR LES COMPTES EPARGNE

III.1.3. Modélisation et écoulement des DAV d’un compte non rémunéré

III.1.3.1. Modélisation des DAV d’un compte non rémunéré

Nous exposons, dans cette partie, les principaux résultats obtenus lors de la
modélisation des dépôts à vue du compte courant passif.
Nous adoptons la même méthodologie qui a été suivie lors de la modélisation du
compte rémunéré, bien que les modèles à ajuster diffèrent pour les comptes non rémunérés.
Nous ajustons donc nos données aux modèles : Selvaggio, Dupré, Jarrow &Van Deventer.
Les principaux résultats sont résumés dans le tableau suivant :

Modèle Estimation des Significativité des Coefficient de

paramètres paramètres détermination
Selvaggio 𝛼0 = 9,3054 𝑅𝑘 non significatif
𝛼1 = 0,608964 Tous les autres 71,24%
𝛼2 = 0,001428 paramètres sont
significatifs
Jarrow & Van 𝛼0 = 0,0304759
Deventer 𝛼1 = −0,0004833 Tous les paramètres 1,54%
𝛼2 = −0,2567498 sont non significatifs
𝛼3 = −4,4264916
Dupré 𝛼0 = −0,01345 Tous les paramètres 0,21%
𝛼1 = 0,5330 sont non significatifs
TABLEAU 2 : RESULTATS DE LA MODELISATION POUR LE COMPTE COURANT PASSIF

Le modèle de Selvaggio est celui qui possède le coefficient de détermination ajusté le

plus élevé.
Après estimation des paramètres et vérification des hypothèses d’homoscédasticité,
d’absence d’autocorrélation et de normalité des erreurs, le modèle retenu s’écrit sous la forme
suivante :

- 49 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

𝐿𝑜𝑔 𝐷𝑘 = 9,3054 + 0,608954 ∗ 𝐿𝑜𝑔 𝐷𝑘−1 + 0,001428 ∗ 𝑇

III.1.3.2. Ecoulement des DAV d’un compte non rémunéré

Les paramètres du modèle ajusté préalablement nous permettent de calculer la vitesse
d’ajustement 𝜆 = 39,10%.
En utilisant l’équation de la dynamique de l’écoulement : 𝐷𝑡 = 𝐷∗ + (𝐷0 − 𝐷∗ ) ∗
𝑒 −𝜆.𝑡 , on écoule l’encours initial 𝐷0.
Le coefficient de variation calculé sur la série des données est de 11,54%. Cela signifie
que 11,54% des dépôts des comptes courants du passif sont volatiles et s’écoulent les trois
premiers mois. La partie stable quant à elle, qui représente 88,46% des dépôts dont dispose la
banque, sera écoulée linéairement sur un horizon H.
Le graphique suivant représente donc l’écoulement global du stock de la banque :

Ecoulement du compte Courant Passif

100%
90%
80%
70%
Taux de survie

60%
50%
40%
30%
20%
10%
0%
J/J 2-7 J 8-15 J 16-30 J 1-3 M 3-6 M 6-12 M 1-2 A 2-3 A 3-4 A 4-5 A 5-7 A 7-10 A 10-12 A
Maturités

FIGURE 11 : ECOULEMENT DU STOCK DE LA BANQUE POUR LES COMPTES COURANTS PASSIF

III.2. Modélisation des dépôts à vue par la méthode de Box & Jenkins

Les comptes courants sont des comptes difficiles à modéliser car ce type de comptes
possède la particularité d’être adressé aux entreprises ce qui accroît le risque de liquidité
auquel la banque peut s’exposer. En effet, les encours liés à ce type de comptes sont très
volatiles car les entreprises, contrairement aux particuliers, peuvent déposer ou retirer dans un
laps de temps des montants très élevés d’encours. Il suffit donc qu’une grande entreprise retire
une partie ou la totalité de ses dépôts de la banque pour que celle-ci se retrouve en besoin de
liquidité.
L’idée de base derrière le modèle de Selvaggio est la détermination d’un encours cible
autour duquel les encours ont tendance à s’ajuster selon une vitesse donnée. L’estimation des
paramètres de ce modèle permet principalement de calculer l’encours cible et la vitesse
d’ajustement pour des besoins d’écoulement d’un stock d’encours. Toutefois, le modèle
estimé peut servir aussi pour la prédiction de l’évolution future des encours puisqu’en général
la qualité d’ajustement des données au modèle Selvaggio, en comparaison avec les autres
modèles de la littérature, est meilleure.
Compte tenu de la nature des comptes courants, la banque a besoin d’avoir une
visibilité sur l’évolution future des encours liés à ce type de compte. Pour cela, elle peut

- 50 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

utiliser les modèles disponibles dans la littérature - tel que le modèle de Selvaggio – ou bien
utiliser les modèles ARIMA qui assimilent la série des encours à une série chronologique ou
encore, effectuer une étude comportementale de ses clients en collectant des variables
susceptibles d’expliquer l’évolution des encours et développer ainsi un modèle interne.
Les paramètres du modèle de Selvaggio étant estimés dans le paragraphe précédent,
nous procédons dans cette partie à la modélisation des encours des comptes courants du passif
par la méthode de Box & Jenkins dans le but de comparer la capacité prédictive des deux
modèles.
III.2.1. Modélisation et prévision par la méthode de Box & Jenkins
La série que nous cherchons à modéliser est une série d’encours fin de mois associés à
la classe des comptes courants logés dans le passif du bilan de la banque. Elle s’étale du mois
Juillet 2010 au mois Juin 2016, soit 72 observations. Elle est représentée par le graphique ci-
dessous :

Evolution des encours fin de mois des comptes courants passif

01-juil.-10

01-juil.-11

01-juil.-12

01-juil.-13

01-juil.-14

01-juil.-15
01-nov.-10

01-nov.-11

01-nov.-12

01-nov.-13

01-nov.-14

01-nov.-15
01-sept.-10

01-janv.-11
01-mars-11

01-sept.-11

01-janv.-12
01-mars-12

01-sept.-12

01-janv.-13
01-mars-13

01-sept.-13

01-janv.-14
01-mars-14

01-sept.-14

01-janv.-15
01-mars-15

01-sept.-15

01-janv.-16
01-mars-16
01-mai-11

01-mai-12

01-mai-13

01-mai-14

01-mai-15

FIGURE 12 : GRAPHIQUE DE L’EVOLUTION DES ENCOURS FIN DE MOIS POUR LES COMPTES COURANTS PASSIF 01-mai-16

III.2.1. 1. Identification du modèle

Avant d’entamer toute analyse statistique de la série, il est important de détecter la
présence éventuelle d’un effet saisonnier. Le graphique ci-dessous illustre l’évolution dans le
temps de la série avant et après avoir enlevé le vecteur de la saisonnalité.

- 51 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

7/1/10

3/1/11
7/1/11

3/1/12
7/1/12

3/1/13
7/1/13

3/1/14
7/1/14

3/1/15
7/1/15

3/1/16
11/1/10

11/1/11

11/1/12

11/1/13

11/1/14

11/1/15
Encours fournis Encours désaisonnalisés

FIGURE 13 : EVOLUTION DES ENCOURS DES COMPTES COURANTS PASSIF AVANT ET APRES DESSAISONALISATION

Comme nous pouvons le constater, les deux séries se superposent. Nous pouvons en
déduire alors l’absence de la saisonnalité et nous passons directement à l’étude de la
stationnarité.
Les corrélogrammes simple et partiel de la série des encours initiale sont donnés par
les figures ci-dessous :

Autocorrélogramme Autocorrélogramme partiel

1 1

0,8 0,8

0,6 0,6
Autocorrélation partielle

0,4 0,4
Autocorrélation

0,2 0,2

0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-0,2 -0,2

-0,4 -0,4

-0,6 -0,6

-0,8 -0,8

-1 -1
Décalage Décalage

FIGURE 14 : ACF ET PACF DE LA SERIE DES ENCOURS DES COMPTES COURANTS PASSIF

La décroissance lente de la fonction d’autocorrélation indique la présence d’une

tendance dans la série. Nous avons donc affaire à un processus essentiellement non-
stationnaire.
Le test de Dickey-Fuller augmenté confirme la présence de cette tendance.

- 52 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

La p-value étant supérieure au seuil 5%, on ne rejette pas l’hypothèse nulle selon
laquelle la série est non stationnaire.
Pour stationnariser cette série, nous procédons à une différenciation d’ordre 1 puis
nous effectuons le test de Dickey-Fuller pour la série différenciée.

La p-value est inférieure au seuil 5%, on rejette donc l’hypothèse nulle de la non
stationnarité.
Nous obtenons donc une série stationnaire par une différentiation de premier ordre qui
sera modélisée par un processus ARMA (p, q).

0 20 40 60 80

FIGURE 15 : EVOLUTION DE LA SERIE DES ENCOURS STATIONNARISE EN DIFFERENCE PREMIERE

Une fois la série stationnarisée, nous passons à l’identification des paramètres p et q

du modèle ARMA à l’aide des corrélogrammes de la série en différence première.

- 53 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Autocorrélogramme (Série1) Autocorrélogramme partiel (Série1)

1 1

0,8 0,8

0,6 0,6

Autocorrélation partielle
0,4 0,4
Autocorrélation

0,2 0,2

0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-0,2 -0,2

-0,4 -0,4

-0,6 -0,6

-0,8 -0,8

-1 -1
Décalage Décalage

FIGURE 16 : ACF ET PCF DE LA SERIE DES ENCOURS EN DIFFERENCE PREMIERE

A travers la lecture des autocorrélogrammes, nous obtenons les paramètres p=2 et q=1.
Nous pouvons donc estimer les paramètres des modèles : AR(1), AR(2), ARMA(1,1), et
ARMA(2,1).
III.2.1. 2. Estimation des paramètres et validation du modèle
Nous allons donc estimer les paramètres des différents modèles identifiés. Les
modèles retenus sont ceux dont les paramètres sont significatifs et les résidus sont des bruits
blancs non autocorrélés.
Les modèles AR(1), AR(2) sont les seuls à posséder des paramètres significatifs et des
résidus assimilés à un bruit blanc.

Pour le modèle AR(1), on constate que le paramètre est significatif :

 le t de Student (|t|= 0,236/0,115 = 2,052 >1,96)
 l’intervalle de confiance (𝛽0 = 0 ∉ [−0,46; −0,011]).

De plus, la p-value du test de Box-Pierce est supérieure au seuil de 5%. Les résidus
sont donc des bruits blancs.

Pour le modèle AR(2), on constate que les paramètres sont significatifs :

 le t de Student (|t1|= 0,312/0,112 = 2,785 > 1,96 et |t2|= 0,315/0,110 = 2,863 >1,96)
 l’intervalle de confiance (𝛽0 = 0 ∉ [−0,531; −0,093] 𝑒𝑡 𝛽0 = 0 ∉ [−0,531; −0,099]).

- 54 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

On remarque aussi que la p-value du test de Box-Pierce est supérieure au seuil de 5%.
Les résidus sont donc des bruits blancs.

Le choix du modèle va être effectué à travers la comparaison entre les critères AIC et
l’analyse de la corrélation des résidus.

La valeur de l’AIC du modèle AR(2) est la plus petite. De plus, les

autocorrélogrammes des résidus nous mène à conclure qu’on doit retenir le modèle AR(2).
En effet, comme on peut le constater ci-dessous, les autocorrélogrammes présentent
des pics non significatifs pour le modèle AR(2), contrairement au modèle AR(1).

Autocorrélogramme Résidus AR(1) Autocorrélogramme partiel Résidus AR(1)

1 1

0,8 0,8

0,6 0,6
Autocorrélation partielle

0,4 0,4
Autocorrélation

0,2 0,2

0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-0,2 -0,2

-0,4 -0,4

-0,6 -0,6

-0,8 -0,8

-1 -1
Décalage Décalage

FIGURE 17 : ACF ET PACF DES RESIDUS DU MODELE AR(1)

- 55 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Autocorrélogramme Résidus AR(2) Autocorrélogramme partiel Résidus AR(2)

1 1

0,8 0,8

0,6 0,6

Autocorrélation partielle
0,4 0,4
Autocorrélation

0,2 0,2

0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-0,2 -0,2

-0,4 -0,4

-0,6 -0,6

-0,8 -0,8

-1 -1
Décalage Décalage

FIGURE 18 : ACF ET PACF DES RESIDUS DU MODELE AR(2)

III.2.1. 3. Prévision
L’ajustement des données au modèle autorégressif d’ordre 2 nous a permis d’effectuer
des prévisions pour les encours des comptes courants passif sur un horizon de 10 mois.
Le graphique, ci-dessous, illustre d’une part les encours ajustés selon le modèle AR(2)
(en rouge) et d’une autre part la prévision (en orange).

0 10 20 30 40 50 60 70 80 90

FIGURE 19 : EVOLUTION DES ENCOURS MODELISES ET PREDITS PAR LE MODELE AR(2)

III.2.2. Comparaison entre le modèle de Selvaggio et le modèle AR(2)

Rappelons que le modèle de Selvaggio retenu est le suivant :
𝐿𝑜𝑔 𝐷𝑘 = 9,3054 + 0,608954 ∗ 𝐿𝑜𝑔 𝐷𝑘−1 + 0,001428 ∗ 𝑇
Le graphique ci-dessous représente l’ajustement des encours observés au modèle de
Selvaggio et au modèle AR(2).

- 56 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

FIGURE 20 : EVOLUTION DES ENCOURS OBSERVES ET MODELISES PAR SELVAGGIO ET PAR AR(2)

En confrontant graphiquement le modèle de Selvaggio au modèle AR(2), nous

remarquons que, globalement le modèle AR(2) possède un ajustement meilleur que le modèle
de Selvaggio. Cela apparaît encore plus si nous nous intéressons à l’horizon de la prévision.

FIGURE 21 : EVOLUTION DES ENCOURS OBSERVES ET PREDITS SUR L’HORIZON DE LA PREVISION

Il est donc important pour la banque de déterminer la finalité de l’étude qu’elle réalise.
Si le but de son étude est d’anticiper les encours futurs d’un compte donné, les modèles
ARIMA donnent une meilleure visibilité sur l’évolution future de ces encours par rapport au
modèle de Selvaggio. Toutefois, ce dernier reste le modèle de référence des banques pour
effectuer un écoulement d’un stock grâce à la notion d’encours cible qu’il incorpore.

IV. Modélisation de la production nouvelle par la méthode de Box & Jenkins

La gestion actif-passif au sein de la banque se faisait selon une approche statique qui
n’incluait pas des estimations sur les nouvelles productions prévisionnelles. Il n’y avait donc
aucun signe quant à la sensibilité du bilan, en cas de changement de positionnement et les
impacts d’un tel changement sur les niveaux de risque de la banque, ne pourraient être sentis
qu’après l’apparition de changement critique sur la structure du bilan de la banque.
Dans ce sens, l’intégration des nouveaux volumes et des plans prévisionnels de la
banque dans l’analyse de sensibilité s’est avérée nécessaire pour une meilleure maîtrise du
risque futur.

- 57 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

L’approche dynamique du bilan repose sur une simulation de son évolution. Il est
impératif alors d’avoir une idée sur le comportement de la production nouvelle afin de
pouvoir observer le comportement financier de sa clientèle et de proposer des modèles
adéquats d'évolution.
Vu que la production nouvelle de la banque est répartie sous forme de volumes
mensuels et que sa répartition au cours du temps n’est dépendante que de ses valeurs passées,
il parait alors convenable de la présenter sous forme d’une série temporelle.
Il s’agit de construire un modèle restituant le mieux possible le comportement de la
production nouvelle du compte épargne suivant trois étapes : identification, estimation et
diagnostic.
IV.1. Etude statistique de la nouvelle production du compte d’épargne

Evolution de la production nouvelle pour le CE

févr.-08 juil.-09 nov.-10 avr.-12 août-13 déc.-14

FIGURE 22 EVOLUTION GLOBAL DE LA NOUVELLE PRODUCTION DU CE ENTRE JUILLET 2008 ET MAI 2014

A présent, nous passons à l’étude de la stationnarité de la série de la production

nouvelle du compte d’épargne.
 Le test de Dickey-Fuller :
L’hypothèse nulle du test de Dickey-Fuller est que la série comporte une racine
unitaire. Son alternative est que la série n’en comporte pas et qu’elle est donc unitaire.

