Modèles internes des banques pour le calcul du capital réglementaire (IRB) et intelligence artificielle

This note outlines the issues, risks and benefits of machine learning models for the design of internal credit risk assessment models used by banking institutions for the calculation of their own funds requirement ("Credit IRB Approach"). The use of ML models in IRB models is currently marginal. However, it could improve the predictive quality of models and in some cases lead to a reduction in capital requirements. However, ML models face a lack of interpretability that substitution or local approximation methods do not solve. Cette note expose les enjeux, les risques et les avantages des modèles d’apprentissage automatique (« Machine Learning ») pour la conception des modèles internes d’évaluation de risque de crédit utilisés par les établissements bancaires dans le cadre du calcul de leur exigence en fond propre (« Approche IRB Crédit »). L’utilisation des modèles ML dans le cadre des modèles IRB est pour l’instant marginale. Elle pourrait pourtant permettre d’améliorer la qualité prédictive des modèles et dans certains cas conduire à une réduction des exigences de fonds propres. Toutefois les modèles ML se heurtent à un déficit d’interprétabilité que les méthodes par substitution ou d’approximation locale ne résolvent pas.