Ce guide de la BCE sur les modèles internes fournit des directives pour la gestion des risques au sein des institutions financières. Il aborde des sujets tels que la gouvernance des données, la validation interne et l'utilisation de techniques d'apprentissage automatique. La publication est régulièrement mise à jour pour refléter les changements réglementaires et les retours d'expérience des utilisateurs.
Le document est le "ECB guide to internal models" publié par la Banque Centrale Européenne - Supervision Bancaire (SSM) en juillet 2025. Il s'agit d'un guide consolidé de 370 pages (seules les 119 premières pages sont fournies) destiné à clarifier l'application des règles européennes relatives aux modèles internes utilisés par les institutions financières pour le calcul des exigences de fonds propres en crédit, risque de marché et risque de crédit contrepartie. Le guide couvre les principes généraux, la gouvernance, la validation, la documentation, la gestion des risques liés aux modèles internes, ainsi que des chapitres spécifiques sur les risques de crédit, de marché et de crédit contrepartie. Il intègre les évolutions réglementaires issues des règlements CRR, CRR2 et CRR3, ainsi que les retours d'expérience des institutions et les consultations publiques. La période couverte inclut les dernières évolutions réglementaires jusqu'à juillet 2025, avec une attention particulière aux impacts des techniques d'apprentissage automatique (machine learning) dans les modèles internes (p. 1-33).
Ce guide de la BCE vise à assurer une compréhension commune et une application cohérente des exigences réglementaires européennes relatives aux modèles internes utilisés pour le calcul des exigences de fonds propres en crédit, risque de marché et risque de crédit contrepartie. Il est essentiel car ces modèles influencent directement la mesure des risques et la solidité financière des institutions supervisées, impactant la stabilité du système bancaire européen (p. 6).
Les principaux constats sont :
- La nécessité d'une gouvernance robuste et cohérente à l'échelle consolidée et des entités individuelles, avec des principes et directives clairs sur le cycle de vie des modèles, incluant développement, validation, mise en œuvre et révision (p. 8-9).
- L'importance d'une documentation complète et à jour, permettant la compréhension, la réplication et la validation indépendante des modèles, avec un registre des modèles détaillé (p. 9-10).
- Des pratiques strictes de gouvernance des données, incluant la sécurité, la qualité et la cohérence, particulièrement pour les données issues de jugements humains (p. 10-11).
- La mise en place d'un cadre de gestion des risques liés aux modèles, incluant une politique écrite, un registre, des méthodologies d'évaluation qualitative et quantitative, des procédures de communication, ainsi que des exigences de compétences et formations adaptées (p. 11-12).
- La définition claire des rôles et responsabilités de la direction générale et du management senior dans la gouvernance des modèles (p. 12).
- L'exigence d'une validation interne indépendante, initiale et annuelle, avec des arrangements organisationnels proportionnés à la taille et complexité, garantissant l'absence de conflits d'intérêts (p. 13-14).
- Le rôle clé de l'audit interne, indépendant et doté de ressources adéquates, pour assurer une revue régulière et efficace des modèles, avec un suivi rigoureux des plans d'action (p. 14-15).
- L'intégration des risques climatiques et environnementaux dans l'évaluation de la matérialité des risques des modèles (p. 15).
- Des principes détaillés sur l'utilisation des techniques d'apprentissage automatique (ML) dans les modèles internes, soulignant leur complexité accrue, les besoins spécifiques en gouvernance, validation, audit, gestion des données, infrastructure IT, et la nécessité d'expliquer et documenter les modèles pour assurer leur transparence et auditabilité (p. 15-26).
- Des attentes précises sur la gestion des changements de modèles, notamment pour les modèles ML dynamiques, avec un suivi des évolutions, la prévention des dérives et la classification rigoureuse des modifications (p. 17-18).
- L'importance d'une politique d'overrides (interventions humaines) rigoureuse, particulièrement pour les modèles ML, avec documentation détaillée et recours aux techniques d'explicabilité (p. 26-27).