La p-value calculée est inférieure au niveau de signification 5%, On rejette donc

l’hypothèse nulle H0 et on retient l’hypothèse alternative. Donc selon le test de Dickey-Fuller,
la série de la production nouvelle pour le compte d’épargne est stationnaire.
 Le test de Phillips-Perron

- 58 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

La p-value calculée est inférieure au niveau de signification 5%, donc on rejette

l’hypothèse nulle. La série de production nouvelle est stationnaire.
 Le test de KPSS
L’hypothèse nulle de ce test est que la série est stationnaire.

Etant donné que la p-value calculée est supérieure au niveau de signification 5%, on
ne rejette pas l’hypothèse nulle. La série est donc stationnaire.
Les trois tests effectués permettent de conclure quant à la stationnarité de la série des
productions nouvelles pour le Compte Epargne.
IV.2. Modélisation de la production nouvelle
A présent, examinons le diagramme des autocorrélations et des corrélations partielles
de la série de données.

AutocorrélogrammePN Autocorrélogramme partielPN

1 1
0,8 0,8
0,6 0,6
Autocorrélation partielle

0,4 0,4
Autocorrélation

0,2 0,2
0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
-0,2 -0,2
-0,4 -0,4
-0,6 -0,6
-0,8 -0,8
-1 -1
Décalage Décalage

FIGURE 23 : ACF ET PACF DE LA PRODUCTION NOUVELLE DU CE

On remarque l’existence d’un pic significatif au lag 12 (ACF), qui peut traduire la
présence d’un effet stochastique saisonnier. On suggère plutôt un modèle SARIMA
(p,d,q)(P,D,Q).
Pour l’ACF, les pics les plus significatifs sont présents aux lags 1 et 12, donc on prend
Q=1 et q=1. Et pour le PACF, on trouve que le pic le plus significatif est au lag 12 qui peut
représenter l’effet saisonnier. On prend alors P=1 et p=1.

- 59 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Après avoir déterminé les ordres maximaux, on applique la fonction SARIMA. Le

modèle retenu est le suivant : 𝑆𝐴𝑅𝐼𝑀𝐴(1,0,0)(0,0,1)(12) dont les paramètres sont les plus
significatifs.

Le graphique ci-dessous montre que la prédiction (Courbe validation en orange) est

très proche des données réelles.

0 10 20 30 40 50 60 70 80 90 100

PN SARIMA(1,0,0)(0,0,1)(12) Validation Borne inférieure (95%) Borne supérieure (95%)

FIGURE 24 : SERIE DE LA PRODUCTION NOUVELLE ET COURBE DE VALIDATION DU MODELE

On remarque que l’estimation effectuée s’approche bien de la réalité. Pour valider le

modèle, on teste ses résidus.

AutocorrélogrammeRésidus Autocorrélogramme partielRésidus

1 1
0,8 0,8
Autocorrélation partielle

0,6 0,6
Autocorrélation

0,4 0,4
0,2 0,2
0 0
-0,2 0 2 4 6 8 10 12 14 16 18 20 -0,2 0 2 4 6 8 10 12 14 16 18 20

-0,4 -0,4
-0,6 -0,6
-0,8 -0,8
-1 -1
Décalage Décalage

FIGURE 25 : ACF ET PACF DES RESIDUS DE LA MODELISATION DE LA PRODUCTION NOUVELLE

En visualisant les deux corrélogrammes ACF et PACF des résidus du modèle, on

remarque l’absence de pics en dehors des pointillés, ce qui prouve qu’on a bien des résidus
non corrélés.

- 60 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

On peut conclure, à travers les p-value des tests de Box-Pierce, Ljung-Box et McLeod-
Li, qui sont supérieures à 5%, que les résidus sont bien un bruit blanc. Nous passons
maintenant au test de normalité des résidus.

Etant donné que les p-value des deux tests sont supérieure au seuil 5%, on ne rejette
pas l’hypothèse nulle et on en conclut la normalité des résidus.
Après les tests d’adéquation sur les résidus, on passe à la prévision.

Prédiction de la production nouvelle

0 20 40 60 80 100 120

PN Prédiction

FIGURE 26 : PREDICTION DE LA PRODUCTION NOUVELLE

- 61 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Chapitre 2 : Modélisation des déblocages des crédits

Certains crédits, avant qu’ils ne soient enregistrés dans le bilan, figurent dans un
premier temps dans le hors bilan du fait qu’ils ne sont pas débloqués immédiatement et donc
représentent une source de doute pour la banque. L’objet de cette partie est de présenter la
méthodologie d’écoulement de ces crédits logés dans le hors bilan et qui peuvent basculer au
bilan et par conséquent impacter la liquidité de la banque.
Un crédit peut être versé avec un différé par rapport à sa date d’accord d’octroi. Ce
différé de versement peut être effectué en une seule fois ou selon un échéancier défini au
préalable avec le client.
Comme les échéanciers de déblocage ne sont pas disponibles dans le système
d’information, il convient d’estimer les conditions de déblocage en se basant sur l’historique.
L’objet donc de cette partie est de traiter la modélisation des déblocages sur crédits en
s’appuyant sur les tables de survie des déblocages et ainsi déterminer leur écoulement.

I. Démarche proposée :
Afin d’estimer et positionner les déblocages futures, il conviendrait d’étudier le
comportement des déblocages dans le passé. La modélisation repose sur la construction de la
table de survie des déblocages par nature de crédit.
D’un point de vue méthodologique, l’idée est de considérer chaque déblocage comme
un « individu » de la population observée. La population totale est égale au montant total des
déblocages.
Le taux de survie recherché, correspond à la probabilité qu’un déblocage soit réalisé
entre la date d’octroi et un instant t.

II. Construction des tables de survie :

Dans cette partie nous nous intéressons à la construction des tables de survie pour les
différents types de crédits.
II.1. Brève présentation des modèles de durée :
Les modèles de durée sont applicables dans de nombreux domaines : durée de la vie
humaine, durée de l’arrêt de travail par exemple, mais aussi dans le domaine médical pour
modéliser le délai de survenue d’un évènement indésirable ou la durée de survie à partir d’un
évènement.
Les méthodes d'analyse de survie ne s'appliquent pas seulement à l'étude des décès
mais peuvent s'appliquer également à l'étude de tout événement unique susceptible
d'apparaître au cours d'une période d’observation.
L’analyse de survie vise trois objectifs principaux :
− Estimer la durée de survie ou un délai de survenue d’un évènement et la fonction de
risque, c'est-à-dire la probabilité de survenue de l’évènement d’intérêt en fonction du
temps,
− Comparer des courbes de survie ou des fonctions de risque de divers groupes
constitués selon leur niveau ou durée d’exposition à un risque ou selon le traitement,
ou encore les caractéristiques intrinsèques des individus,

- 62 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

− Etablir la relation entre des variables explicatives et le temps de survie ainsi que
l’amplitude de l’effet de ces variables sur le risque de survenue de l’évènement
d’intérêt.
Estimateur non paramétrique de Kaplan-Meier :
L’estimateur de Kaplan-Meier est un estimateur pour estimer la fonction de survie
d’après des données de durée de vie. Cette technique a été introduite en Juin 1958 par deux
statisticiens américains en matière de suivi sanitaire. La méthode consiste à proposer une
solution robuste pour tenir compte du fait qu’on peut disposer de toutes les informations
nécessaires pour suivre, par exemple, les effets d’une compagne de vaccination.
L’événement que nous souhaitons observer est le déblocage des fonds du crédit. On
étudie la durée de vie de n individus.
La fonction de survie, notée S par convention, est égale à la probabilité que la chute
intervienne après un temps donné, et est définie par :
ℝ+ → [0,1]
S:
t → P(T > 𝑡)
Où :
 t est la variable temps
 T est une variable aléatoire symbolisant le moment où survient l’événement.
Pour calculer l’estimateur de Kaplan-Meier de la fonction de survie on utilise les
probabilités conditionnelles :
Ŝ(t)=P
̂(X > t j ) =P
̂(X > t j |X > t j−1)P
̂(X > t j−1 )
̂(X > t j |X > t j−1) … ̂
=P ̂(X > t1 )
P(X > t 2 |X > t1 )P
=P̂j P
̂j−1 … P̂1
(n −d ) d
On estime ̂
P(X > 𝑡𝑗 |X > t j−1 )par P̂j = jn j =1 -nj
j j

La probabilité de survivre après l’instant t est donnée par le produit des Pj estimées
pour les dates d’événements antérieurs à t.
d
Ŝ(t)=∏j:tj≤t(1 -nj )
j

 nj : le nombre d’individus exposés au risque jusqu’à la fin de l’intervalle i

 dj : le nombre d’individus décédés au cours de l’intervalle i
La fonction Ŝ(t) est une fonction décroissante.
Pour calculer le nombre de sujets à risque, on utilise la relation suivante :
𝑛𝑗 = 𝑛𝑗−1 − 𝑑𝑗 , 𝑗 = 1,2, … , 𝑘
II.2. Résultat :
En appliquant l’estimateur de Kaplan Meier, nous obtenons pour chaque type de crédit
le pourcentage de déblocage au cours de chaque mois. En considérant tous les types de
crédits, 85% des déblocages sont effectués lors du premier mois. Cela signifie que lorsqu’un
crédit est accordé, le 1er déblocage a eu lieu au cours du premier mois. Toutefois, puisque la

- 63 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

nature des crédits n’est pas la même, il est nécessaire de s’intéresser à chaque crédit pour
déceler ses particularités.
Pour le crédit habitat, seul 40% des crédits sont débloqués au cours du premier mois et la
totalité des déblocages a lieu au bout de 20 mois. Par contre 95% des déblocages pour le
crédit à la consommation ont lieu lors du premier mois et la totalité des fonds sont débloqués
au bout de 15 mois. Nous visualisons ci-dessous, l’écoulement de ces deux types de crédits.

FIGURE 27 : SURVIE DES CREDITS A LA CONSOMMATION ET DES CREDITS A L'HABITAT

L’écoulement exposé traduit la survie d’un nouveau crédit accordé à partir de sa date
d’octroi. Cependant, le hors-bilan de la banque contient des crédits partiellement débloqués.
Nous devons donc être en mesure de les positionner en tenant compte de leur ancienneté.
L’objectif est donc de calculer la probabilité d’un futur déblocage en utilisant les probabilités
conditionnelles. Une fois le crédit positionné dans une bande de maturité donné, l’écoulement
se fera sur la base du profil d’amortissement d’un crédit de même nature.
Pour ce faire, on a procédé à la construction de la matrice suivante :

FIGURE 28 : MATRICE DE POSITIONNEMENT DES CREDITS

Pour cet exemple exposé, la durée maximale de déblocage du crédit est de 9 mois. Les
lignes représentent l’ancienneté du crédit (en mois) et les colonnes le mois de déblocage.
Ainsi, pour une génération de crédits ayant une ancienneté de 5 mois, les montants non encore
débloqués le seront sur l’horizon des 4 futurs mois, à raison de 34,25% le premier mois,

- 64 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

20,44% le second mois, 8,84% le troisième mois et puis le reste (36,46%) durant le quatrième
mois.

- 65 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

Chapitre 3 : Construction des impasses de liquidité

La méthode des impasses (ou gaps) est l’une des méthodes de mesure du risque de
liquidité et de taux les plus répandues. Le gap représente la photographie du bilan échéancé en
compensant les actifs et les passifs. Il constitue la base de l’ensemble des indicateurs ALM.
Nous nous concentrons dans cette partie sur la construction des gaps de liquidité en
statique et en dynamique.

I. Les impasses en liquidité

Le risque de liquidité est principalement piloté par les banques à travers la mesure des
impasses de liquidité découlant de l’écoulement dans le temps des emplois et des ressources.
L’impasse de liquidité mesure les décalages prévisibles, aux différentes dates futures, de
l’ensemble des emplois et des ressources. Une impasse de liquidité est nulle à la date courante
car l’équilibre en liquidité du bilan est réalisé. De ce fait, les impasses en liquidités sont
établies en projection. Les projections d’impasses représentent les besoins de liquidité et de
refinancement prévisionnels et constituent un outil de gestion de base. Elles peuvent être
calculées en flux ou en stocks. L’identification des impasses de liquidité permettra de piloter
le risque de liquidité en orientant l’activité commerciale du réseau et en proposant des
instruments de couverture afin de faire face à l’exigibilité des ressources et d’honorer ses
engagements envers sa clientèle.
Ces analyses de « gap » peuvent être statiques ou dynamiques. La première approche
se restreint au stock d’actifs et de passifs détenus à une date donnée tandis que l’analyse
dynamique repose sur des hypothèses de scénario, notamment avec des simulations de
production nouvelle. On comprend bien que cette seconde méthode donne des résultats plus
pertinents à condition que les hypothèses de scénarii retenues soient probables.
Les impasses en stocks se définissent comme la différence entre les encours de l’actif
et ceux du passif à une date donnée. Elles déterminent le besoin total de liquidité cumulée à
une date donnée.
𝐼𝑚𝑝𝑎𝑠𝑠𝑒 𝑒𝑛 𝑠𝑡𝑜𝑐𝑘 = 𝑃𝑎𝑠𝑠𝑖𝑓 − 𝐴𝑐𝑡𝑖𝑓
Une impasse en stock positive représente un excédent de ressources, c’est-à-dire que
la banque dispose de plus de ressources de d’emplois. Une impasse négative signifie le
contraire et c’est le cas le plus préoccupant.
Les impasses en flux se définissent quant à elles comme la différence entre les
variations d’actifs et de passifs, c’est-à-dire la variation entre les entrées et les sorties de
fonds, pendant une période donnée. Elles déterminent le besoin de financement nouveau de la
période par le calcul des maturités des flux à venir.
𝐼𝑚𝑝𝑎𝑠𝑠𝑒 𝑒𝑛 𝑓𝑙𝑢𝑥 = 𝐸𝑛𝑡𝑟é𝑒 𝑑𝑒 𝑓𝑜𝑛𝑑𝑠 − 𝑆𝑜𝑟𝑡𝑖𝑒 𝑑𝑒 𝑓𝑜𝑛𝑑𝑠
Quand l’impasse en flux est positive cela signifie une entrée de fonds. Quand elle est
négative, elle représente une sortie de fonds.
La détermination des impasses de liquidité se fait fréquemment selon une approche
statique qui repose sur la projection des actifs et des passifs à une date donnée, sous
l’hypothèse de cession d’activité, c’est-à-dire sans prendre en considération la production
nouvelle qui entrera plus tard dans le bilan. Cependant, selon l’approche dynamique, le calcul
des impasses prend en compte la nouvelle production ainsi que son écoulement.
L’impasse de liquidité dynamique est définie par :

- 66 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

𝐺𝐴𝑃(𝑇) = 𝑃𝑎𝑠𝑠𝑖𝑓(𝑇) − 𝐴𝑐𝑡𝑖𝑓(𝑇) + ∑ 𝑃𝑁𝑃𝑎𝑠𝑠𝑖𝑓 (𝑡, 𝑇). 𝑆𝑃𝑎𝑠𝑠𝑖𝑓 (𝑡, 𝑇) − ∑ 𝑃𝑁𝐴𝑐𝑡𝑖𝑓 (𝑡, 𝑇). 𝑆𝐴𝑐𝑡𝑖𝑓 (𝑡, 𝑇)
𝑡 𝑡
Avec :
 𝑃𝑎𝑠𝑠𝑖𝑓(𝑇) le niveau des encours statiques du passif à la date T
 𝐴𝑐𝑡𝑖𝑓(𝑇) le niveau des encours statiques de l’actif à la date T
 𝑃𝑁𝑃𝑎𝑠𝑠𝑖𝑓 (𝑡, 𝑇) le montant de la production nouvelle du passif à apparue à la date t et
encore présente à la date T
 𝑃𝑁𝐴𝑐𝑡𝑖𝑓 (𝑡, 𝑇) le montant de la production nouvelle de l’actif à apparue à la date t et
encore présente à la date T
 𝑆𝑃𝑎𝑠𝑠𝑖𝑓 (𝑡, 𝑇) est la fonction d’écoulement de la production nouvelle du passif
 𝑆𝐴𝑐𝑡𝑖𝑓 (𝑡, 𝑇) est la fonction d’écoulement de la production nouvelle de l’actif
Le calcul des impasses en liquidité permet non seulement d’anticiper les montants qui
devront être empruntés ou placés dans le futur, mais aussi d’évaluer une partie du risque de
taux auquel s’expose la banque. En d’autres termes, le décalage prévisible entre les actifs et
les passifs génère les besoins futurs en liquidité pour lesquels on ne connait pas aujourd’hui le
niveau des taux.

