cole Nationale de la Statistique et de lAdministration conomique

3, avenue Pierre Larousse - 92245 Malakoff Cedex, France

Mmoire dActuariat prsent
pour lobtention du diplme
de lENSAE
et ladmission lInstitut des Actuaires
le
Par : Guillaume Ominetti et Marie Todd
Titre : Modlisation et couverture des Comptes Courants Postaux
Condentialit : NON OUI (Dure : 1 an 2 ans)
Les signataires sengagent respecter la condentialit indique ci-dessus
Membre prsent du jury de lInstitut
des Actuaires
Membres prsents du jury de la lire
Actuariat de lENSAE
Secrtariat :
Bibliothque :
Entreprise
Nom : La Banque Postale
Signature :
Directeurs de mmoire en entreprise
Nom : Christophe Lunven
Signature :
Nom : Ludovic Mercier
Signature :
Invit
Nom :
Signature :
Autorisation de publication et de mise en
ligne sur un site de diusion de documents
actuariels (aprs expiration de lventuel dlai
de condentialit)
Signature du responsable entreprise
Signature du candidat

Rsum
Une banque de dtail eectue un service dit de transformation, ou dintermdiation, cest-
-dire quelle collecte les dpts de ses clients et utilise ces ressources pour investir sur les
marchs, en particulier pour prter aux particuliers, aux entreprises ou sur le march in-
terbancaire. Cette position dintermdiaire nancier expose la banque un risque majeur,
appel risque de liquidit : elle investit en gnral long terme des ressources sans maturit
dnie, qui peuvent tre potentiellement exiges par les clients du jour au lendemain. Cest
la raison pour laquelle on parle de dpts vue. Ainsi, un retrait important et brutal par de
nombreux clients peut crer un dsquilibre soudain dans le bilan de ltablissement. Dans un
tel scnario, ce dernier ne dispose plus des liquidits pour faire face la demande et se voit
contraint de remprunter sur les marchs et/ou de vendre une partie de ses actifs nanciers
dchance lointaine. Si le contexte de march est dfavorable cet instant, avec des taux
dintrts trs levs, la banque enregistre alors potentiellement une perte.
Pour diminuer son exposition ce risque, elle doit donc placer une proportion susam-
ment importante de lencours court terme. Cependant, il est aussi dans son intrt de placer
lessentiel de ses ressources long terme an, dune part, de proter de taux dintrts plus
avantageux et, dautre part, de lisser sa rmunration au cours du temps. Un arbitrage doit
tre eectu entre les deux types dinvestissement. Ltablissement de crdit doit dnir une
politique de risque qui pilote ses stratgies de placement sur les marchs. Ce pilotage dpend
troitement des modles statistiques utiliss pour eectuer les projections sur le niveau des
taux et des encours futurs : on parle de gestion actif/passif. Cette gestion ncessite une ana-
lyse rgulire de la situation du bilan et surtout de son volution probable. Lestimation des
besoins et des excdents de liquidit aux dates futures y revt une importance capitale.
Ce mmoire explore la problmatique de la gestion actif-passif dune banque de dtail en
proposant dabord une modlisation, puis une couverture, de lencours des comptes courants
de ltablissement de crdit dans le futur.
La premire partie de ltude a consist proposer des scnarios dvolution de lencours
global des comptes vue. Ce dernier est dni comme lagrgat des sommes dargent dposes
par les clients sur leur compte courant.
Les articles acadmiques que nous avons lus, pour orienter notre dmarche, ne proposaient
que des modles dvolution macroconomiques insusants nos yeux. Nous pensons en
eet que la dynamique de lencours est un processus complexe intgrant des eets trs varis,
aussi bien conomiques (le Produit Intrieur Brut, lination) que dmographiques (structure
par ge de la clientle) ou comportementaux (taux de sorties volontaires des clients). La
littrature acadmique consulte ne tenait pas susamment compte de ces lments.
Ainsi, nous avons bti un cadre thorique microconomique beaucoup plus n. Le modle
probabiliste construit repose sur une ventilation de la clientle par strates nancires et par
ges et reproduit les mouvements alatoires sur les comptes courants de chacun des clients
en intgrant des facteurs varis comme lination ou les taux de mortalit par ge. Ensuite,
nous avons implment informatiquement la modlisation mathmatique innovante que nous
avons construit. Lenjeu de ces simulations a t de valider le comportement du modle et
danalyser sa sensibilit aux dirents paramtres.
