Modèles de simulation ALM : Monte Carlo vs. scénarios

En gestion actif‑passif (ALM), les modèles de simulation projettent l’impact des mouvements de taux d’intérêt sur la valeur économique des actifs et des passifs au fil du temps. Deux approches dominantes existent : la simulation Monte Carlo et la simulation basée sur des scénarios. La simulation Monte Carlo utilise des techniques de trajectoires stochastiques — également appelées simulations stochastiques — pour générer des centaines ou des milliers de trajectoires de taux d’intérêt futures possibles, fondées sur des hypothèses probabilistes (p. ex., réversion à la moyenne, volatilité). En revanche, la simulation basée sur des scénarios construit un ensemble limité de trajectoires économiquement cohérentes et prospectives — souvent ancrées à des épisodes historiques, des événements de stress ou des prévisions macroéconomiques — afin d’évaluer des alternatives stratégiques discrètes ou des résultats de solvabilité.

La simulation Monte Carlo en ALM s’appuie sur un générateur de scénarios économiques (ESG) pour simuler un grand nombre de trajectoires stochastiques des taux d’intérêt, généralement à l’aide de modèles dynamiques de structure par terme. Chaque trajectoire représente une évolution possible des taux à court terme, de la forme de la courbe de rendement et des volatilités sur l’horizon de projection. Le modèle ALM réévalue alors les actifs et les passifs pour chaque trajectoire, produisant une distribution de résultats pour des indicateurs tels que la valeur économique des capitaux propres (EVE) ou le revenu net d’intérêts (NII). Cette distribution permet de calculer des intervalles de confiance, la Value‑at‑Risk (VaR) ou le shortfall attendu du risque de taux d’intérêt.

• Fondement de modélisation stochastique : utilise des ESG calibrés pour simuler des trajectoires cohérentes avec les données de marché observées et la théorie économique (p. ex., modèles Cox‑Ingersoll‑Ross ou Hull‑White).
• Distribution des résultats : produit une sortie probabiliste complète, soutenant les indicateurs de risque qui quantifient l’exposition aux queues et les pertes attendues.
• Utilisation en pratique : couramment appliquée à la validation interne des modèles, à l’allocation de capital et à la modélisation dynamique du EAR pour la budgétisation et la planification stratégique.

La simulation basée sur des scénarios construit un petit ensemble — généralement de 3 à 10 — de trajectoires macroéconomiques et de taux d’intérêt plausibles et cohérentes en interne. Ces scénarios peuvent être historiques (p. ex., resserrement 1979‑1982), hypothétiques (p. ex., résurgence rapide de l’inflation) ou basés sur des prévisions (p. ex., perspectives macroéconomiques consensuelles). Chaque scénario est appliqué de manière déterministe au modèle ALM, produisant des estimations ponctuelles de l’EVE ou du NII pour chaque trajectoire. L’approche privilégie l’interprétabilité et la cohérence narrative plutôt que la précision statistique.

• Conception axée sur le récit : les scénarios sont choisis pour refléter des points de tension ou d’inflexion stratégiques crédibles, souvent alignés avec les attentes des superviseurs ou les cadres d’appétit pour le risque internes.
• Support à la décision : utilisé pour évaluer des arbitrages stratégiques — tels que le repositionnement d’actifs ou les décisions de couverture — sous des régimes macroéconomiques spécifiques.
• Intégration avec la gouvernance : Facilite l’adhésion des parties prenantes non techniques en ancrant l’analyse dans des hypothèses claires, basées sur un récit.

Les simulations Monte Carlo et basées sur des scénarios jouent des rôles complémentaires dans la gestion actif‑passif (ALM), chacune présentant des forces et des limites distinctes.

• Couverture vs. clarté : Le Monte Carlo offre une couverture probabiliste large, capturant le risque de queue et l’incertitude statistique, mais ses résultats peuvent être abstraits et difficiles à traduire en actions concrètes. La simulation basée sur des scénarios fournit des informations claires et exploitables, mais peut sous‑représenter les événements à faible probabilité et fort impact qui ne sont pas intégrés aux scénarios sélectionnés.
• Risque de modèle : Le Monte Carlo est sensible à la calibration de l’ESG et aux hypothèses de distribution ; des erreurs de volatilité ou de paramètres de réversion à la moyenne peuvent fausser les estimations de risque. La simulation basée sur des scénarios est vulnérable aux biais de sélection – omission de trajectoires plausibles ou dépendance excessive à des analogues historiques qui pourraient ne pas se reproduire.
• Alignement réglementaire : Les superviseurs (p. ex., l’OCC) reconnaissent les deux approches, mais les méthodes basées sur des scénarios sont souvent privilégiées pour les tests de résistance supervisés et les rapports stratégiques, tandis que le Monte Carlo soutient la validation interne des modèles et la mesure dynamique du risque.

Supposons qu’une institution souhaite évaluer l’impact d’une hausse parallèle de 200 points de base des taux sur deux ans. Dans une simulation Monte Carlo, l’ESG génère 5 000 trajectoires où le taux court suit un processus de réversion à la moyenne avec une volatilité calibrée ; la distribution résultante des variations d’EVE pourrait afficher une perte au 5ᵉ percentile de 120 millions de dollars et un gain au 95ᵉ percentile de 45 millions de dollars. Dans une simulation basée sur des scénarios, une trajectoire unique et déterministe – correspondant à la hausse de 200 pb et à la dynamique de courbe de rendement qui en découle – est appliquée, produisant une estimation ponctuelle d’une baisse d’EVE de 90 millions de dollars. Le résultat Monte Carlo soutient les calculs de capital et de VaR ; le résultat du scénario alimente les discussions au niveau du conseil d’administration sur les réponses stratégiques, telles que l’accélération du re‑pricing des actifs ou l’ajustement des objectifs de duration.

• Utiliser la simulation Monte Carlo lorsqu’on estime des indicateurs de risque nécessitant une rigueur statistique – par ex., le capital économique, le VaR ou la perte attendue – ou lorsqu’on évalue l’impact de l’incertitude sur des résultats stratégiques à long terme à travers un large éventail de trajectoires possibles.
• Utiliser la simulation basée sur des scénarios lorsqu’on communique le risque aux instances de gouvernance, teste des décisions stratégiques sous des régimes macroéconomiques spécifiques, ou s’aligne avec les cadres de tests de résistance supervisés où la cohérence narrative et l’applicabilité sont privilégiées par rapport à la complétude probabiliste.

Les deux méthodes sont souvent utilisées conjointement : le Monte Carlo pour la validation interne des modèles et la quantification du risque, et l’analyse basée sur des scénarios pour la prise de décision stratégique et le reporting réglementaire.