II. Construction des impasses de liquidité

Après avoir déterminé l’écoulement de certains postes du bilan et le niveau de leur
production nouvelle et après avoir déterminé la partie des crédits du hors bilan qui bascule
vers le bilan et qui constitue une partie de la nouvelle production, nous sommes en mesure de
calculer les gaps de liquidité statique et dynamique, à titre illustratif en n’utilisant que
quelques postes du bilan.
Le graphique suivant montre la projection du gap statique et du gap dynamique pour
les postes du bilan utilisés pour les 12 prochains mois.

Les Gaps de liquidité

Gap

0 2 4 6 8 10 12 14

Temps

GAP Statique GAP Dynamique

FIGURE 29 : PROJECTION DU GAP STATIQUE ET DU GAP DYNAMIQUE

Le graphique montre que les impasses de liquidité statiques, pour les postes utilisés,
connaissent une chute à cause du volume total des actifs qui dépassent celui des passifs. Cela
signifie que les actifs de la banque inclus dans ce gap s’amortissent moins vite que ses

- 67 -
Deuxième Partie : Modélisation des dépôts à vue et du déblocage des crédits

ressources, ce qui mettra la banque en situation de manque de liquidité et ne sera donc pas
dans la mesure de faire face à ses engagements et devra recourir à un refinancement sur le
marché ce qui l’exposera aux risques de marché tel que le risque de taux. Mais l’introduction
de la production nouvelle dans le calcul des gaps de liquidité les rend excédentaires. La
banque passe donc d’une position sous consolidée à une position parfaitement sur consolidée.
Conclusion
Cette deuxième partie a consisté en la modélisation du stock des dépôts à vue en se
basant sur des modèles économétriques et sur les séries chronologiques ainsi qu’en la
modélisation de la production nouvelle. L’intérêt de cette modélisation étant de construire des
conventions d’écoulement des différents postes afin de simuler l’évolution statique du bilan
mais également de prédire les niveaux futurs de la production nouvelle pour simuler une
évolution dynamique du bilan.

- 68 -
 Troisième Partie : Modélisation
Stochastique du taux d’intérêt
La structure par terme des taux d’intérêt est un outil d’analyse
actuariel indispensable. La modélisation de la courbe des taux
constitue de ce fait un domaine particulièrement actif de la recherche
actuarielle et financière. En effet, le niveau des taux joue un rôle
essentiel pour une banque, dans le coût des crédits et le comportement
de la clientèle. La simulation du taux d’intérêt permet donc de prendre
en compte de manière plus précise les diverses variations de
l’environnement des taux dans le futur.

- 69 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

Les modèles de structure de taux décrivent la structure des taux dans le temps et sont
nécessaire à l’évaluation d’instruments dépendant du taux, instruments dérivés sur taux en
particulier et à la gestion des risques. Le choix d’un modèle approprié de structure des taux
dépend de son application spécifique. Des modèles incluant plusieurs facteurs permettent une
description réaliste du comportement de la courbe de taux. Mais s’il ne fallait retenir qu’un
seul facteur explicatif de la hiérarchie des taux, le taux court constitue certainement un choix
raisonnable. Qu’il soit vu comme un indicateur des conditions du crédit, ou comme point
focal de la politique monétaire, le taux à court terme joue un rôle central dans l’économie.
Son influence sur le marché obligataire ne fait aucun doute. Les acteurs du marché gardent en
permanence un œil sur lui, si bien que son niveau (actuel ou anticipé) devient un déterminent
de la structure par terme des taux d’intérêt.
Ceci explique que les modèles à un seul facteur identifient systématiquement la
variable d’état au taux court.

I. Le modèle général
Les mouvements d’intérêt de court terme r sont en général décrits au moyen de
l’équation de diffusion :
𝑑𝑟 = 𝜇(𝑟)𝑑𝑡 + 𝜎(𝑟)𝑑𝑤
Où 𝑤 est un mouvement brownien standard, 𝜇(𝑟)et 𝜎(𝑟) désignent respectivement les
fonctions de dérive et de volatilité. Toutes deux peuvent dépendre de r, mais sont supposées
indépendantes de t. Toutefois, les changements du taux d’intérêt court, sont décrits par ma
différentielle stochastique suivante :
𝑑𝑟 = (𝛼 + 𝛽𝑟)𝑑𝑡 + 𝜎𝑟 𝛾 𝑑𝑤
L’estimation économétrique de ce type de diffusion est rendue difficile, par le fait que,
premièrement l’on ne dispose que d’observations discrètes, et deuxièmement qu’il n’existe
pas de discrétisation exactes que pour des spécifications très restrictives de 𝜇(𝑟) et 𝜎(𝑟).
En effet, en imposant des restrictions sur le groupe de paramètres ( 𝛼, 𝛽, 𝜎, 𝛾) on
retrouve une grande variété de taux d’intérêt.
Ces divers modèles d’équilibres sont présentés dans le tableau suivant :

TABLEAU 3 : LES DIFFERENTS MODELES A UNE SEULE VARIABLES SELON LES PARAMETRES

Il est maintenant nécessaire, après avoir accepté qu’un processus d’Itô puisse
représenter de façon plausible la dynamique de r, de postuler l’existence d’une relation entre
le taux court et le prix des obligations sans coupon.

- 70 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

On conditionne donc la structure des taux à l’aléa fondamental qui affecte l’économie,
en admettant que le prix P(t,T) d’une obligation, d’échéance T en t, est déterminé par
l’évolution attendue du taux court entre t et T,( r(u)/t≤ 𝑢 ≤ 𝑡)
Le processus r(t) étant markovien, il suffit de poser P(t,T)=P(r,t,T). Cette hypothèse
qui prépare l’application du lemme d’Itô au processus P(t,T), signifie que le taux court r(t)
représente l’information pertinente pour les investisseurs à l’instant t, et ceux-ci vont donc
ajuster leur comportement à son évolution prévue. De ce fait, un lien est créé, via les
comportements de marché, entre le taux court et la structure par terme.
En appliquant le lemme d’Itô, on trouve le processus des prix décrit par la forme
suivante :
𝑑𝑃(𝑡, 𝑇)
= 𝜇(𝑡, 𝑇)𝑑𝑡 + 𝛿(𝑡, 𝑇)𝑑𝑤
𝑃(𝑡, 𝑇)
1 1 𝜕𝑃 𝜕𝑃 𝜕²𝑃
Avec 𝜇(𝑡, 𝑇)𝑑𝑡 = 𝑃 [2 𝜎 2 (𝑟, 𝑇)𝑃𝑟𝑟 + 𝜇(𝑟, 𝑡)𝑃𝑟 + 𝑃𝑡 ] où 𝑃𝑟 = , 𝑃𝑡 = , 𝑃𝑟𝑟 = .
𝜕𝑟 𝜕𝑡 𝜕𝑟²
1
Et 𝛿(𝑡, 𝑇)𝑑𝑡 = 𝑃 [𝜎(𝑡, 𝑇)𝑃𝑟 ]
𝜇(𝑡, 𝑇) = 𝜇(𝑟, 𝑡, 𝑇) désigne l’espérance mathématique du rendement instantané de
l’obligation et 𝛿(𝑡, 𝑇) = 𝛿(𝑟, 𝑡, 𝑇) désigne la volatilité non anticipée, engendrée par les
fluctuations imprévues du taux court de l’obligation.
Le lien entre taux court et prix étant ainsi établi, on peut maintenant invoquer la
condition d’arbitrage. Construisant un portefeuille constitué de deux obligations différentes,
on s’arrange pour que son rendement soit sans rendement soit sans risque sur le prochain
instant. Sous peine d’offrir des opportunités d’arbitrages, le rendement de ce portefeuille ne
peut être différent du taux court. On en déduit donc la relation suivante :
𝜇(𝑡,𝑇)−𝑟(𝑡,𝑇)
= 𝜆𝑤 (𝑡) est valable pour toute échéance T.
𝛿(𝑡,𝑇)

Le terme 𝜆𝑤 (𝑡) = 𝜆𝑤 (𝑟, 𝑡) étant indépendant de T, cette égalité représente bien la

contrainte qui pèse sur les prix des obligations et fonde l’existence d’une structure des taux
d’intérêt.
Exprimée sous la forme : 𝜇(𝑡, 𝑇) − 𝑟(𝑡, 𝑇) = 𝜆𝑤 (𝑡)𝛿(𝑡, 𝑇) , l’équation précédente
montre bien que 𝜆𝑤 (𝑡) s’interprète bien comme la prime unitaire offerte pour le risque
engendré par les fluctuations imprévues du taux court, à l’instant t, sous l’effet de 𝑑𝑤(𝑡) : le
rendement instantané espéré, en excès du taux sans risque r(t), sur l’obligation d’échéance T
(c’est-à-dire la prime exigée par le marché sur cette échéance) est égale à la prime unitaire
attachée au risque induit par la source d’incertitude 𝑤 multiplié par une mesure de
l’exposition au risque fondamental de cette obligation 𝛿(𝑡, 𝑇).
En multipliant 𝜆𝑤 par 𝛿(𝑡, 𝑇) , on obtient une mesure du prix accordé au risque
fondamental porté par le taux court. On note 𝜆 = 𝜎𝜆𝑤 la prime unitaire de risque de taux
d’intérêt. Utilisant cette définition, on peut exprimer la prime de terme Φ(𝑡, 𝑇) = Φ(𝑟, 𝑡, 𝑇)
𝑃
sous la forme : Φ = 𝜇 − 𝑟 = 𝜆 𝑃𝑟
Cette expression fait apparaitre 𝜆 comme la prime d’équilibre pour une sensibilité
unitaire aux variations du taux d’intérêt. Toutefois dans la cadre de ce modèle d’arbitrage, il
est impossible de déterminer le signe des éléments qui définissent ci-dessus la prime de terme.
Pour obtenir la structure par terme, il suffit d’introduire dans la formule donnant 𝛼 − 𝑟
les valeurs calculées pour 𝛼 et 𝛿. Il en vient, en notation abrégée :

- 71 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

1 1 2 1
( 𝜎 𝑃𝑟𝑟 + 𝜇𝑃𝑟 + 𝑃𝑡 ) − 𝑟(𝑡) = 𝜆𝑤 (𝜎𝑃𝑟 )
𝑃 2 𝑃
La résolution de cette équation différentielle, sous la condition terminale P(T,T)=1,
fournit la structure des prix P(t,T), et par simple transformation, la structure des taux R(T,T).
Dans la suite, on va s’intéresser aux processus les plus utilisés dans la modélisation
des taux d’intérêt. Il s’agit du processus de retour vers la moyenne utilisé par Vasiçek et celui
de la racine unitaire utilisé par CIR.

II. Modèle de Vasiçek

Le modèle de Vasicek est l’un des premiers modèles stochastiques du taux d’intérêt. Il
est fondé sur l’idée que seul le taux court régit les prix des titres obligataire et qu’il suit un
processus d’Ornstein-Uhlenbeck, appelé aussi processus de retour vers la moyenne. Sa
dynamique est alors représentée par la différentielle stochastique :
𝑑𝑟𝑡 = 𝑎(𝑏 − 𝑟𝑡 )𝑑𝑡 + 𝜎𝑑𝑤(𝑡)
Avec :
 a : paramètre définissant la vitesse avec laquelle r(t) retourne à sa valeur moyenne
 b : la valeur moyenne du taux court r(t)
 𝜎: volatilité du taux court r(t)
La solution explicite de cette équation différentielle stochastique est :
𝑡
−𝑡𝑎
𝑟(𝑡) = 𝑏 + (𝑟0 − 𝑏)𝑒 + 𝜎 ∫ 𝑒 −𝑎(𝑡−𝑢) 𝑑𝑤(𝑢)
0

II.1. Analyse du processus d’Ornstein Uhnlenbeck

Ce processus d’Itô décrit une dynamique régressive, autour d’une valeur moyenne
 Si r(t) passe au-dessus de ce niveau b, sous l’effet d’un choc aléatoire 𝜎𝑑𝑤(𝑡) positif,
alors l’espérance de la variation, instantanée de r(t), égale à a(b-r(t)), est négative, et
r(t) aura tendance à se rapprocher de son niveau moyen, à la vitesse a.
 A l’inverse, si r(t) passe au-dessus de b, le trend devient positif, donc l’évolution de
r(t) résulte maintenant de deux forces contradictoires : la force de rappel
« équilibrante » et l’aléa « déséquilibrant »
L’évolution du taux court résulte de deux forces contradictoires : la force de rappel
équilibrante et l’aléa déséquilibrant. On palie ainsi un inconvénient majeur du mouvement
brownien, généralisé, à savoir une espérance et une variance qui tendent vers l’infini. Ainsi le
processus d’Ornstein Uhnlenbeck capte l’idée de retour à la moyenne, c’est pour cette raison
qu’il est appelé « elastic random walk »
Dans le cas d’un processus de ce type, on a pour t≤s :
𝐸[𝑟(𝑠)|𝑟(𝑡)] = 𝑏 + (𝑟(𝑡) − 𝑏)𝑒 −𝑎(𝑠−𝑡)
𝜎²
(1 − 𝑒 −2𝑎(𝑠−𝑡) )
𝑉[𝑟(𝑠)|𝑟(𝑡)] =
2𝑎
Lorsque s devient infiniment grand, l’espérance de r(s) étant donné son niveau actuel,
tend vers la valeur moyenne b. La variance conditionnelle tend, quant à elle, vers la constante
𝜎²
finie 2𝑎 . Et lorsque a tend vers l’infini (l’ajustement se fait de plus en plus rapidement),

- 72 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

l’espérance de r(t) tend vers b, et sa variance vers 0 : à la limite il y a donc plus d’incertitude
sur le taux d’intérêt, qui reste collé au niveau b.
A l’inverse, lorsque a tend vers 0 (l’attraction vers b en de plus en plus faible),
l’espérance futur tend vers son niveau courant (et ne dépend donc plus de b), et sa variance
vers 𝜎 2 (𝑠 − 𝑡), ce qui témoigne de l’absence de toute force de rappel.
II.2. Equation de la structure par terme
Introduisant l’expression des paramètres du processus dans l’équation de la structure
par terme, on obtient :
1 2
𝜎 𝑃𝑟𝑟 + (𝑎(𝑏 − 𝑟(𝑡)) − 𝜆)𝑃𝑟 + 𝑟𝑃 + 𝑃𝑡 = 0
2
Sa solution est : 𝑃(𝑡, 𝑇) = exp(𝐴(𝑡, 𝑇)𝑟(𝑡) + 𝐵(𝑡, 𝑇))
1
Avec 𝐴(𝑡, 𝑇) = 𝑎 (𝑒 −𝑎(𝑇−𝑡) − 1)
𝜎2 1 𝜆 𝜎2 𝜆 𝜎2
et 𝐵(𝑡, 𝑇) = [4𝑎3 (1 − 𝑒 −2𝑎(𝑇−𝑡) ) + 𝑎 (𝑏 − 𝑎 − 𝑎2 ) − (𝑏 − 𝑎 − 2𝑎2 )(𝑇 − 𝑡)]
Comme précédemment, on peut calculer les paramètres du processus de prix en
évaluant 𝑃𝑟 à partir de cette solution. On obtient :
𝜆
𝛼(𝑡, 𝑇) = 𝑟(𝑡) + (𝑒 −𝑎(𝑇−𝑡) − 1)
𝑎
𝜎 −𝑎(𝑇−𝑡)
𝛿(𝑡, 𝑇) = (𝑒 − 1)
𝑎
𝜆
Soit une prime de terme : Φ(𝑡, 𝑇) = 𝑎 (𝑒 −𝑎(𝑇−𝑡) − 1) positive pour toutes les
échéances si 𝜆 ≤ 0.
Maintenant, si on pose 𝜆 = 0, le marché ne paye aucune prime pour une opération
pourtant risquée. Mais ici le risque instantané tend vers un maximum avec la maturité du bon :
𝜎
lim 𝛿(𝑡, 𝑇) = 𝑎
𝑇→∞
La structure des taux est donnée par l’équation suivante :
−1 1 −𝑎(𝑇−𝑡) 1 𝜆 𝜎2
𝑅(𝑡, 𝑇) = [ (𝑒 − 1)𝑟(𝑡) + (𝑏 − − 2 ) (1 − 𝑒 −𝑎(𝑇−𝑡) )
𝑇−𝑡 𝑎 𝑎 𝑎 𝑎
2
𝜎 𝜆 𝜎2
+ 3 (1 − 𝑒 −2𝑎(𝑇−𝑡) ) − (𝑏 − − 2 )(𝑇 − 𝑡)]
4𝑎 𝑎 2𝑎
Pour un instant t donné, les valeurs limites en T de cette expression sont :
lim 𝑅(𝑡, 𝑇) =r(t)
𝑇→𝑡
𝜆 𝜎2
Par définition, et, en utilisant la règle de l’Hôpital : lim 𝑅(𝑡, 𝑇) = 𝑅∞ = 𝑏 − 𝑎 − 2𝑎2 .
𝑇→∞
En utilisant cette notation, on peut exprimer la structure des taux par la forme
suivante :
1 𝜎2
𝑅(𝑡, 𝑇) = [𝑅∞ + (1 − 𝑒 −𝑎(𝑇−𝑡) )(𝑟(𝑡) − 𝑅∞ ) + (1 − 𝑒 −𝑎(𝑇−𝑡) )²]
𝑎(𝑇 − 𝑡) 4(𝑇 − 𝑡)𝑎3