- Des délais d'implémentation des changements matériels de modèles généralement inférieurs à trois mois après autorisation, sauf exceptions justifiées (p. 27).
- Des principes stricts encadrant l'externalisation des tâches liées aux modèles internes, incluant des contrats formels garantissant l'accès aux informations, la continuité, la qualité, la validation indépendante, et le maintien des compétences en interne (p. 28-33).
Les conclusions insistent sur la nécessité d'une application rigoureuse et harmonisée de ces principes pour garantir la fiabilité, la robustesse et la conformité des modèles internes, notamment dans un contexte d'évolution technologique rapide avec l'intégration croissante du machine learning. Le guide recommande aux institutions de renforcer leurs cadres de gouvernance, validation, audit, documentation et gestion des données, tout en assurant une formation adaptée des parties prenantes et un suivi attentif des changements de modèles. Enfin, il souligne l'importance d'une supervision attentive par la BCE, notamment via des enquêtes internes sur les modèles et leurs modifications (p. 6-33).
Le guide a été élaboré pour répondre aux exigences des articles 143, 283 et 325 du règlement CRR, modifiés par CRR2 et CRR3, qui imposent à la BCE d'autoriser l'utilisation des modèles internes pour le calcul des exigences de fonds propres en crédit, risque de marché et risque de crédit contrepartie. Son objectif est de fournir transparence et cohérence dans l'interprétation et l'application de ces règles par la BCE lors de l'évaluation des institutions (p. 6).
Le guide vise aussi à harmoniser les pratiques des équipes de supervision internes à la BCE, en tenant compte des particularités des établissements supervisés. Il ne remplace pas la législation européenne ou nationale applicable, ni les normes techniques réglementaires (RTS, ITS) adoptées ou en cours d'adoption par l'EBA et la Commission européenne. Il intègre les dernières évolutions réglementaires, notamment le report au 1er janvier 2026 de l'application des normes FRTB pour le risque de marché, ainsi que les orientations de l'EBA sur la frontière entre portefeuille bancaire et portefeuille de négociation (p. 6-7).
Le guide répond à la montée en complexité des modèles internes, notamment avec l'intégration croissante des techniques d'apprentissage automatique, et aux enjeux liés à la gouvernance, la validation, la documentation, la gestion des risques, la conformité réglementaire, la gestion des données et la supervision des modèles. Il fixe un cadre clair pour les institutions afin de garantir la robustesse, la transparence et la conformité des modèles internes, tout en précisant les attentes en matière d'externalisation et d'implication de tiers (p. 6-33).
Les limites du document sont liées à sa nature de guide interprétatif fondé sur la réglementation en vigueur à la date de publication, avec une mise à jour prévue en fonction des évolutions réglementaires futures. Seules les premières 119 pages sont disponibles pour cette synthèse.
Gouvernance et organisation :
- Importance d'une gouvernance cohérente au niveau consolidé et des entités, avec des principes et directives clairs sur le cycle de vie des modèles internes (développement, calibration, validation, approbation, mise en œuvre, usage, revue) (p. 8-9).
- Rôles et responsabilités clairement définis pour le management body (conseil d'administration exécutif) et la senior management, avec documentation précise des comités dédiés à la gouvernance des modèles (p. 12).
Documentation :
- Documentation complète et à jour requise pour permettre la compréhension, la réplication et la validation indépendante des modèles, incluant méthodologie, hypothèses, données, instructions d'utilisation et résultats de validation (p. 9-10).
- Registre des modèles internes avec informations sur propriétaire, périmètre, matérialité, date d'approbation, restrictions, faiblesses clés, changements et versioning (p. 9-10).
Gestion des données :
- Gouvernance des données rigoureuse conforme aux standards tels que DORA et BCBS 239, incluant sécurité, qualité, gestion du cycle de vie des données et cohérence des labellisations humaines (p. 10-11).