En particulier, nous y avons tabli que le modle retenu pour lination conditionne forte-
ment la dispersion de lencours : une ination alatoire, et plus volatile, largit les intervalles
de conance pour la valeur de lencours, une date future donne.
1
Le degr de mobilit des clients, qui caractrise leur propension changer facilement
dtat et sortir plus facilement, est un dterminant essentiel de la volatilit de lencours.
Cela signie que, plus la base de clientle est mobile, plus notre pouvoir prvisionnel sur
lvolution de lencours aux pas de temps suivants est dgrad. De mme, les taux de sortie
des clients, utiliss dans la calibration du modle, modient de manire importante la dure
de vie des dpts dans une vision de vieillissement du stock existant, lorsque la banque arrte
toute ouverture de compte.
La dmographie actuelle de la clientle est, quant elle, un facteur dterminant de la
croissance de lencours sur le court-moyen terme. Nous y avons mis en vidence que, dans
le cadre de notre modle, larrive de la gnration du baby-boom dans des ges avancs
est susceptible dentraner, dans un futur proche, une surperformance de laugmentation de
lencours par rapport ce que lon pourrait sattendre a priori, notamment parce que les
personnes ges dtiennent en moyenne plus de liquidits. Par ailleurs, nous avons pu v-
rier quune banque en ligne, qui se caractrise par une clientle trs jeune, connat une
surperformance sensible de la croissance de son encours. Cela est li au vieillissement de sa
clientle actuelle et laugmentation de leectif de cette dernire. linverse, une base de
clientle initialement ge peut entraner une stagnation de lencours, voire une dcroissance
de celui-ci, sur le court-moyen terme en raison de la perte prochaine des clients les plus aiss.
La seconde partie de ltude a consist analyser les performances de direntes stratgies
dinvestissement de lencours bancaire. Lenjeu est dy modliser larbitrage, entre linvestisse-
ment court-terme et linvestissement long-terme, qui se pose dans la recherche simultane
dune rmunration lisse et prenne mais avec une faible exposition au risque de liquidit.
Pour atteindre cet objectif, nous avons considr une stratgie de placement simple pour la
banque de dtail, consistant investir court terme une proportion constante de lencours de
clientle et investir le rsiduel long terme, sur des obligations cinq ans. En nous appuyant
sur un modle nancier classique sur les taux (celui de Hull et White), nous avons simul
des scnarios dvolution des taux de march de direntes chances. Ainsi, chacune de ces
simulations a fourni une trajectoire possible pour les prix des obligations et les rendements
des deux supports. En couplant cette simulation avec celle sur lencours bancaire eectue en
premire partie, nous avons alors simul la marge nette dgage par ltablissement sur une
priode donne. Cette marge nette est dnie comme la rmunration quil peroit chaque
date au titre de ses placements passs sur les marchs. Nous lavons eectu pour direntes
stratgies de placement, correspondant une allocation plus ou moins importante dinvestis-
sement sur le support court-terme (respectivement long-terme). Pour analyser la robustesse
de chaque stratgie, nous avons galement simul un scnario de stress, qui consiste en une
sortie subite et massive de clients, couple une hausse des taux.
Nous avons mis en vidence que plus la banque place une part importante de lencours
des dpts vue long terme, plus elle diminue la volatilit de sa marge mais plus elle
sexpose un fort risque de liquidit : sous le scnario catastrophe que nous gnrons, la
banque sexpose une perte dautant plus lourde quelle a investi massivement long terme.
Nous avons alors t en mesure de tracer des graphes illustrant cet arbitrage entre lissage de
rmunration et risque de liquidit. Loptimalit de linvestissement a t envisage comme
un problme de minimisation de la volatilit de la marge sous contrainte dune perte plafond,
en cas de scnario de stress. Ce programme doptimisation doit tre rsolu par la banque au
regard de la ligne de conduite sur le risque quelle sest xe. Toutefois, nous avons tabli
que la structure par ge de la clientle conditionne le choix de stratgie de ltablissement
de crdit. Ainsi, volatilit de marge donne (correspondant donc une certaine allocation
entre placements court-terme et long-terme), une banque prsentant une clientle jeune (res-
pectivement ge) sexpose un risque de liquidit infrieur (respectivement suprieur) sur
2
le scnario catastrophe gnr. La raison ce rsultat est le direntiel de croissance dans
lencours de ces banques.