- 73 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

II.3. Analyse de la fonction de taux

La structure des taux part de r(t) et tend vers 𝑅∞ pour les échéances lointaines. Sa
forme précise dépend du niveau de r(t) et de la valeur des paramètres a, b, 𝜎 et 𝜆.
L’étude du signe de la pente de la structure montre que :
𝜎2
 Si r(t) est inférieur à 𝑅∞ − 4𝑎2 la courbe de taux et monotone croissante.
𝜎2
 Si r(t) est supérieur à 𝑅∞ − 4𝑎2 la courbe de taux et monotone décroissante.
 Pour des valeurs intermédiaire de r(t), la structure est en cloche ;
Concernant la structure de la volatilité des taux d’intérêt, le paramètre de diffusion du
𝜎
processus du taux d’intérêt est donné par : − 𝑎(𝑇−𝑡) (𝑒 −𝑎(𝑇−𝑡) − 1)

On remarque bien que c’est une fonction décroissante de la maturité. La courbe se

rapproche d’autant plus vite de l’axe horizontal que la force d’attraction a est grande.
Il apparait donc que c’est l’introduction du phénomène de retour vers la moyenne qui
permet de passer d’une structure de volatilité plate à une structure décroissante, bien plus
vraisemblable.

III. Modèle de Cox-Ingersoll et Ross

Pour garantir la positivité du taux court, CIR(1985), utilisent un processus racine
carrée, dont la variance instantanée est proportionnelle à la racine carrée du niveau atteint. Sa
différentielle stochastique s’écrit :
𝑑𝑟(𝑡) = 𝑘(𝜃 − 𝑟(𝑡))𝑑𝑡 + 𝜎√𝑟(𝑡)𝑑𝑤(𝑡) où k > 0 et 𝜃 > 0
Cette EDS a une unique solution positive, mais on ne dispose pas d’une forme
explicite pour cette solution. A l’instar du processus d’Ornstein-Uhnlenbeck utilisé par
Vasiçek, processus racine carrée est un processus autorégressif d’ordre 1, décrivant l’attirance
élastique du taux court autour de la valeur centrale 𝜃, avec une vitesse d’ajustement k.
Cependant, lorsque r(t) devient nul, la dynamique du taux court est ici décrite par
l’équation déterministe 𝑑𝑟(𝑡) = 𝑘𝜃𝑑𝑡 > 0. Ceci montre que, d’une part, que le taux court ne
peut jamais être négatif, et d’autre part, qu’il redevient immédiatement positif juste après
avoir atteint la valeur 0 (ce qui n’est envisageable que si 𝜎 2 > 2𝑘𝜃). On dit que 0 est une
barrière réfléchissante pour le taux d’intérêt.
On remarque que 𝜎 2 𝑟(𝑡), la variance instantanée du changement du taux court, croît
avec son niveau. Cela concorde avec les constations empiriques, qui montrent que les taux
sont d’autant plus volatils que leur niveau est élevé.
Lorsque le taux court suit un processus racine carrée, l’espérance et la variance de r(s)
sachant r(t) sont comme suit :
𝐸[𝑟(𝑠)|𝑟(𝑡)] = 𝜃 + (𝑟(𝑡) − 𝜃)𝑒 −𝑘(𝑠−𝑡)
𝜎² 𝜎²
𝑉[𝑟(𝑠)|𝑟(𝑡)] = 𝑘 (1 − 𝑒 −2𝑘(𝑠−𝑡) ) + (𝑟(𝑡) − 𝜃)(𝑒 −𝑘(𝑠−𝑡) − 𝑒 −2𝑘(𝑠−𝑡) )
2𝑘 𝑘
Pour calculer la structure des prix, il faut résoudre l’équation différentielle :
1 2
𝜎 𝑃𝑟𝑟 + (𝑘(𝜃 − 𝑟) − 𝜆)𝑃𝑟 − 𝑟𝑃 + 𝑃𝑡 = 0 𝑠𝑜𝑢𝑠 𝑃(𝑇, 𝑇) = 1
2

- 74 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

La solution est : 𝑃(𝑡, 𝑇) = exp(𝐴(𝑡, 𝑇)𝑟(𝑡) + 𝐵(𝑡, 𝑇)))

Avec :
−2
 𝐴(𝑡, 𝑇) = 𝑒(𝑡,𝑇) (𝑒 −𝜗(𝑇−𝑡) − 1)
𝑘+𝜗(𝑇−𝑡)
2(𝑘𝜃−𝜆) 2𝜗 exp( )
 𝐵(𝑡, 𝑇) = ln ( 2
)
𝜎2 𝑒(𝑡,𝑇)

 𝑒(𝑡, 𝑇) = (𝜗 + 𝑘)(𝑒 −𝜗(𝑇−𝑡) − 1) + 2𝜗 et 𝜗 = √(𝑘 2 + 𝜎 2 )

𝑃𝑟
Le terme étant négatif, on a donc toujours la propriété 𝑃𝑟 < 0.
𝑃
𝑑𝑃
Les paramètres du processus des rendements sont :
𝑃

𝜇(𝑡, 𝑇)𝑑𝑡 = 𝑟(𝑡) + 𝐴(𝑡, 𝑇)𝜆

𝛿(𝑡, 𝑇) = 𝐴(𝑡, 𝑇)𝜎√𝑟(𝑡)
L’expression de 𝛿 montre les taux de rendements sur les obligations d’autant moins
variables que le taux court est faible, ce qui est assez satisfaisant d’un point de vue empirique.
On voit aussi que les rendements sont certains lorsque le taux court est nul.

IV. Application aux données du marché

IV.1. Présentation et analyse des données

IV.1.1. Présentation des données :

Pour estimer les paramètres désirés, nous avons choisi comme taux court terme, le
taux moyen des BDT à 1 an.
Nous avons utilisé les données journalières s’étalant du 02/01/2012 au 28/04/2017.
Ces données sont obtenues à partie du site de Bank Al Maghrib et sont représenté sur la figure
suivante :

FIGURE 30 : REPRESENTATION DE LA SERIE DES DONNEES DE TAUX DES BDT A 1 AN

- 75 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

IV.1.2. Analyse des données :

Nous vérifions à présent, que la série du taux court est bien un autorégressif d’ordre 1,
en visualisant le PACF :

FIGURE 31 : PACF DU TAUX COURT

Pour vérifier la stationnarité, nous avons utilisé le test de racine unitaire (le test de
Dickey-Fuller), les résultats sont représentés dans le tableau ci-dessous :

La p-value calculée est supérieure au niveau de signification de 5%. La série des taux
court n’est pas stationnaire, toutefois cela ne constitue pas une entrave dans la mesure où la
construction de la courbe de taux prévisionnelle se basera sur les formules des prix des
obligations.
IV.2. Courbe de taux avec le modèle de Vasiçek

IV.2.1. Méthodologie de l’estimation

Le processus, d’Ornstein-Uhnlenbeck, utilisé par Vasiçek, s’écrit sous la forme
suivante :
𝑑𝑟𝑡 = 𝑎(𝑏 − 𝑟𝑡 )𝑑𝑡 + 𝜎𝑑𝑤𝑡
 a : paramètre définissant la vitesse avec laquelle r(t) retourne à sa valeur moyenne
 b : la valeur moyenne du taux court r(t)
 𝑤: un brownien standard

- 76 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

Pour estimer les paramètres du processus d’Ornstein-Hhnlenbeck, a, b et 𝜎 , nous

allons utiliser la discrétisation exacte proposée par Gouriéroux, Monfort et Renault (1993) qui
est donnée par :

−𝑎 )
𝜎2
𝑟𝑡 − 𝑟𝑡−1 = 𝑏(1 − 𝑒 + (𝑒 −𝑎 − 1)𝑟𝑡−1 + 𝜀𝑡 𝑎𝑣𝑒𝑐 𝜀𝑡 ~𝑁 (0, (1 − 𝑒 −2𝑎 ))
2𝑎
Nous pourrons alors, en utilisant les données relatives au taux de la maturité 1 an,
estimer à l’aide de la méthode des Moindres Carrées Ordinaires (MCO), les paramètres du
processus d’Ornstein-Uhnlenbeck, via l’équation suivante :
𝑟𝑡 = 𝑎̅ + 𝑏̅. 𝑟𝑡−1 + 𝜀𝑡
Avec :
 𝑎̅ = 𝑏(1 − 𝑒 −𝑎 )
 𝑏̅ = 𝑒 −𝑎
Cette équation indique que les taux courts s’ajustent suivant un processus autorégressif
d’ordre 1, ce que nous avons déjà vérifié pour les données que nous avons utilisé dans la
section précédente.
Après l’estimation des paramètres a et b, nous pouvons alors retrouver les paramètres
du processus d’Ornstein-Uhnlenbeck comme suit :
𝑎 = − ln(𝑏̅)
𝑎̅
𝑏=
1 − 𝑏̅

−𝑙𝑛𝑏 2
𝜎 = 𝜎𝜀 √
1 − 𝑏2
IV.2.2. Résultat de l’estimation
L’estimation des paramètres de l’équation 𝑟𝑡 = 𝑎̅ + 𝑏̅. 𝑟𝑡−1 + 𝜀𝑡 se fait par la méthode
des moindres carrés ordinaires. Les résultats de l’estimation sont représentés dans le tableau
suivant :

Nous obtenons donc après le calcul les estimations du processus de retour vers la moyenne
comme suit :
𝑎 = − ln(𝑏̅) =0,00073
𝑎̅
𝑏 = 1−𝑏̅ =0,03089

−𝑙𝑛𝑏̅ 2
𝜎 = 𝜎𝜀 √ 1−𝑏̅2 =0,00066

Nous effectuons 2000 simulations du taux court sur un horizon de 4 ans. Nous
obtenons donc les résultats suivants :

- 77 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

FIGURE 32 : SIMULATIONS DU TAUX COURT AVEC LE MODELE DE VASICEK

IV.2.3. Courbe de taux Zéro-Coupon par le modèle de Vasiçek

Le rendement R(t,T) d’une obligation zéro-coupon, de maturité T à la date t, est donné
par le modèle Vasiçek sous la forme suivante :
−1 1 −𝑎(𝑇−𝑡) 1 𝜆 𝜎2
𝑅(𝑡, 𝑇) = [ (𝑒 − 1)𝑟(𝑡) + (𝑏 − − 2 ) (1 − 𝑒 −𝑎(𝑇−𝑡) )
𝑇−𝑡 𝑎 𝑎 𝑎 𝑎
2
𝜎 𝜆 𝜎2
+ 3 (1 − 𝑒 −2𝑎(𝑇−𝑡) ) − (𝑏 − − 2 )(𝑇 − 𝑡)]
4𝑎 𝑎 2𝑎
Il nous reste maintenant un seul paramètre à estimer afin de déterminer les prix des
obligations zéro-coupon. La prime de risque mesure le point auquel les investisseurs exigent
des rendements plus élevé, mais elle n’est pas directement observée sur le marché.
Deux approches peuvent être adoptées pour la détermination du paramètre 𝜆 . La
première est celle proposée par Brown et Dybvig-Sercu et Wu consistant à estimer tous les
paramètres du modèle simultanément y compris 𝜆 de telle sorte que le modèle s’accommode à
la courbe des taux réelle du marché. La deuxième approche consiste à déterminer 𝜆 en
minimisant la somme des carrées des erreurs entre les prix réels des obligations et les prix
théoriques. Nous avons choisi d’adopter la deuxième approche et nous procédons à son
estimation par la méthode des moindres carrés.
Pour estimer la prime de risque du marché pour les différentes maturités, il nous suffit
𝜆
d’estimer la constante 𝜆, et ainsi via la formule : Φ(𝑡, 𝑇) = 𝑎 (𝑒 −𝑎(𝑇−𝑡) − 1), on remonte à
toutes les primes de risque de manière à minimiser les erreurs entre les taux zéro-coupon réels
du marché et ceux obtenus par le modèle de Vasiçek.
Nous allons estimer 𝜆 avec la fonction suivante :

- 78 -
Troisième Partie : Modélisation Stochastique du taux d’intérêt

−1 1 −𝑎(𝑇−𝑡) 𝜎2
𝑅(𝑡, 𝑇) = [ ( (𝑒 − 1)𝑟(𝑡) + 3 (1 − 𝑒 −2𝑎(𝑇−𝑡) )
𝑇−𝑡 𝑎 4𝑎
2
1 𝜎 −𝑎(𝑇−𝑡)
𝜎2 1 𝑒 −𝑎(𝑇−𝑡) − 1
+ (𝑏 − 2 ) (1 − 𝑒 ) − (𝑏 − 2 )(𝑇 − 𝑡)) − 𝜆( + )]
𝑎 𝑎 2𝑎 𝑎 (𝑇 − 𝑡)𝑎²
On estime donc 𝜆 avec l’équation suivante : 𝑅𝜆=0 (𝑡, 𝑇) − 𝜆𝑉(𝑡, 𝑇)
Avec :
−1 1 −𝑎(𝑇−𝑡) 𝜎2
𝑅𝜆=0 (𝑡, 𝑇) = [ ( (𝑒 − 1)𝑟(𝑡) + 3 (1 − 𝑒 −2𝑎(𝑇−𝑡) )
𝑇−𝑡 𝑎 4𝑎
2
1 𝜎 𝜎2
+ (𝑏 − 2 ) (1 − 𝑒 −𝑎(𝑇−𝑡) ) − (𝑏 − 2 )(𝑇 − 𝑡))]
𝑎 𝑎 2𝑎
1 𝑒 −𝑎(𝑇−𝑡) − 1
𝑉(𝑡, 𝑇) = ( + )
𝑎 (𝑇 − 𝑡)𝑎²
L’estimation par la méthode des moindres carrés ordinaire nous donne 𝜆 = −0,00179.
Les simulations des taux courts permettent la construction de 2000 courbes de taux
pour chaque date. Le graphique ci-dessous expose, pour 100 simulations choisies parmi les
2000 effectuées, les différentes courbes de taux après une année, c’est-à-dire les prédictions
pour la courbe de taux du 27/04/2018.