Gestion des risques liés aux modèles :
- Cadre formalisé avec politique écrite, registre, méthodologies d'évaluation qualitative et quantitative, procédures de communication, définition des rôles, exigences de compétences et formation adaptée (p. 11-12).
- Classification des modèles selon leur complexité, avec identification des modèles hautement complexes (notamment ceux utilisant ML) et dynamiques (auto-adaptatifs) (p. 12).
Validation interne :
- Validation initiale et annuelle obligatoire, avec indépendance organisationnelle forte entre développement et validation (trois options d'organisation selon taille et complexité) (p. 13-14).
- Validation dotée de ressources adéquates, personnel qualifié, et procédures robustes pour challenger les modèles (p. 14).
Audit interne :
- Audit indépendant, séparé des unités opérationnelles, rapportant directement au management body, avec ressources et compétences adaptées (p. 14-15).
- Suivi rigoureux des conclusions, plans d'action, et reporting régulier aux comités et autorités compétentes (p. 15).
Risques climatiques et environnementaux :
- Intégration obligatoire des risques climatiques et environnementaux dans l'évaluation de la matérialité des risques des modèles internes (p. 15).
Utilisation des techniques d'apprentissage automatique (ML) :
- Définition pragmatique des ML comme techniques complexes, non linéaires, avec nombreux paramètres et faible explicabilité (p. 15-16).
- Gouvernance renforcée pour les modèles ML, incluant compétences spécifiques pour tous les acteurs (développeurs, validateurs, audit, utilisateurs, management) (p. 16-18).
- Politique claire sur la gestion des changements, distinguant changements matériels, maintenance, et adaptations autonomes, avec suivi des dérives (p. 17-18).
- Validation interne spécifique, incluant challenge des hyperparamètres, évaluation de la robustesse, tests hors échantillon et hors temps, et usage d'outils d'explicabilité (p. 18-20).
- Audit interne adapté aux spécificités ML, avec fréquence et intensité accrues pour modèles complexes ou dynamiques (p. 19-20).
- Gouvernance des données renforcée pour les données spécifiques ML, incluant analyse exploratoire et contrôle des biais (p. 20-21).
- Infrastructure IT adaptée, garantissant traçabilité, versioning et auditabilité des modèles ML (p. 21-22).
- Encadrement strict de l'externalisation des tâches liées aux modèles ML, avec maintien des compétences internes et contrôle rigoureux des prestataires (p. 22-33).
Méthodologie mathématique :
- Justification rigoureuse de la structure et des paramètres des composants ML, avec attention au sur- et sous-apprentissage, et stockage des éléments nécessaires à la réplication (p. 22-23).
- Motivation de la complexité des modèles, évitant la complexité inutile au regard des gains en performance et objectifs organisationnels (p. 23-24).
- Usage d'outils d'explicabilité pour assurer la plausibilité, l'intuition et la transparence des estimations, avec documentation des limites des techniques utilisées (p. 23-25).
Usage des modèles ML :
- Définition claire des usages, fonctionnalités et limites dans les politiques internes (p. 25).
- Surveillance accrue des risques spécifiques liés à l'utilisation des modèles ML, notamment les biais et modifications pour usages autres que le calcul des fonds propres (p. 25-26).
- Politique d'overrides rigoureuse, avec documentation complète, usage des outils d'explicabilité avant override, et formation approfondie des personnels concernés (p. 26-27).
Gestion des changements et implémentation :
- Implémentation des changements matériels dans un délai raisonnable, généralement inférieur à trois mois après autorisation, avec exceptions justifiées (p. 27).
Externalisation :
- Encadrement strict des contrats d'externalisation, garantissant accès complet aux informations, continuité, communication avec autorités, et maintien des compétences internes (p. 28-33).
- Possibilité de délégation de validation et audit sous conditions d'indépendance et de contrôle stricts, incluant périodes de « cool-off » pour éviter conflits d'intérêts (p. 29-31).