Finalement, dans le cadre de notre modlisation, sous le problme de minimisation de volati-
lit avec contrainte sur la perte, la banque de dtail va donc choisir dinvestir une proportion
dautant plus importante de lencours global sur le long terme que sa clientle est jeune.
3
Abstract
A bank provides a so-called maturity transformation service : it gathers liquidity from its
customers demand deposits and trades this amount on the nancial market, particularly to
issue loans to individuals, to corporates or to other nancial institutions. This unique role
of nancial middleman exposes the bank to a major risk, known as liquidity risk : indeed,
it invests in long-term nancial assets the liquidity held on non-maturity deposits, which
have no stated maturity and where individual depositors have the right to add or substract
balances without restriction. Therefore, an unexpected and massive withdrawal can result
in a sudden mismatch between assets and liabilities of the retail bank. In fact, the latter
becomes incapable of raising enough liquidity and is forced to borrow on the money market
and /or to sell part of its long-term nancial assets in order to face its customers demand.
If the market conditions are quite poor at this very moment, with very high interest rates,
the institution can potentially carry a signicant loss in the event of such a scenario.
In order to minimize its liquidity risk exposure, it has to invest in short-term assets an
important enough proportion of its demand deposit liability. Nevertheless, it is more interes-
ting to trade long-terme assets since they generally oer higher return rates and enable the
bank to smooth its margin over time. Thus, the bank has to reach a relevant compromise
between the two kinds of assets. It has to dene its risk-appetite internal policy that will drive
its investment strategies on the nancial markets. This management is closely dependent on
the statistical models used for predicting both the interest rates and the demand deposit
liability : it is known as Asset-Liability Management (ALM). It requires a frequent analysis
of assets and liabilities and of their probable evolution. Within this context, the estimation
of both future liquidity needs and excess is of the utmost importance.
This paper explores the subject of asset-liability management for a retail bank by propo-
sing rst a theoretical evolution model, and then a hedging, of the demand deposit liability
of the nancial institution.
The rst part of the study consists in proposing scenarios for the future evolution of the
non-maturity deposit liability. The latter is dened as the total amount held by customers
on their demand deposits.
The existing literature on the subject we have read only proposed macroecomic-oriented
models, which appeared to be irrelevant from our point of view. Indeed, we believe that the
stochastic evolution of the deposit liability is a complex process driven by various eects,
ranging from economic ones (the Gross Domestic Product, the ination rate) to demogra-
phical ones (the age structure of the customer base) or behavioral ones (the attrition rate).
None of the papers we have consulted wak taking these dierent aspects into account.
Therefore, we have built a far more accurate microeconomic-oriented theoretical frame-
work. This stochastic model relies on an apportionment, that is to say a breakdown, of the
customer base both by strata (on a nancial criterium) and by age and reproduces the random
moves on individuals demand deposits while integrating various exogenous factors such as
ination or mortality rates. Then we have implemented this innovative mathematical model
on computer. The purpose of the conducted simulations was to analyze both the relevance
of the results implied by our model and their sensibility to the dierent parameters.
We have notably proved that the underlying model used for ination strongly inuences
the demand deposit dispersion : a random and more volatile ination broadens the condence
intervals for the value of the demand deposit at a set date in the future.
4
The degree of mobility of customers, which characterizes their propensity to move easily
from one nancial state to another and to leave the bank, largely conditions the volatility of
the deposit balance. This means that the more mobile the customers are, the more our pre-
dictive power on the evolution of the demand deposit liability is deteriorating. Similarly, the
bank-leaving rate used to calibrate the model signicantly modies the duration of demand
deposit liability in the situation where the bank stops issuing accounts.
The banks customer base todays structure is the major driver of the growth of its de-
mand deposit balance in the short and in the mid term. We have emphasized the fact, that
within the framework of our model, the ageing of the baby-boom generation is likely to cause
in the near future an overgrowth of the demand deposit balance compared to what we could
expect rst, given that elderly people generally hold more liquidity on their accounts. Be-
sides, we have been able to prove that a bank whose customers are quite young (typically
the case of recently-appeared online banks) will see the growth of its demand deposit balance
overperform because of the ageing of its customers and the increase in the number of them.
On the contrary, an elderly customer base can result in a stagnation or even a decrease in the
demand deposit liability in the short and in the mid term, due to the loss of the wealthiest
customers in the near future.