FIGURE 33 : EXEMPLE DE SIMULATIONS DE LA COURBE DE TAUX

Conclusion
La structure par terme des taux d’intérêt joue un rôle crucial dans l’activité de
transformation de la banque. En effet, la connaissance de l’évolution future des taux permet
non seulement de déterminer l’incidence sur la marge nette prévisionnelle de la banque mais
également de constater comment une variation de la courbe de taux impacte la globalité du
bilan. Les travaux de modélisation du taux court à travers le modèle de Vasicek et la
construction de la courbe de taux seront également utiles pour la construction des scénarios de
stress de taux (cf. Quatrième Partie).

- 79 -
Quatrième Partie : Stress Testing et impact
sur les indicateurs de mesure
A la suite de nombreuses crises financières, il est aujourd’hui
important de mesurer en permanence la stabilité financière et de
mettre en place des scénarios de stress qui servent à explorer les failles
du système financier. Un stress test étant un exercice consistant à
simuler des conditions économiques et financières adverses sévères
mais plausibles afin d’en étudier les conséquences sur les banques
pour mesurer leur capacité de résistance à de telles situations.

- 80 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Chapitre 1 : Stress testing et réglementation

Le secteur financier a connu un certain nombre de crises au cours des dernières
décennies. Nous citons en exemple la première crise financière mondiale de 1857, le krach de
1929, la flambée des taux d’intérêts en 1981, la crise du peso mexicain en 1995, la bulle
internet en 2000, les attentats du 11 septembre 2001 et plus récemment la crise des subprimes
de 2007-2008 qui a touché tout le secteur financier, et ce au niveau mondial, par une
interconnexion entre les marchés financiers.
Il existe maintenant des outils de surveillance et de protection contre les crises futures,
il s’agit des stress tests. Il s’agit non seulement d’outils de gestion des crises mais également
d’un outil de supervision du secteur bancaire. Toutefois, la notion de stress testing n’est pas
nouvelle. Dès les années 90, les institutions financières ont commencées à les utiliser autant
qu’outil de gestion interne mais sans s’intéresser à l’analyse des résultats et aux
problématiques des crises telles que la liquidité.

I. Définition des stress tests :

I.1. Définition d’un stress test

Un stress test estime la capacité des banques à faire face à des situations de stress ou
de crise et consiste en la mesure de la variation des valeurs des différents indicateurs de
gestion bancaire sous l’effet de changement de facteurs sous-jacents.
I.2. Définition d’un stress test financier
Le stress financier reprend deux notions :
 Le stress : il est causé par une force extérieure agissant sur un système. Il peut provoquer
un dysfonctionnement et mener à un état de crise (Illing M. et Liu Y., 2013)
 Le secteur financier : Il est constitué des institutions financières, des marchés financiers,
leur réglementation…
Un stress financier peut se définir comme « étant la force exercée par l’incertitude et le
changement des espérances des pertes sur des agents économiques dans les marchés et les
institutions financières » (Montassar Z. et Makram G., 2014). Il résulte des tensions subies par
le système financier.

II. Réglementation
Comme le préconisent les autorités réglementaires, les établissements financiers
doivent effectuer régulièrement des simulations de crises afin de connaitre le montant des
pertes potentielles en cas de fluctuations dangereuses et importantes du marché. Ces
simulations de crises, également appelée scénarios de stress, doivent être des outils pour
appréhender l’exposition de la banque à une crise grave. C’est une vision de risque extrême.
« The art of stress testing should give the institution a deeper understanding of the specific portfolios
that could be put in jeopardy given a certain situation. The question then would be : ‘Would this be
enough to bring down the firm ?’ That way, each institution can know exactly what scenario it is they do
not want to engage in. » Michael Ong,ABN Amro, in Dunbar et Irving [1998].

- 81 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

II.1. Réglementation internationale

Les stress tests sont initialement une conséquence des recommandations du dispositif
de Bâle II. Il vise ainsi à améliorer le contrôle de la stabilité financière et d’identifier les chocs
pouvant constituer une menace pour le système bancaire.
La réglementation Bâle III impose aux banque d’anticiper des situations de crise à
l’aide de la réalisation de stress tests simulant des événements susceptibles de provoquer de
fortes tensions sur la liquidité, comme le retrait d’une partie importante des dépôts de la
clientèle ou un déclassement de la note attribuée par les agences de notations affaiblissant la
réputation de l’établissement.
En Europe, la réalisation des stress tests est exigée par la Banque Centrale Européenne
et aux Etats-Unis leur exécution est exigée par la Réserve Fédérale, ce qui amène à des
approches différentes dans la conception et dans l’exécution des stress. Les stress tests
Européens sont construits selon les deux types de scénarii suivants :
 Un scénario de référence basé sur les prévisions de l’Organisation de Coopération et
de Développement Economique ou de la Commission Européenne ;
 Un scénario Economique provenant des différents chocs endogènes définis par le FMI.
Ces deux approches sont ensuite confrontées afin de valider les résultats obtenus et
afin d’analyser les résultats de la simulation en matière d’impact sur le résultat net de la
banque et sur sa solvabilité. Cependant, les stress tests Européens sont souvent critiqués pour
leur indulgence du fait qu’ils ne prennent pas en compte les variables extrêmes. Les stress
tests Européens traitent de plusieurs risques :
 Le risque de titrisation
 Le risque souverain
 Le risque de marché
 Le risque de crédit.
Les stress tests exigés par la BCE se basent sur deux scénarios portants sur un horizon
de trois ans. Un premier scénario dit de base, qui est le scénario le plus probable dans le futur,
et un second scénario pessimiste, qui « a été conçu pour refléter les risques systémiques qui
ont été évalués comme représentant des menaces les plus pertinentes à la stabilité du secteur
bancaire de l’UE » (BCE, 2014). Les exigences de la BCE pour la réussite des stress tests est
la détention d’un ratio Minimum Common Equity Tier 1 de 8% pour le scénario de base et un
Minimum Common Equity Tier 1 de 5,5% pour le scénario pessimiste.
La FED quant à elle propose trois scénarios :
 Un scénario de base
 Un scénario pessimiste
 Un scénario sévère.
Le scénario sévère utilise des hypothèses bien plus sévères que pour le scénario
pessimiste, comme le montre le tableau suivant :

- 82 -
 Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Facteurs Scénarios sévère Scénario pessimiste

PIB réel Baisse de 4,75% en 2014Baisse de 1% en 2014
Taux de chômage Augmentation jusque 11,15%
Augmentation jusque 9,15%
Indice des prix à la consommation Baisse de 1% en 2014 Ralentissement de l’inflation et
retourne à 2% en 2015
Prix des actions Baisse de 50% Baisse de 36%
Indice de volatilité du marché boursier Atteint 68% Atteint 35%
Prix de l’immobilier Baisse de 35% Baisse de 10% en 2014
TABLEAU 4 : PARAMETRES DES SCENARIOS PESSIMISTE ET SEVERE DE LA FED 2014

Pour que les banques américaines réussissent les stress tests exigés par la FED, ces
dernières doivent obtenir un Minimum Common Equity Tier 1 de 9,5% pour le scénario de
base et un Minimum Common Equity Tier 1 de 7,6% pour le scénario sévère.
II.2. Réglementation marocaine
Le dispositif de stress test que Bank Al Maghrib effectue vise à chiffrer plus
précisément les impacts des risques jugés significatifs pour le système financier. Trois
catégories de stress tests sont effectuées par BAM pour évaluer la santé du système bancaire.
 Stress tests de sensibilité : Ils consistent à mesurer l’impact d’un choc de crédit, de
liquidité, de marché, de taux d’intérêt ou de change, sur l’équilibre bilanciel et la
solvabilité des institutions financières ;
 Stress tests de contagion interbancaire : Ils mesurent le risque de propagation de la
défaillance d’une banque aux autres banques ;
 Stress tests macroéconomiques : Ils consistent en l’analyse de la capacité du marché a
absorbé les chocs émanant de l’environnement macroéconomique.
BAM recommande aux établissements de mesuer leur vulnérabilité en termes de
pertes dans des conditions de marché critiques à travers des simulations de crises qui prennent
en considération des scénarios susceptibles d'entraîner des pertes exceptionnelles.
De ce fait, les variations extrêmes des facteurs de marché ainsi que les scénarios
prévoyant une forte exposition pour les risques de taux et de liquidité doivent être couverts.
Parmi les scénarios de crise possibles relatifs au risque de taux, BAM prévoit:
 Une variation brutale du niveau général des taux d'intérêt ;
 Une modification des relations entre les taux de référence importants du marché
(risque de base) ;
 Des évolutions de la courbe des taux ;
 Une réduction de la liquidité sur les principaux marchés financiers ;
Une évolution des volatilités et des corrélations des taux du marché.
Ainsi ces simulations de stress testing sont effectuées afin d’évaluer l’impact d’une
variation des taux sur la marge d’intérêt ainsi que sur la valeur économique des Fonds
Propres.
En ce qui concerne les scénarios de stress pour la liquidité des simulations sont
réalisées en effectuant des pressions sur les ressources en simulant des retraits massifs des
dépôts. Ces scénarios permettent à la banque d’évaluer sa capacité à faire face à des situations
de crise de liquidité. Trois scénarios sont principalement appliqués.

- 83 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

 Scénario 1 : Consiste à prévoir une pression sur les dépôts à vue durant trois mois avec
maintien des activités de crédit, le comportement de la liquidité du bilan est mesuré
grâce aux impasses de liquidité sur les trois premiers mois. Ce stress test suppose le
retrait de 30% des Dépôts à vue sur les trois premiers mois, à raison de 10% chaque
mois ;
 Scénario 2 : Ce scénario prévoit une pression relative sur les dépôts à vue avec
maintien des activités de crédit sur un horizon de 10 jours. Le but de ce scénario est de
tester la capacité de la Banque à faire face à des retraits qui représentent la partie
volatile des dépôts à vue mais sur un délai très court (10 jours) ;
 Scénario 3 : Ce scénario prévoit une pression maximale sur les dépôts, en situation de
crise majeure, où la Banque perd la totalité de ses dépôts à vue en 10 jours.

III. Méthodes des stress tests :

Lorsque les conditions du marché sont tendues, le système de mesure du risque doit
également permettre d’évaluer raisonnablement l’impact pour la banque. Des simulations de
crises adaptées à de telles conditions doivent prendre en considération des scénarios
susceptibles d’entraîner des pertes extraordinaires pour la banque. De ce fait, les variations
extrêmes des facteurs de risque de marché ainsi que les scénarios prévoyant des évolutions
très négatives des positions à risques spécifiques de la banque doivent être couverts.
Deux grandes familles de stress testing existent : les méthodes objectives et les
méthodes dites subjectives. Le premier type utilise les faits historiques pour construire les
scénarios, la seconde famille quant à elle est basée sur des hypothèses de travailles.
Les scénarios historiques se basent uniquement sur les données historiques et peuvent
se révéler non concluants dans la mesure où ils ne permettent de mesurer que l’impact passé
et ne permettent pas d’avoir des informations fiables sur les événements futurs. Les scénarios
basés sur des hypothèses statistiques permettent de quantifier la capacité des banques à
résister à une nouvelle situation extrême. Mais pour qu’un stress test soit efficient, il doit se
composer de données historiques et de données statistiques.
La construction des scénarios de stress repose sur trois types de scénarios :
- Un scénario de crise idiosyncratique : il est spécifique à la banque et est nait suite à une
dégradation de sa note ce qui impacte son image. Il correspond à une appréciation
négative de la banque par le marché et par sa clientèle et se traduit par une dégradation de
sa note ce qui crée une crise de confiance portant sur la banque.
- Un scénario de crise systémique : une contraction des marchés sur lesquels la banque se
refinance fait que cette dernière ne sera plus en mesure de renouveler certaines ressources.
- Un scénario de crise globale : il correspond à une combinaison du scénario
idiosyncratique et du scénario systémique et résulte en une crise grave pour la banque
dans un environnement perturbé.
L’élaboration et la mise en place des scénarios de stress a pour objectif de quantifier
l’impact de ces derniers sur l’activité de la banque, mais pour ce faire les facteurs de risque
doivent être déterminés et certaines hypothèses doivent être déterminées.
En général, les hypothèses des stress tests sont :
- Retrait sur les dépôts à vue
- Dégradation de la notation de la banque
- Fermeture des marchés monétaires et obligataires
- Tirages sur les lignes de liquidités données par la banque

- 84 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

- Dénonciation des garanties reçues par la banque

- Stress sur les appels de marge
- …
Un scénario de stress (hypothétique, adverse ou historique) sera ensuite déterminé et
conduit pour chaque facteur afin de calculer l’impact sur les indicateurs de gestion.

- 85 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Chapitre 2 : Mise en place des scénarios de stress

Pour les besoins de la mise en place des stress adaptés à la banque, nous nous
concentrons dans cette partie à définir des scénarios plus personnalisés que ceux imposés par
les régulateurs ou le comité de Bâle.

I. Stress de Liquidité
En période de crise, la part des dépôts à vue qui s’évapore rapidement et qui peut être
réclamée par les déposants peut augmenter considérablement. Afin de mesurer l’impact de
l’éventualité d’un retrait massif des dépôts, nous nous intéressons dans cette partie au choc de
deux paramètres :
− La part volatile
− La durée d’écoulement de la part volatile
I.1. Démarche :

I.1.1. Choc de la part volatile

La part volatile représente la part d’encours qui s’évapore rapidement. Cette part
volatile est déterminée par le coefficient de variation de la série des dépôts.
Pour les besoins de choc de la part volatile, nous avons simulé plusieurs trajectoires
d’évolution d’encours des dépôts à vue. Chaque trajectoire simulée donne lieu à un coefficient
de variation aléatoire.
Concrètement, la simulation des trajectoires aléatoires repose sur la dynamique de
Selvaggio qui a été précédemment calibrée :
𝐿𝑜𝑔𝐷𝑡 = 𝛼0 + 𝛼1 𝐿𝑜𝑔𝐷𝑡−1 + 𝛼2 𝑡 + 𝛼3 𝑅𝑡 + 𝜖𝑡
Avec :
 𝐷𝑡 =Encours à l’instant t
 𝜖𝑡 = Bruit Blanc de loi normale 𝒩 (𝜇, 𝜎 2 )
Nous rappelons que le bruit blanc représente l’écart entre les données réelles et les
données théoriques déduites du modèle de Selvaggio.
La simulation des différentes trajectoires d’évolution d’encours (sur un horizon d’un
an) a reposé sur l’équation de Selvaggio précédemment exposée. Afin de générer des
trajectoires s’éloignant du scénario central, nous avons appliqué un choc à la variance des
résidus, en la multipliant par un coefficient.
Pour chaque trajectoire (composée de l’historique et des encours prédits), on calcule le
coefficient de variation. Sur cette base, on constitue une série de coefficients de variations qui
correspondent à des parts volatiles différentes.
Comme scénarios de choc, il a été retenu :
− Le max des coefficients de variation
− Le quantile à 99%
− Le quantile à 95%
I.1.2. Choc de la vitesse d’ajustement
Le deuxième paramètre à choquer est la vitesse d’ajustement 𝜆 qui traduit la durée
d’écoulement de la part volatile. Comme il a été vu lors de l’élaboration des conventions

- 86 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

d’écoulement pour les différents comptes, la dynamique de l’écoulement repose sur la

formule suivante :
𝐷𝑡 = 𝐷∗ + (𝐷0 − 𝐷∗ ). 𝑒 −𝜆.𝑡 .
Nous rappelons également que l’encours cible 𝐷∗ et la vitesse d’ajustement 𝜆 sont
calculés à partir des paramètres calibrés dans le modèle de Selavaggio :
𝜆 = 1 − 𝛼1
𝛼0
𝐷∗ = exp( )
𝜆
Afin de faire varier la vitesse d’ajustement, nous nous sommes basés sur l’intervalle de
confiance du paramètre 𝛼1 du modèle de Selvaggio à des seuils de significativité différents.
Pour illustrer, supposons que l’intervalle de confiance à un certain quantile q de 𝛼1 est
de la forme suivante [𝛼1,𝑚𝑖𝑛 ; 𝛼1,𝑚𝑎𝑥 ], où 𝛼1,𝑚𝑖𝑛 correspond à la plus grande valeur de la
vitesse d’ajustement ( 𝜆𝑚𝑎𝑥 ) et à 𝛼1,𝑚𝑎𝑥 correspond à la plus petite vitesse d’ajustement
(𝜆𝑚𝑖𝑛 ).
Plus la vitesse d’ajustement est grande, plus l’encours de départ s’ajuste autour de
l’encours cible rapidement, ce qui permet un écoulement plus rapide de la part volatile.
Nous retenons donc comme scénarios de choc, la valeur minimale de l’intervalle de
confiance du paramètre 𝛼1 pour différents seuils d’erreurs : 10%, 5% ; 1%
Remarque :
Pour l’élaboration des conventions d’écoulements choqués, nous nous baserons sur
des chocs combinés de la part volatile et de la vitesse d’ajustement
I.2. Résultats
Afin d’illustrer la démarche précitée, nous proposons dans ce qui suit de construire les
chocs des comptes courants passif.
Le modèle retenu pour le compte courant passif est le suivant :
log 𝐷𝑘 = 9,3054 + 0,608954 ∗ log 𝐷𝑘−1 + 0,001428 ∗ 𝑡𝑘
Analyse des résidus :
Les résidus sont calculés à partir de la formule suivante : 𝑒𝑖 = 𝑌𝑖 − 𝑌𝑖 ∗
Avec :
 𝑌𝑖 : les encours observés
 𝑌𝑖 ∗ : les encours prédits.
Nous rappelons que les résidus vérifient l’hypothèse de normalité. Cette hypothèse
s’appuie sur les résultats du test de Jarque-Bera.

