Stress test micro-prudentiel inversé comme outil de gestion du risque du crédit
Impact de l'intégration de la statistique bayésienne
DOI :
https://doi.org/10.59051/joaf.v15i1.768Mots-clés :
stress test inversé, BSVAR, distribution à priori, approche structurelle, scénariosRésumé
Objectif : Cet article vise à appliquer le stress test micro-prudentiel inversé sur le risque de crédit de la Banque des Financements des Petites et Moyennes Entreprises (BFPME).
Méthodologie : Elle repose sur des estimations économétriques effectuées sur un échantillon trimestriel de sept (07) variables sur la période 2006-2021, en intégrant l'approche BSVAR de Sims et Zha (1998).
Résultats : Les résultats des estimations montrent que l'intégration de l'approche bayésienne structurelle permet de surmonter les limites du modèle classique. Le scénario de stress inversé révèle que le portefeuille de crédit de la BFPME devrait se transformer en NPL d'ici la fin de l’année 2025.
Originalité de l’article : L'article introduit une approche novatrice en explorant l'intégration de l'approche bayésienne dans les stress tests et la détermination précise des scénarios de stress inversé via la distribution à priori. Il souligne l'importance pour les banques d'adopter cette approche pour dépasser les limites des modèles classiques et ajouter une dimension de réflexion des décideurs.
Téléchargements
Références
Basel Committee on Banking Supervision. (2018). Stress testing principles.
Ben youcef, A. (2018). Credit Risk Stress Testing of Commercial Banks in Tunisia », , vol.1, n°1. International Journal of Accounting and Finance Studies, 1(1).
Blaschke, W., Jones, M., Majnoni, G., & Peria, M. (2001). Stress Testing of Financial Systems: An Overview of Issues, Methodologies, and Fsap Experiences. IMF Working Paper, 1(88), 1-40.
Diebold, F., & Mariano, R. (1995). Comparing predictive accuracy. Journal of Business and Economic Statistics, 13(3), 253-263.
Dimitri, D. (2015). Designing Effective Macroprudential Stress Tests: Progress so Far and the Way Forward. MF Working Paper, 15-146. doi:https://dx.doi.org/10.2139/ssrn.2627203
Gael, M., David, T., Worapree, M., Rubén, L., Florian, H., Gary, K., . . . Anastasios, P. (2023). Bayesian forecasting in economics and finance : A modern review. International Journal of Forecasting. doi:ISSN 0169-2070
Harvey, D., Leybourne, S., & Newbold, P. (1998). Tests for Forecast Encompassing. Journal of Business & Economic Statistics, 16(2), 254-259.
Hegde, S., Hegde, R., Marthanda, K., & Logu, K. (2023). Performance Analysis of Machine Learning Algorithm for the Credit Risk Analysis in the Banking Sector. International Conference on Computing Methodologies and Communication, 57-63.
Johansen, S. (1991, Nov). Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector Autoregressive Models » , vol.59, n°6, pp.. Econometrica, 6(59), 1551-1580.
Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer-Verlag, 764.
Makri, V., Tsagkanos, A., & Bellas, A. (2014). Determinants of Non-Performing Loans: The Case of Eurozone. Panoeconomicus, 2(61), 193-206.
Nguyên, L. (2018). La formule du savoir : Une philosophie unifiée du savoir fondée sur le théorème de Bayes. France: Eco science.
Sims, C., & Zha, T. (1998). Bayesian Methods for Dynamic Multivariate Models. International Economic Review, 4(39), 68-949.
Waggoner, D., & Zha, T. (2003). a gibbs sampler for structural vector autoregressions. Journal of Economic Dynamics and Control, 2(28), 349–366.
Téléchargements
Publié
Numéro
Rubrique
Licence
© Wassim GHADHAB, Kamel NAOUI 2024
Cette œuvre est sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
Les auteurs qui publient dans cette revue acceptent les termes suivants :
- Les auteurs conservent leurs droits d'auteur et accordent à la revue le droit de première publication.
- L'œuvre est simultanément diffusée sous la licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International (CC BY-NC-ND 4.0). Cette licence permet à des tiers de télécharger, partager et réutiliser l'œuvre à des fins non commerciales, à condition que les auteurs originaux et la source soient correctement cités.
- Selon les termes de cette licence, aucune œuvre dérivée ou modification (telle qu'une traduction, une adaptation ou un remixage) n'est autorisée sans la permission explicite du titulaire des droits d'auteur.
- Les auteurs sont autorisés et encouragés à publier leur travail en ligne (par exemple, dans des archives institutionnelles ou sur leur site web personnel) après publication, car cela peut favoriser les échanges scientifiques et augmenter la visibilité ainsi que les citations de l'œuvre.