- Surveillance indépendante des prestataires et contrôle de la qualité des données externes utilisées (p. 31-33).
Faits établis :
- La BCE a publié un guide consolidé détaillé en juillet 2025, intégrant les évolutions réglementaires CRR, CRR2, CRR3, et les retours d'expérience des institutions (p. 1-7).
- Le guide précise les attentes en matière de gouvernance, documentation, validation, audit, gestion des données, gestion des risques et externalisation des modèles internes (p. 8-33).
- L'utilisation croissante des techniques d'apprentissage automatique dans les modèles internes impose des exigences spécifiques accrues en termes de gouvernance, validation, audit, explicabilité, infrastructure IT et gestion des données (p. 15-27).
Hypothèses :
- L'intégration des risques climatiques et environnementaux dans les modèles internes est nécessaire et applicable (p. 15).
- Les modèles ML dynamiques nécessitent un suivi et une classification spécifiques en raison de leur capacité d'adaptation autonome (p. 12, 17).
Interprétations :
- La complexité accrue des modèles ML justifie des exigences renforcées en matière d'indépendance des fonctions de validation et d'audit, ainsi qu'une fréquence plus élevée des contrôles (p. 13-20).
- L'explicabilité des modèles ML est un enjeu clé pour garantir la plausibilité et la transparence des estimations, conditionnant la confiance des utilisateurs et des superviseurs (p. 23-25).
- La gestion des overrides humains doit être particulièrement rigoureuse pour les modèles ML, afin d'éviter des biais et de garantir la qualité des décisions (p. 26-27).
Incertitudes :
- L'évolution future des normes techniques réglementaires (RTS, ITS) et des politiques de l'EBA pourrait entraîner des mises à jour du guide (p. 6).
- L'impact potentiel de la réglementation sur l'intelligence artificielle (AI Act) sur les modèles internes reste à préciser (p. 7).
- La mise en œuvre pratique des recommandations, notamment pour les modèles ML complexes, dépendra des capacités et ressources des institutions (p. 15-27).
La BCE conclut que pour assurer la conformité réglementaire et la robustesse des modèles internes, les institutions doivent :
- Mettre en place une gouvernance claire et cohérente à tous les niveaux, avec des rôles et responsabilités bien définis pour la direction et les comités (p. 12).
- Documenter exhaustivement les modèles, avec un registre à jour et des politiques de gestion documentaire rigoureuses (p. 9-10).
- Adopter des pratiques strictes de gouvernance des données, garantissant qualité, sécurité et cohérence, notamment pour les données issues de jugements humains (p. 10-11).
- Déployer un cadre de gestion des risques liés aux modèles, incluant évaluation qualitative et quantitative, communication, définition des compétences et formation (p. 11-12).
- Assurer l'indépendance et la compétence des fonctions de validation et d'audit interne, avec des ressources adaptées à la complexité des modèles (p. 13-15).
- Intégrer les risques climatiques et environnementaux dans l'évaluation des modèles (p. 15).
- Appliquer des exigences spécifiques pour les modèles ML, notamment en matière de gouvernance, validation, audit, explicabilité, gestion des changements, infrastructure IT et externalisation (p. 15-33).
- Respecter des délais d'implémentation rapides (généralement moins de trois mois) pour les changements matériels de modèles (p. 27).
- Encadrer strictement l'externalisation des tâches liées aux modèles, avec maintien des compétences internes et contrôle rigoureux des prestataires (p. 28-33).
Le guide recommande également une supervision active par la BCE, incluant des enquêtes internes sur les modèles et leurs modifications, pour garantir la conformité et la solidité des modèles internes dans le système bancaire européen (p. 6-33).
Note de synthèse rédigée à partir du document intégral par l’Académie DataSAI. Cette note vient de la bibliothèque scientifique de l’Académie DataSAI, en accès libre.