La p-value étant supérieure au seuil 5%, on ne rejette pas l’hypothèse nulle de la

normalité.

- 87 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

La moyenne des résidus est de : 𝜇 =-0,0022 et leur variance est de : 𝜎 2 =0,0059. Nous
simulons alors des bruits blancs prenant en compte ces paramètres.
Simulations des trajectoires :
La génération de variables aléatoires normales avec comme paramètres la moyenne et
la variance de la série des résidus permet de simuler des trajectoires qui se rapprochent de la
trajectoire du scénario central prédit.
Pour les besoins du stress test, un choc a été appliqué au niveau de la variance. Celle-
ci a été multipliée par un coefficient pour augmenter la variabilité des encours prédits.
Les simulations ont été établies sur la base de l’équation suivante :
log 𝐷𝑘 = 9,3054 + 0,608954 ∗ log 𝐷𝑘−1 + 0,001428 ∗ 𝑡𝑘 + 𝜀𝑡
Avec : 𝜀𝑡 ~𝑁 (−0, 0022; 0,295)
Cette équation nous a permis de simuler l’ensemble des trajectoires illustrées ci-
dessous. Le nombre de simulation s’élève à 5000 simulations sur un horizon de projection de
12 mois. Ce nombre a été choisi de manière à avoir la moyenne des simulations qui se
rapproche du scénario central.

FIGURE 34 : SIMULATION DE 5000 TRAJECTOIRES PREVISIONNELLES DE L’EVOLUTION DES ENCOURS DES COMPTES COURANTS
PASSIF

Une série de coefficient de variation a été calculée pour l’ensemble des scénarios
simulés en divisant l’écart-type sur la moyenne des séries d’encours historiques et prédites.
Les coefficients de variation générés varient entre une valeur minimale égale à 11% et
une valeur maximale égale à 45%.
Choc de la part volatile
La part volatile du scénario central est égale à 10%. Sur la base des résultats des
simulations, les chocs retenus se présentent comme suit :
- CV (choc 1 : max)=45%
- CV (choc 2 : quantile 99%)=30%
- CV (choc 3 : quantile 95%)= 24%
Choc de la vitesse d’ajustement

- 88 -
 Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Le choc de la vitesse d’ajustement consiste à prendre la borne inférieure de l’intervalle

de confiance du paramètre 𝛼1 selon plusieurs marges d’erreurs : 0,5%, 1% ; 5%.
Intervalle de confiance du paramètre 𝛼1 :

On déduit les différents chocs de la vitesse d’ajustement 𝜆 :

Choc combiné
La convention d’écoulement choquée combine à la fois la part volatile et vitesse
d’ajustement stressée. Pour illustrer, les chocs retenus sont les suivants : 45% pour la part
volatile et 55% pour la vitesse d’écoulement.

Ecoulement choqué et Ecoulement central

100%
Taux de survie

80%

60%

40%

20%

0%
J/J 2-7 J 8-15 J 16-30 J 1-3 M 3-6 M 6-12 M 1-2 A 2-3 A 3-4 A 4-5 A 5-7 A 7-10 A 10-12 A
Maturités

Convention centrale Convention choquée

FIGURE 35 : ECOULEMENT CENTRAL ET CHOQUE DU STOCK DE LA BANQUE POUR LES COMPTES COURANTS PASSIF

- 89 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

II. Stress de taux

Le risque de taux d’intérêt existe dans tous les postes du bilan qui sont sensibles aux
variations de la structure par terme des taux d’intérêt ou à la volatilité des taux. Les effets
potentiels des modifications de taux sur les produits et sur la valeur de marché peuvent être
analysés de manière plus précise en simulant l’évolution future des différents taux et analyse
leur incidence sur les flux de fonds.
Les flux de fonds des différentes catégories du bilan et du hors-bilan sont ventilés de
manière détaillée afin de pouvoir y incorporer des hypothèses spécifiques sur les paiements
d’intérêts et de principal ainsi que sur les revenus et les dépenses ne dépendant pas des
intérêts pour chaque catégorie.
Les stress tests de taux permettent d’évaluer la résistance de la banque aux chocs
extrêmes de taux d’intérêt et de s’assurer que cette résistance est conforme aux seuils de
tolérance définie par la banque.
Dans ce qui suit, nous avons décidé d’adopter deux approches :
 Une approche historique reposant sur une analyse statistique du comportement passé des
taux d’intérêt et qui vise à déterminer le niveau de variation de ceux-ci ;
 Une approche stochastique reposant sur des simulations des trajectoires futures des taux
d’intérêt à travers la modélisation du taux court et la construction de la courbe de taux.
II.1. Approche historique

II.1.1. Hypothèses et données :

Notre analyse historique des taux a portée sur les taux de référence des bons du trésor
du marché secondaire extraits à partir du site de BAM, sous l’hypothèse que la grille des taux
appliquée par la banque est corrélée à celle du marché.
La profondeur de l’historique des taux est de 4 ans, du 29/04/2013 au 28/04/2017. Les
taux extraits sont des taux moyens pondérés avec leur date de valeur et leur échéance.
II.1.2. Démarche

II.1.2.1. La transformation des taux

Tous les points de la courbe doivent avoir la même base d’intérêt pour pouvoir
interpoler entre eux, d’où la nécessité de convertir les taux monétaire (maturité inférieure à 1
an) en taux actuariels pour trouver les taux supérieurs à un an, et inversement, nous avons
besoin de convertir les taux actuariels en taux monétaires pour trouver les taux inférieurs à 52
semaines.
La conversion du taux monétaire en taux actuariel se fait selon la formule suivante :
365
𝑡𝑚 . 𝑛 𝑛
𝑡𝑎 = (1 + ) −1
360

Inversement, la conversion du taux actuariel en taux monétaire se fait comme suit :

𝑛 360
𝑡𝑚 = ((1 + 𝑡𝑎 )365 − 1)
𝑛
Où :

- 90 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

 𝑡𝑚 est le taux monétaire

 𝑡𝑎 est le taux actuariel
 𝑛 est le nombre de jours de placement

II.1.2.2. L’interpolation
Nous procédons à présent à l’interpolation des taux en utilisant une interpolation
linéaire pour avoir les taux aux maturités exactes : 3 Mois, 6 Mois, 9 Mois, 1 An, 2 Ans, 3
Ans, 5 Ans, 10 Ans, 15 Ans, 20 Ans et 25 Ans.
Pour cela, on utilise la formule suivante :
(𝑀𝑎𝑡𝑖 − 𝑀𝑎𝑡1 )
𝑇𝑎𝑢𝑥𝑖 = 𝑇𝑎𝑢𝑥1 + (𝑇𝑎𝑢𝑥2 − 𝑇𝑎𝑢𝑥1 ).
(𝑀𝑎𝑡2 − 𝑀𝑎𝑡1 )
Nous obtenons donc à chaque date, les taux pour les maturités considérées.
II.1.2.3. Construction des taux zéro-coupon par la méthode de BootStrapping :
Sur le court terme, les paiements sont généralement de type zéro-coupon. En effet,
pour les moins d’un an, il n’y a pas de flux intermédiaires, le nominal et les intérêts sont
versés à l’échéance.
Lorsqu’on raisonne sur le plus d’un an, des versements d’intérêts intermédiaires
interviennent (les coupons), généralement annuellement. Il faudra alors reconstituer la courbe
zéro-coupon pas à pas. C’est le principe de Bootstrap.
Pour le segment de la courbe allant de 1 an à 2 ans, on choisit un titre de maturité 2
ans qui verse des flux.

1
(1 + 𝑍𝐶𝑡2 )𝑡2
1
(1 + 𝑍𝐶𝑡1 )𝑡1

𝑡0 𝑡1 𝑡2
1 1
𝑡
+
(1 + 𝑟𝑡2 ) 1 (1 + 𝑟𝑡2 )𝑡2

Où :
 𝑍𝐶𝑡1 est le taux zéro-coupon 1 an
 𝑍𝐶𝑡2 est le taux zéro-coupon 2 ans
 𝑟𝑡2 est le taux de rendement 2 ans
Le facteur d’actualisation du premier flux est connu puisque le taux zéro-coupon 1 an
est le taux de rendement 1 an.
Le facteur d’actualisation du second flux, fonction du taux zéro-coupon 2 ans, sera la
solution de l’équation suivante :
1 1 1 1
+ 2
= +
(1 + 𝑟𝑡2 ) (1 + 𝑟𝑡2 ) (1 + 𝑍𝐶𝑡1 ) (1 + 𝑍𝐶𝑡2 )2

- 91 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Le taux zéro-coupon 2 ans s’exprime donc comme suit :

1
2
1
𝑍𝐶𝑡2 = ( 1 1 1
) −1
+ 2 −
(1 + 𝑟𝑡2 ) (1 + 𝑟𝑡 ) (1 + 𝑍𝐶𝑡1 )
2

De proche en proche, on calcule le taux zéro-coupon pour une maturité N comme suit :
1
𝑁

1
𝑍𝐶𝑡2 = −1
1 1 1
∑𝑁−1
𝑖=1 ( − )+
( (1 + 𝑟𝑁 )𝑖 (1 + 𝑍𝐶 )𝑖 (1 + 𝑟𝑁 )2 )
𝑡𝑖

On obtient ainsi la courbe de taux zéro-coupon pour toutes les maturités.

Nous avons ensuite procédé à l’analyse de la variation historique des taux en partant
des extractions journalières du site de BAM.
Les chocs à retenir correspondent à des quantiles pour différents seuils.
II.1.3. Résultats :
Pour illustrer, nous nous intéressons à l’analyse de la variation annuelle en PB des
taux de maturité 5 ans sur la base d’un historique journalier allant du 28/04/2015 à
27/04/2017.
Les résultats de l’analyse se présentent comme suit :

TABLEAU 5 : RESULTATS DE L'ANALYSE HISTORIQUE DU TAUX POUR LA MATURITE 5 ANS

Les chocs retenus seront les valeurs des quantiles suivants :

- 92 -
 Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

TABLEAU 6 : QUANTILES A RETENIR POUR LA VARIATION EN POINT DE BASES

En répercutant la variation annuelle, pour toutes les maturités, à la courbe de taux

actuelle, nous obtenons les courbes de taux suivantes :

Courbes de taux
5,00%

4,00%

3,00%

2,00%

1,00%

0,00%
3 mois
6 mois
9 mois
1 an
2 ans
3 ans
4 ans
5 ans
6 ans
7 ans
8 ans
9 ans
10 ans
11 ans
12 ans
13 ans
14 ans
15 ans
16 ans
17 ans
18 ans
19 ans
20 ans
21 ans
22 ans
23 ans
24 ans
25 ans

-1,00%
Minimum Maximum q 99% q 95% q 90% q 10% Actuel q 5% q 1%

FIGURE 36 : COURBES DE TAUX APRES 1 AN (APPROCHE HISTORIQUE)

II.2. Approche stochastique

Dans cette partie nous comparons l’évolution de la courbe de taux d’ici une année,
c’est-à-dire que nous comparons la courbe de taux pour le 28/04/2017 avec le 28/04/2018,
afin de déceler la variation des taux pour toutes les maturités.

- 93 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Evolution de la courbe de taux

4,50%
4,00%
3,50%
3,00%
2,50%
Taux

2,00%
1,50%
1,00%
0,50%
0,00%
0 5 10 15 20 25 30
Maturité

Courbe de taux actuelle Courbe de taux dans 1 an

FIGURE 37 : EVOLUTION DE LA COURBE DE TAUX

Le graphique suivant montre que la courbe subira un léger mouvement vers la hausse,
correspondant aux variations en points de bases suivantes :

Afin de construire les scénarios de chocs, nous allons considérer l’ensemble des
simulations du taux court d’ici une année. Nous allons par la suite retenir les quantiles d’ordre
99%, 95%, 90%, 10%, 5% et 1% pour la construction des courbes de taux choquées.

- 94 -
 Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Courbes de taux choquées

0,05

0,045

0,04

0,035

0,03
Taux

0,025

0,02

0,015

0,01

0,005

0
0 5 10 15 20 25 30
Temps

Courbe de taux actuel Courbe de taux dans 1 An sans choc

q 99% q 95%
q 90% q 10%
q 5% q 1%

FIGURE 38 : COURBES DE TAUX APRES 1 AN (APPROCHE STOCHASTIQUE)

Afin de comparer l’approche historique et l’approche stochastique, nous nous

intéressons aux variations en PB du taux d’intérêt pour la maturité 5 Ans.

L’approche stochastique permet la construction de courbes de taux plus choquée en

comparaison avec l’approche historique. Nous allons donc retenir pour la mise en place des
stress tests de taux, les résultats obtenus avec l’approche stochastique.

- 95 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Chapitre 3 : Impact sur les indicateurs

L’objectif de la mise en place de scénarios de stress est de tester la résistance de la
banque en cas de survenance d’une crise. Il est donc nécessaire de mesurer l’impact des
scénarios de stress sur les indicateurs de gestion et de liquidité. L’impact des facteurs de stress
dépend de la position initiale de la banque.
La baisse des encours de dépôts de la clientèle a un impact négatif sur la liquidité de la
banque car le besoin de refinancement augmente. Une baisse de taux peut entrainer un
mouvement de remboursements anticipés ou de renégociation de crédits. Une augmentation
de taux, impactera le coût de refinancement de la banque. La banque cherchera alors à se
couvrir contre ses risques.
Les indicateurs relatifs aux scénarios de crises doivent permettre d’évaluer la durée de
survie en situation de crise et vérifier qu’elle est conforme au niveau de tolérance
réglementaire ainsi qu’au niveau de tolérance définit par la banque.

I. Impact sur le gap de liquidité

En cas de retrait important des dépôts de la clientèle, un déséquilibre soudain est créé
dans le bilan de la banque qui ne dispose plus des liquidités pour faire face à la demande et se
voit obligé de réemprunter sur les marchés et de vendre une partie de ses actifs financiers
d’échéances lointaines. Si le marché est défavorable et que les taux d’intérêt sont élevés, la
banque enregistre des pertes.
Ce graphe montre l’impact d’une augmentation des retraits de la banque sur l’impasse
de liquidité statique. Afin de déterminer également l’impact d’une telle situation sur l’impasse
de liquidité dynamique, nous faisons l’hypothèse de la diminution de la production nouvelle
du passif de 20% (pour les comptes à vue et à terme) et une augmentation de la production
nouvelle de l’actif de 10% (Augmentation des avances et des taux de tirages…). Notons bien
que les autres postes du bilan n’ont pas été pris en considération dans la construction des gaps.
La construction des impasses nous permet d’avoir le graphe suivant :

Les gaps de liquidité

0 2 4 6 8 10 12 14
GAPS

Temps

Gap dynamique après le choc Gap statique après le choc

FIGURE 39 : LES GAPS DE LIQUIDITE APRES LE CHOC DE LA PARTIE VOLATILE

- 96 -
 Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Dans notre cas, la survenance d’une crise qui se traduisant par l’augmentation des
retraits et la diminution des ressources de la banque, fait que les impasses deviennent
négatives ce qui se traduit par un besoin de financement que la banque va orienter vers le
marché. Toutefois le gap de liquidité dynamique génère un besoin de financement inférieur
qu’au gap statique dans la limite où les hypothèses de travail restent valides.

