Cette thèse a pour objet l'évaluation du risque de crédit par une approche comportementale dans un contexte d'information asymétrique et de rationalité limitée. Nous cherchons à travers cette analyse, à concilier les « experts métiers » et les statisticiens, en intégrant le comportement humain dans la conception des outils quantitatifs d'évaluation du risque de crédit, en vue d'optimisation de la gestion de ce risque.L'évaluation du risque de crédit est basée sur des modèles et techniques statistiques de plus en plus avancées. Nous citons à titre d'exemple les modèles du Crédit Metrics et JP Morgan, le modèle KMV et le modèle Crédit Portfolio de Mekinsey ou encore les modèles de scoring introduits pour évaluer la qualité du risque des emprunteurs. Plusieurs travaux soulignent l'intérêt de ces modèles quantitatifs. En effet, Scot FRAME et al, ont montré que le recours aux modèles de scoring contribue effectivement à réduire le coût d'information dans les grandes banques américaines. Les résultats de ces modèles dépendent de la réalisation des facteurs de risque spécifiques à chaque emprunteur et de facteurs de risque systémique. Cependant, la crise financière actuelle a mis en lumière la défaillance de ces modèles, aussi bien les modèles théoriques de notation que les modèles opérationnels utilisés par les praticiens, dans l'évaluation du risque de crédit. Toutes ces constructions n'ont pas su intégrer parfaitement l'ensemble de l'information et traiter la complexité d'interactions entre les variables déterminant le risque car elles sont basées sur des techniques purement statistiques qui ne savent représenter que des relations linéaires entre le risque de défaut et les variables qui en sont à l'origine sans prendre en compte le comportement du gestionnaire du risque crédit, dans l'optimisation de sa gestion. Etant données les limites de l'approche quantitative, nous avons convergé vers une approche comportementale qui concilie les techniques statistiques et le comportement humain basée sur la prise en compte et la validation collective des règles de décision émergeant des discussions et confrontations. Cette approche comportementale qui prend en compte la rationalité des décideurs à travers un modèle expert nous permettra d'une part de construire un cadre d'analyse normatif permettant d'identifier et d'évaluer le risque de crédit et d'autre part intégrer ces règles dans les systèmes de décisions opérationnels.Notre recherche a un intérêt multiple. Elle apporte un éclairage théorique sur l'optimisation de la décision des banques, dans un contexte d'incertitude, à travers un modèle portant à la fois sur le caractère quantitatif des modèles d'évaluation du risque de crédit et le comportement humain. L'évaluation du risque de crédit à travers notre approche permettra également de déterminer le montant de capital économique nécessaire à la couverture du risque de crédit. Ainsi, elle permettra aux banques de mettre en place une allocation optimale des fonds propres et une tarification adéquate des crédits basée sur une évaluation précise du risque de crédit. Ce qui porte un grand intérêt aux banques et aux clients aussi. / This thesis focuses on the assessment of credit risk with a behavioral approach in a context of asymmetric information and bounded rationality. We seek through this analysis, to reconcile the "business experts" and statisticians, incorporating human behavior into the design of tools for quantitative assessment of credit risk in order to optimize the management of this risk.The assessment of credit risk is based on models and statistical techniques more advanced. We cite as examples of models JP Morgan Credit Metrics, model and KMV's Portfolio Credit Model Mekinsey or scoring models introduced to assess the quality of the risk of borrowers. Several studies underline the importance of these quantitative models. Indeed, Scot FRAME and AL showed that the use of scoring models is effective in reducing the cost of information in large U.S. banks. The results of these models depend on the realization of the risk factors specific to each borrower and systemic risk factors. However, the current financial crisis has highlighted the failure of these models, both theoretical models that rating business models used by practitioners in assessing credit risk. All these constructions have not been able to integrate fully all the information and treat the complexity of interactions between variables determining the risk because they are based on purely statisti cal techniques who can represent the linear relationships between risk default and the variables that are at the origin without taking into account the behavior of credit risk manager, in optimizing its management.Given the limitations of the quantitative approach, we have converged on a behavioural approach that combines statistical techniques and human behaviour based on consideration and validation of collective decision rules emerging from the discussions and confrontations. This behavioural approach that takes into account the rationality of decision makers through an expert model we will firstly build a normative framework for analysis to identify and assess credit risk and also integrate these rules systems in operational decisions.Our research has a substantial multiple. It sheds light on the theoretical optimization of the decision of the banks in a context of uncertainty through a model bearing both on the quantitative assessment models of credit risk and human behavior. The assessment of credit risk through our approach will also determine the amount of capital necessary to cover credit risk. Thus, it will allow banks to establish an optimal allocation of capital and adequate pricing of loans based on an accurate assessment of credit risk. This brings great interest to banks and customers too.
Identifer | oai:union.ndltd.org:theses.fr/2010PEST3014 |
Date | 06 December 2010 |
Creators | Loulid, Hanane |
Contributors | Paris Est, Okamba, Emmanuel |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | French |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0029 seconds