II. Impact sur la marge nette d’intérêt

Dans le cadre de la gestion du risque de taux, un des indicateurs de suivi est la marge
nette d’intermédiation (MNI). C’est un indicateur particulièrement suivi car il représente le
bénéfice généré par la différence de taux entre les ressources et les emplois. Elle représente la
différence entre les intérêts perçus et les intérêts versés par la banque. Les produits sensibles à
une variation de taux sont les crédits à taux révisables et la nouvelle production. L’objectif de
cette partie est donc de déterminer la variation de la MNI suite à une variation des taux de
marché dans une situation de crise.
Le volet « MNI » du stress test se caractérise par la combinaison de deux effets :
- L’évolution générale des taux d’intérêt
- L’évolution spécifique du coût de financements des banques.
Cependant, dans ce qui suit nous ne considérerons que l’évolution générale des taux
d’intérêt et son impact sur la marge dégagée des crédits qu’offre la banque.
II.1. Méthode de calcul des intérêts perçus par la banque en situation normale

II.1.1. Hypothèses de travail

Nous nous intéressons à un type de crédit donné de maturité 2 ans et nous distinguons
entre le stock de crédits à taux fixe et à taux variable.
Nous choisissons d’illustrer la variation de la marge nette d’intérêt dégagée sur les
crédits à taux fixe.
Nous nous positionnons au 28/04/2017 et nous calculons l’ensemble des intérêts
générés par le stock existant, la nouvelle production ainsi que leurs écoulements au cours de
l’année suivante.
Pour des raisons de confidentialité et dans un souci d’illustration, les montants affichés ci-
dessous ont été modifiés.
Pour cela, nous émettons les hypothèses suivantes :
- La totalité du stock existant à la date du 28/04/2017 a été octroyée à un taux fixe de
5,20%.
- Un aperçu du profil d’écoulement du stock des crédits à taux fixe est donné par le
tableau suivant :
Stock 28/05/17 28/06/17 28/07/17 28/08/17 ... 28/02/18 28/03/18 28/04/18
(28/04/2017)
890 144 352 853 055 004 815 965 656 778 876 308 741 786 960 ... 519 250 872 482 161 524 445 072 176

TABLEAU 7 : ECOULEMENT DU STOCK DES CREDITS A TAUX FIXE SUR UN HORIZON D’UNE ANNEE

- Un aperçu de la projection de la nouvelle production est donné par le tableau ci-

dessous. Nous supposons que la banque possède en interne une méthode d’estimation

- 97 -
 Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

de la nouvelle production qui sera débloquée au courant de l’année suivante. Nous

supposons également que le déblocage de la nouvelle production s’effectue au début
de chaque période et que les intérêts qui s’y rapportent sont calculés à la fin de chaque
période, ce qui coïncide avec le début de la période suivante.

NP1 NP2 NP3 NP4 NP5 ... NP11 NP12

28/04/17 28/05/17 28/06/17 28/07/17 28/08/17 ... 28/02/18 28/03/18
61 790 848 34 328 249 17 164 124 10 298 475 20 596 949 ... 6 865 650 13 731 300

TABLEAU 8 : PROJECTION DE LA NOUVELLE PRODUCTION SUR UN HORIZON D’UNE ANNEE

- L’évolution des taux du marché est donnée par le tableau suivant. Nous supposons que
la révision des taux s’effectue trimestriellement. Nous nous intéressons donc
seulement à la valeur des taux de marché sur un pas trimestriel en supposant qu’il reste
constant tout au long du même trimestre. Plus précisément, nous focalisons notre
attention sur la variation des taux de marché et nous supposons que les taux octroyés
initialement par la banque évoluent de la même manière à la hausse comme à la
baisse.
28/04/16 Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Taux du marché 2,496% 2,530% 2,539% 2,570% 2,600%
Variation - 0,03% 0,04% 0,07% 0,10%
Taux d'intérêt 5,20% 5,23% 5,24% 5,27% 5,30%

TABLEAU 9 : EVOLUTION TRIMESTRIELLE DES TAUX DE MARCHE ET DES TAUX D’INTERET APPLIQUES PAR LA BANQUE

- L’écoulement de la nouvelle production s’effectue de manière similaire à celui du

stock.
II.1.2. Ecoulement de la nouvelle production et calcul des intérêts
Pour capter la façon selon laquelle le stock initial s’écoule, nous calculons le
coefficient d’amortissement à travers la relation suivante :
𝐶𝑅𝐷 à 𝑙𝑎 𝑑𝑎𝑡𝑒 𝑡
𝑝𝑡 =
𝑆𝑡𝑜𝑐𝑘 𝑖𝑛𝑖𝑡𝑖𝑎𝑙
Comme il a été précisé dans les hypothèses, chaque nouvelle production débloquée
s’écoulera de la même manière que le stock. Nous allons donc appliquer pour chaque nouvelle
production les mêmes coefficients d’amortissement calculés préalablement.
Pour illustrer l’écoulement de la nouvelle production et le calcul des intérêts dégagés
par le stock et la nouvelle production, nous exposons la méthodologie aux deux dates
28/04/2017 et au 28/05/2017 et 28/08/2017.
 A la date du : 28/04/2017
Nous avons à la fois un stock de crédits déjà existant et une nouvelle production NP1.
Les deux génèrent des intérêts selon le taux annuel appliqué à cette date qui est égal à 5,20%.
Ce taux sera fixe tout au long de l’écoulement du stock et de NP1.

- 98 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

L’écoulement du stock, ainsi que le calcul des intérêts qui s’y rapportent sont donnés
par le tableau suivant :
Stock CRD Intérêts
28/04/16 890 144 352 -
28/05/17 853 055 004 3 857 292,192
28/06/17 815 965 656 3 696 571,684
28/07/17 778 876 308 3 535 851,176
28/08/17 741 786 960 3 375 130,668
28/09/17 704 697 612 3 214 410,16
28/10/17 667 608 264 3 053 689,652
28/11/17 630 518 916 2 892 969,144
28/12/17 593 429 568 2 732 248,636
28/01/18 556 340 220 2 571 528,128
28/02/18 519 250 872 2 410 807,62
28/03/18 482 161 524 2 250 087,112
28/04/18 445 072 176 2 089 366,604

TABLEAU 10 : ECOULEMENT DU STOCK ET CALCUL DES INTERETS

Nous rappelons que les intérêts sont calculés à travers la formule suivante :
𝐼𝑛𝑡é𝑟ê𝑡𝑠(𝑡) = 𝐶𝑅𝐷(𝑡 − 1) ∗ 𝑡𝑎𝑢𝑥 𝑑 ′ 𝑖𝑛𝑡é𝑟ê𝑡 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒
L’écoulement et les intérêts relatifs à la nouvelle production NP1, quant à eux, sont
donnés par le tableau suivant :
Nouvelle Production CRD Intérêts
(NP1)
28/04/17 61 790 848,09 -
28/05/17 59 216 229,42 267 760,3417
28/06/17 56 641 610,75 256 603,6608
28/07/17 54 066 992,08 245 446,9799
28/08/17 51 492 373,41 234 290,299
28/09/17 48 917 754,73 223 133,6181
28/10/17 46 343 136,06 211 976,9372
28/11/17 43 768 517,39 200 820,2563
28/12/17 41 193 898,72 189 663,5754
28/01/18 38 619 280,05 178 506,8945
28/02/18 36 044 661,38 167 350,2136
28/03/18 33 470 042,71 156 193,5327
28/04/18 30 895 424,04 145 036,8518

TABLEAU 11 : ECOULEMENT DE LA NOUVELLE PRODUCTION NP1 ET CALCUL DES INTERETS

- 99 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

 A la date du : 28/05/2017
Nous avons une nouvelle production NP2 qui est octroyée au nouveau taux 5,23% du
trimestre 1. Il sera fixe tout au long de l’écoulement de NP2. A cette date, l’intérêt perçu
provient du CRD du stock et de NP1.
Le même taux sera perçu par la banque pour les nouvelles productions NP3 et NP4
débloquées au premier trimestre.
 A la date du : 28/08/2017
Pour les intérêts dégagés de la nouvelle production NP5 débloquée au 28/08/2017, un
changement de taux sera de nouveau pris en compte. Nous appliquerons donc pour le calcul
des intérêts le nouveau taux 5,24% du deuxième trimestre qui sera five tout au long de la
période d’écoulement. A cette date, l’intérêt perçu provient du CRD du stock, de NP1, NP2,
NP3, et NP4.
Le même raisonnement est suivi pour l’écoulement et le calcul des intérêts aux mois
suivants.
L’estimation du montant d’intérêt que la banque percevra au 28/04/2018 s’élève à
51804196DHS. Ce montant est bien entendu conditionné par la bonne estimation de la
production nouvelle projetée.
II.2. Variation de la MNI suite à un scénario de stress de hausse de la courbe de taux.
Supposons maintenant que les taux de marché pour les différents trimestres considérés
subissent un choc à la hausse. Ce choc correspond à un quantile à 99%. Le tableau suivant
montre l’impact d’une telle variation sur le taux d’intérêt perçu par la banque.
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Variation 1,45% 1,40% 2,23% 1,79%
Taux d'intérêt 6,65% 6,60% 7,43% 6,99%

TABLEAU 12 : VARIATION A LA HAUSSE DES TAUX D’INTERET PERÇUS PAR LA BANQUE

La variation de la MNI suite à un choc à la hausse de la courbe de taux générant un
montant d’intérêt égal à 56113417,28 est calculée comme suit :
56113417,28 − 51681406,35
∆𝑀𝑁𝐼 = = 8,58%
51681406,35
Nous remarquons donc que ce scénario de hausse permet à la banque de dégager une
plus value d’intérêt estimée à 8,58% par rapport au scénario central. Toutefois, en cas de
hausse des taux d’intérêt, cela ne signifie pas que la banque générera forcément un plus grand
gain. En effet, nous nous sommes contentées d’exposer la variation sur le volet des crédits.
Mais une augmentation des taux de marchés implique forcément une augmentation des taux
de rémunération des dépôts ainsi que le coût de refinancement de la banque ne sera pas sans
conséquent.
II.3. Variation de la MNI suite à un scénario de stress de baisse de la courbe de taux.
Supposons maintenant que les taux de marché pour les différents trimestres considérés
subissent un choc à la baisse. Ce choc correspond à un quantile à 1%. Le tableau suivant
montre l’impact d’une telle variation sur le taux d’intérêt perçu par la banque.
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

- 100 -
Quatrième Partie : Stress Testing et impact sur les indicateurs de mesure

Variation -1,92% -0,85% -0,56% -1,01%

Taux d'intérêt 3,28% 4,35% 4,64% 4,19%

TABLEAU 13 : VARIATION A LA BAISSE DES TAUX D’INTERET PERÇUS PAR LA BANQUE

La variation de la MNI suite à un choc à la baisse de la courbe de taux générant un

montant d’intérêt égal à 49220605,97 est calculée comme suit :
49220605,97 − 51681406,35
∆𝑀𝑁𝐼 = = −4,76%
51681406,35
Nous remarquons donc que ce scénario de baisse permet à la banque de dégager une
moins value d’intérêt estimée à 4,76% par rapport au scénario central.
Conclusion
Bien qu’il existe un certain nombre de scénarios de stress déterminés par le comité de
Bâle, le FMI et la FED, les banques sont encouragées, à mettre en place des scénarios qui
leurs sont propres et de ne pas se contenter d’appliquer les scénarios réglementaires. Dans ce
sens, nous avons procédé à la construction de scénarios de stress de liquidité induits par une
diminution des encours de la banque due à un retrait massif des dépôts de la clientèle ainsi
qu’à la construction de scénarios de stress de taux en nous basons sur deux approches,
historiques et stochastiques. L’objectif de la construction de ses scénarios de stress et de leur
mise en place étant d’évaluer la résistance de la banque aux chocs extrêmes de liquidité et de
taux d’intérêt et de vérifier que cette résistance est conforme au niveau de tolérance défini par
la banque.

- 101 -
Conclusion Générale

Conclusion Générale
Les risques générés par les opérations commerciales de la banque (prêts, lignes de
crédit, dépôts de la clientèle, ...) ne font pas l'objet d'un marché financier dans lequel elles
pourraient être retournées et nécessitent bien souvent d’être modélisées au travers de modèles
statistiques comportementaux. Au final, la gestion des risques de liquidité et de taux nécessite
une approche croisée comprenant les modèles de marché financiers et les modèles statistiques
de comportement de la clientèle en tenant compte des aspects stratégiques de la banque et
également des aspects réglementaires.
Au terme de ce travail il sied de dire, que la gestion actif-passif revêt une importance
croissante au sein des banques dans la mesure où elle s’inscrit dans le cadre de la gestion des
risques financiers. Le travail effectué dans le cadre de notre projet de fin d’études a porté
premièrement sur une analyse comportementale de la clientèle de la banque et la modélisation
des déblocages des crédits non revolving permettant ainsi de simuler l’évolution statique et
dynamique du bilan. Dans un second temps, nous avons modélisé la structure par terme du
taux d’intérêt et construit les courbes de taux futurs, ce qui permettra à la banque d’avoir plus
de visibilité sur sa marge d’intérêt prévisionnelle. Et puis finalement, nous avons procédé à la
construction de scénarios de stress afin de simuler une crise de liquidité et de taux sur la
banque.
Toutefois, les dépôts à vue ne sont pas la seule source d’incertitude liée au
comportement de la clientèle. En effet, les options cachées offertes par la banque doivent être
également modélisées puisqu’elles portent un risque non négligeable. Parmi ces options, il
existe l’option de renégociation du taux et l’option de remboursement anticipé des crédits, qui
peuvent être exercées dès que les taux varient à la baisse ce qui impactera négativement le
gain futur de la banque. De telles options, peuvent être modélisées par des modèles
comportementaux en fonction de l’ancienneté des contrats, des caractéristiques du détenteur
du crédit et des taux de marché.

- 102 -
Annexes

Annexes
Annexe I : Présentation de MAZARS

I. Le groupe Mazars International

Mazars est une organisation internationale d’origine française, intégrée et
indépendante, spécialisée dans l’audit, le conseil et les services comptables, fiscaux et
juridiques.
Mazars est présent actuellement dans 79 pays, moyennant 18000 collaborateurs dans
le monde entier. Le groupe possède 270 bureaux répartis en Amérique du Nord, Amérique du
Sud et Caraïbes, Europe, Afrique, Moyen Orient et Asie Pacifique.
Mazars est un groupe international qui intervient dans les métiers de l’audit,
l’expertise comptable, la fiscalité et le conseil aux entreprises, et ce dans tous les secteurs
d’activité. En effet, Mazars dispose de l’expertise et de l’expérience nécessaires pour aider
toute entreprise à se développer en offrant des solutions dédiées à chaque type de structures :
sociétés cotées, grande entreprises, organismes publics, PME et particuliers.
Le groupe Mazars fédère un ensemble de métiers répartis dans différents
départements :
 Financial reporting audit & advisory :
 Consulting
 Financial advisory services
 Accounting and Outsourcing
 Fiscalité
 Conseil juridique
 International desks
 Actuariat

II. Mazars Maroc

Le cabinet Mazars Audit & Conseil figure aujourd’hui parmi les cinq plus importants
cabinets d’audit et de conseil du Royaume. Il compte aujourd’hui plus de 150 collaborateurs,
répartis dans deux bureaux à Casablanca et Rabat et encadrés par 10 associés opérationnels.
Le cabinet mène annuellement plus de 500 missions d’audit, de conseil et
d’accompagnement juridique, comptable et fiscal en respectant les six valeurs fondamentales :
l’excellence technique, l’intégrité, la transparence, la responsabilité, la diversité et la
continuité.
Mazars Maroc accompagne l’entreprise de grande ou de petite taille, privée ou
publique, opérant dans tous les secteurs d’activité dans toutes les étapes de son
développement et offre des services à haute valeur ajoutée dans divers domaines :
 Accompagnement comptable et financier
 Actuariat
 Audit
 Consulting
 Financial Advisory services
 Fiscalité

- 103 -
Annexes

Annexe II : Tests d’hypothèses

I. Tests de normalité :
Le test de normalité des résidus obtenus lors d’une régression linéaire permet de conditionner
la qualité des intervalles de confiance autour des paramètres et des prédictions.
Il existe plusieurs tests de normalité dont :
- Shapiro-Wilk : adapté aux échantillons de moins de 5000 observations
- Anderson-Darling : qui est une modification du test de Kolmogorov-Smirnov adaptée
à plusieurs lois dont la loi normale, pour le cas où les paramètres de la loi ne sont pas
connus et doivent donc être estimés ;
- Lilliefors : qui est une modification du test de Kolmogorov-Smirnov adapté au cas de
la normalité dans le cas où les paramètres de la loi, la moyenne et la variance, ne sont pas
connus et doivent donc être estimés ;
- Jarque-Bera : qui est d'autant plus performant que le nombre de données est important.
Nous développons dans ce qui suit le test de Jarque-Bera, qui est le test le plus fréquemment
utilisé pour déterminé si les résidus d’une régression linéaire suivent une distribution normale.
 Test de Jarque-Bera
Ce test cherche à déterminer si les données suivent une loi normale. On a :
𝐻0 : 𝑙𝑒𝑠 𝑑𝑜𝑛𝑛é𝑒𝑠 𝑠𝑢𝑖𝑣𝑒𝑛𝑡 𝑢𝑛𝑒 𝑙𝑜𝑖 𝑛𝑜𝑟𝑚𝑎𝑙𝑒 (vs) 𝐻1 : 𝑙𝑒𝑠 𝑑𝑜𝑛𝑛é𝑒𝑠 𝑛𝑒 𝑠𝑢𝑖𝑣𝑒𝑛𝑡 𝑝𝑎𝑠 𝑢𝑛𝑒 𝑙𝑜𝑖 𝑛𝑜𝑟𝑚𝑎𝑙𝑒
La statistique du test est donnée par :
𝑛 − 𝑘 2 (𝐾 − 3)²
𝐽𝐵 = (𝑆 + )
6 4
Avec :
 n : le nombre d’observations
 k : le nombre de variables explicatives si les données proviennent des résidus d’une
régression linéaire, sinon k=0
 S : le coefficient d’asymétrie, le moment d’ordre 3 d’une variable centrée réduite
 K : Kurtosis, le moment d’ordre 4 d’une variable centrée réduite
La statistique JB suit asymptotiquement une loi 𝜒² à 2 degrés de liberté.
Une loi normale a un coefficient d’asymétrie nul et un Kurtosis égal à 3. On saisit alors que si
les données suivent une loi normale, le test s’approche de 0 et on accepte H0 au seuil 𝛼.

II. Tests d’homoscédasticité

 Test de Goldfeld & Quandt
Ce test est utilisé par les économistes pour tester l’hypothèse de l’homoscédasticité des
résidus dans le cadre d’un modèle linéaire multiple estimé par la méthode des moindres
carrés. Ce test s’appuie sur la loi de Fisher. La procédure du test est la suivante :
1. Nous ordonnons les variables explicatives par ordre croissant ou décroissant ;
2. Nous éliminons un nombre c d’observations centrales dans l’échantillon classé (c
représente à peu près un quart des observations) ;
𝑛−𝑐
3. Nous divisons alors la populations en deux échantillons de taille 2 ;

- 104 -
Annexes

4. Nous effectuons les régressions par la méthode des moindres carrées et nous obtenons
𝑆𝐶𝑅1 et 𝑆𝐶𝑅2 la somme des carrés des résidus estimés pour chacun des deux
échantillons ;
5. L’hypothèse nulle est que les résidus sont homoscédastiques, c’est à dire que 𝜎1 = 𝜎2 .
𝑆𝐶𝑅
On rejette alors l’hypothèse nulle si : 𝑓 = 𝑆𝐶𝑅2 > 𝑓𝛼 où 𝑓𝛼 est la valeur critique d’une
1
𝑛−𝑐−𝑘 𝑛−𝑐−𝑘
loi de Fisher de paramètres ( , ) ; avec k le nombre de paramètres à estimer
2 2
et n le nombre d’observations
 Test de White
Ce test permet de valiser l’hypothèse d’homoscédasticité du terme d’erreur d’un modèle de
régression linéaire en respectant les étapes suivantes :
1. Nous estimons la régression par la méthode des moindres carrés et nous en tirons le
vecteur des résidus ;
2. Nous effectuons la régression des carrés des résidus sur p variables exogènes et nous
calculons le coefficient de détermination 𝑅 2 ;
3. Sous l’hypothèse nulle de l’homoscédasticité, la statistique LM=n 𝑅 2 suit
2
asymptotiquement la loi de 𝜒𝑝−1 .

III. Tests d’autocorrélation des résidus

 Test de Durbin-Watson
Le test de Durbin-Watson permet de détecter une autocorrélation des erreurs d’ordre 1 en
estimant un modèle autorégressif de premier ordre pour les résidus estimés par la méthode des
moindres carrés ordinaires :
𝜖̂𝑡 = 𝜌𝜀̂𝑡−1 + 𝜈𝑡
L’hypothèse nulle est l’absence d’autocorrélation : 𝐻0 : 𝜌 = 0 et la statistique du test est
donnée par :
∑𝑛𝑡=2(𝜀̂𝑡 − 𝜀̂𝑡−1 2 )
𝐷𝑊 =
∑𝑛𝑡=1 𝜀̂𝑡 2
Cette statistique est par construction comprise entre les valeurs 0 et 4. On ne rejette pas
l’hypothèse nulle lorsque cette valeur est proche de 2.
Des valeurs critiques au seuil de 5% : 𝑑1 et 𝑑2 , avec 𝑑1 > 𝑑2 , ont été tabulées par Durbin-
Watson. On interprète le résultat du test comme suit :
 Si DW < 𝑑1 , il existe une autocorrélation positive ;
 Si 𝑑2 < DW < 4-𝑑2 , il n’y a pas d’autocorrélation ;
 Si DW > 4-𝑑1 , il existe une autocorrélation négative ;
 En dehors de ces intervalles, nous ne pouvons conclure.

IV. Tests de racine unitaire et de stationnarité

Les tests de stationnarité permettent de vérifier si une série est stationnaire ou non. Il y
a deux approches différentes : les tests pour lesquels l'hypothèse nulle H0 est que la série est
stationnaire (test KPSS de Leybourne et McCabe), et ceux pour lesquels l'hypothèse nulle est
au contraire que la série n'est pas stationnaire (test de Dickey-Fuller, test augmenté de
Dickey-Fuller, test de Phillips-Perron, test DF-GLS).

- 105 -
Annexes

 Test de Dickey-Fuller :
Le test de Dickey-Fuller simple (1979) est un test de racine unitaire (ou de non stationnarité)
dont l’hypothèse nulle est la non stationnarité d’un processus autorégressif d’ordre 1.
Soit (𝑋𝑡 ) un processus satisfaisant la représentation AR(1) suivante : 𝑋𝑡 = 𝜇 + 𝜙𝑋𝑡−1 + 𝑎𝑡
où 𝑎𝑡 ~𝐵𝐵(0, 𝜎 2 ) et 𝜇, 𝜙 ∈ ℝ²
Le principe général du test de Dickey-Fuller consiste à tester l’hypothèse nulle de la présence
d’une racine unitaire : 𝐻0 : 𝜙 = 1 𝑣𝑠 𝐻1 : |𝜙| < 1
Si 𝜙 = 1 alors la variable (𝑋𝑡 ) est une variable intégrée d’ordre 1, c’est-à-dire que la
variance de 𝑋𝑡 est dépendante de t, ce qui va l’encontre de la condition de stationnarité.
Si |𝜙| < 1 alors la variable (𝑋𝑡 ) est stationnaire, c’est-à-dire que la variance de 𝑋𝑡 est
indépendante de t.
Le test de racine unitaire Dickey-Fuller augmenté est utilisé quand les variables sont
autocorrélée. Le test consiste à tester l’hypothèse 𝜙 = 1 du modèle : 𝑋𝑡 = 𝜇 + 𝜙𝑋𝑡−1 +
∑𝑘𝑖=1 𝛾𝑖 Δ𝑋𝑡−𝑖 + 𝑎𝑡 . Le terme ajouté a pour but de corrigée le problème de l’autocorrélation.
 Test de Philipps-Perron (PP) :
Phillips-Perron (1988) proposent une méthode non paramétrique pour corriger la présence
d’autocorrélation. La procédure de test consiste à tester l’hypothèse de racine unitaire 𝐻0 : 𝜚 =
0, dans les modèles suivants :
Δ𝑌𝑡 = 𝜚𝑌𝑡−1 + 𝛼 + 𝛽𝑡 + 𝜀𝑡
Δ𝑌𝑡 = 𝜚𝑌𝑡−1 + 𝛼 + 𝜀𝑡
Δ𝑌𝑡 = 𝜚𝑌𝑡−1 + 𝜀𝑡
Le test de Phillips-Perron (PP) est robuste à la présence d’autocorrélation et
d’hétéroscédasticité. La statistique du test est une Student corrigée de la présence
d’autocorrélation par la prise en compte d’une estimation de la variance de long terme de 𝜀𝑡
donnée par :
𝑞
2
𝑤 = 𝛾𝜀 (0) + 2 ∑ 𝛾𝜀 (𝑗)
𝑗=1

Où 𝛾𝜀 (𝑗) est le coefficient d’autocovariance d’ordre j de 𝜀𝑡 et q est un paramètre de

troncature.
 Test de Kwiakowski-Phillips-Shin (KPSS) :
L’hypothèse nulle de ce test est celle de la stationnarité (autour d’une constante ou d’une
tendance déterministe linéaire). Deux cas sont donc à étudier :
𝑌𝑡 = 𝑟𝑡 + 𝜀𝑡 (𝑐𝑎𝑠 1)
𝑌𝑡 = 𝛽𝑡 + 𝑟𝑡 + 𝜀𝑡 (𝑐𝑎𝑠 2)
La statistique de test utilisée correspond à la statistique du test du score lorsque les 𝜀𝑡 sont
i.i.d de loi 𝑁(0, 𝜎𝜇2 ). Cependant, elle est corrigée de façon à tenir compte de l’autocorrélation
des 𝜀𝑡 dans le cas général.

- 106 -
Annexes

V. Test de bruit blanc

 Test de Box-Pierce
Ce test vérifie si les résidus sont un bruit blanc. Il se présente comme suit:
𝐻0 : 𝜌1 = 𝜌2 = ⋯ = 𝜌𝑘 = 0
{ 𝐻1 : ∃𝑗 𝑡𝑒𝑙 𝑞𝑢𝑒 𝜌𝑗 ≠ 0
La statistique du test est : 𝑄 = 𝑇 ∑𝑘𝑗=1 𝜌̂𝑗 2 où :
 T : le nombre d’observations
 k : la longueur du retard
 𝜌̂𝑗 : l’autocorrélation estimée
2
Sous l’hypothèse nulle, 𝑄 ~𝜒𝑘− (𝑝+𝑞) .

 Test de Ljung-Box
̂𝑗 2
𝜌
Le test de Ljung-Box est quant à lui basé sur la statistique = 𝑇(𝑇 + 2) ∑𝑘𝑗=1 𝑇−𝑗 .

Le raisonnement reste similaire à celui du test de Box-Pierce.

- 107 -
Annexes

Annexe III : Règle de l’Hôpital

Soient f et g deux fonctions dérivables au voisinage de a, telles que 𝑓(𝑎) = 𝑔(𝑎) = 0
ou 𝑓(𝑎) = 𝑔(𝑎) = +∞.

La règle de l’Hôpital s’annonce comme suit :

𝑓(𝑥) 𝑓 ′ (𝑥)
lim = 𝐿 ⟺ lim ′ =𝐿
𝑥→𝑎 𝑔(𝑥) 𝑥→𝑎 𝑔 (𝑥)

Où la limite 𝐿 peut être finie ou infinie.

Dans notre cas, 𝑔(𝑇) = 𝑇 − 𝑡 et 𝑓(𝑡) est la fonction suivante :

1 1 𝜆 𝜎2 𝜎2
𝑅(𝑡, 𝑇) = [ (𝑒 −𝑎(𝑇−𝑡) − 1)𝑟(𝑡) + (𝑏 − − 2 ) (1 − 𝑒 −𝑎(𝑇−𝑡) ) + 3 (1 − 𝑒 −2𝑎(𝑇−𝑡) )
𝑎 𝑎 𝑎 𝑎 4𝑎
2
𝜆 𝜎
− (𝑏 − − 2 )(𝑇 − 𝑡)]
𝑎 2𝑎
On a :
𝑓(𝑥)
𝑅(𝑡, 𝑇) =
𝑔(𝑥)
Avec lim 𝑓(𝑇) = +∞ et lim 𝑔(𝑇) = +∞
𝑇→+∞ 𝑇→+∞

𝑓(𝑇) 𝑓 ′ (𝑇)
Donc lim 𝑅(𝑡, 𝑇) = lim = lim = lim ((𝑒 −𝑎(𝑇−𝑡) − 1)𝑟(𝑡) −
𝑇→+∞ 𝑇→+∞ 𝑔(𝑇) 𝑇→+∞ 𝑔′ (𝑇) 𝑇→+∞

𝜎2 𝜆 𝜎2 𝜆 𝜎2 𝜆 𝜎2
𝑒 −2𝑎(𝑇−𝑡) − (𝑏 − 𝑎 − 𝑎2 ) 𝑒 −𝑎(𝑇−𝑡) − (𝑏 − 𝑎 − 2𝑎2 )) = 𝑏 − 𝑎 − 2𝑎2
2𝑎2

D’où le résultat.

- 108 -
Bibliographie

Bibliographie
[1] Michel DUBERNET, Gestion Actif-Passif et Tarification des Services Bancaire
ECONOMICA
[2] Joël BESSIS, Gestion des risques et Gestion Actif-Passif des banques, DALLOZ
[3] Régis Bourbonnais, Économétrie, 9e édition
[4] Arthur CHARPENTIER, Universite Dauphine Paris, cours de séries temporelles
théorie et applications, Volume 1 et 2
[5] Bitner John W., Robert A. Goddard, “Successful Bank Asset/Liability Management, a
guide to the future beyong gap”
[6] DEMEY Paul, FRACHOT Antoine, RIBOULET Gaël, Introduction à la gestion actif-
passif bancaire
[7] Rapport sur la stabilité financière de BAM, exercice 2014
[8] PRICEWATERHOUSECOOPERS (2006): Asset/Liability Management, Benchmark
Study, PwC Financial Services.
[9] Basel III: A global regulatory framework for more resilient banks and banking
systems, December 2010
[10] Lignes directrices du CEBS concernant les stress tests (Annexe Circulaire
CBFA_2011_10-1)
[11] Stress-tests bancaires EBA / BCE 2016 Principaux enjeux pour les banques
françaises
[12] Franck Moraux & Christophe Villa, ESTIMATION DE LA PRIME DE
RISQUE ET DE LA DYNAMIQUE DU MODELE DE COX, INGERSOLL ET
ROSS
[13] Sound Practices for Managing Liquidity in Banking Organisations, February
2000
[14] John HULL, Option, futures et autres actifs dérivés, 8ème édition

Webographie
[1] [Link]
[2] [Link]
[Link]/fileadmin/user_upload/banque_de_france/publications/Revue_de_la_stabilite_financie
re/2008/fevrier-2008/revue-stabilite-financiere-de-fevrier-2008-etude-6-la-gestion-du-risque-de-
[Link] Charles Goodhart, « la gestion du risque de liquidité », revue de la stabilité financière, n°
11, février 2008
[3] [Link]
[4] [Link]
[Link] Le risque de taux d’intérêt dans le système
bancaire français, Jean-Luc Quémard et Valérie Golitin, 2005
[5] [Link]
[6] [Link]
[7] [Link]

- 109 -
- 110 -