The second part of the study has aimed at analyzing the performance of dierent invest-
ment strategies. The stake was to modelize the compromise to reach (between investing in
short-term and in long-term nancial assets) that raises while trying to ensure both a smooth
and sustainable margin and a low liquidity risk exposure. To achieve this goal, we have consi-
dered a simple investment strategy for the retail bank, that consists in trading a set and
constant proportion of the demand deposit liability on short-term assets and to invest the
remaining on ve-year maturity state bonds. Thanks to the Hull and White classical nancial
model on market rates, we have generated future evolution scenarios for the term structure
of the rate curve. Each of these simulations has provided a possible trajectory for the bonds
prices and the returns of the assets the bank can buy. By coupling this implementation with
the one on the stochastic evolution of the demand deposit balance built in the rst part,
we have simulated the net margin the bank perceives over a given period of time. The net
margin is dened as the remuneration the bank gets at each date from its past investments,
that is to say the interest rate cash-ows following its past trades. We have implemented this
procedure for dierent investment strategies, each one matching a specic allocation in the
demand deposit balance investment between short-term and long-term assets. Whats more,
in order to analyze the robustness of the dierent strategies, we have generated a stress test
consisting in both a sudden and massive attrition and a dramatic increase in market rates.
We have emphasized the fact that the more the retail bank invests on long-term state
bonds, the more it reduces the volatility of its net margin but the more it is exposed to
an important liquidity risk too : thus, under the stress test we have simulated, the nancial
institution is all the more exposed to a major loss since it has massively invested in long-term
securities. We were then able to plot graphs that give a visual illustration to the compromise
between smooth remuneration and liquidity risk : the optimality of the investment is seen
in the light of a margin volatility minimization program with condition on the loss incurred
under the stress test. This optimality is then to be determined by each bank in regard of the
risk-appetite policy it follows. However, we have been able to establish that the age structure
of the retail banks customer base impacts its investment choice. Thus, for a given margin
volatility (matching a specic allocation between short and long-term investments), a bank
whose customers are particularly young (resp. elderly) is exposed to a lower (resp. higher)
liquidity risk under the simulated stress test. The reason for this result is the signicant
dierential in the growth of the deposit balance of these banks. As a matter of fact, within
5
our model framework, under the margin volatility minimization program with condition on
the loss incurred under the stress test, the retail bank invests an all the more important part
of its demand deposit liability in long-term securities since its customers are young.
6
7
Table des matires
I Analyse de la problmatique ALM et revue de la littrature 11
1 Le pilotage actif-passif 11
1.1 Notions autour du risque ALM . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Lapproche acadmique de la problmatique : lments de bibliographie . . . 13
2 Dmarche du projet 15
II Modlisation de lvolution du niveau dencours 16
3 Observations empiriques et orientation de la dmarche 16
3.1 Analyse du niveau dencours historique . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Motivation de lapproche retenue . . . . . . . . . . . . . . . . . . . . . . . . . 18
4 Lapproche macroconomique 19
4.1 Principe et choix des variables explicatives . . . . . . . . . . . . . . . . . . . . 19
4.2 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3 Un modle pour lination . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Lapproche probabiliste interne 23
5.1 La segmentation clientle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2 Modlisation de la dynamique des encours . . . . . . . . . . . . . . . . . . . . 24
5.2.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.2.2 Dynamique des clients au sein de la banque . . . . . . . . . . . . . . . 25
5.2.3 Dynamique de lencours client moyen par cellule . . . . . . . . . . . . 26
5.2.4 Le modle probabiliste et ses hypothses . . . . . . . . . . . . . . . . . 27
III Application informatique du modle construit 32
6 Analyse de premires simulations 32
6.1 Les paramtres et les variables dtat initiales . . . . . . . . . . . . . . . . . . 32
6.1.1 Taux de transition et de sortie . . . . . . . . . . . . . . . . . . . . . . 32
6.1.2 Lois des processus darrive . . . . . . . . . . . . . . . . . . . . . . . . 33
6.1.3 Ination et encours client moyen par cellule . . . . . . . . . . . . . . . 34
6.2 Rsultats obtenus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
7 Sensibilits aux paramtres et aux variables initiales 36
7.1 Inuence de lination et des taux de transition . . . . . . . . . . . . . . . . . 37
7.2 Inuence de la dmographie initiale . . . . . . . . . . . . . . . . . . . . . . . . 42
7.2.1 Pyramide des ges et calibration des processus darrive . . . . . . . . 42
7.2.2 Dsquilibre dmographique initial vers le bas . . . . . . . . . . . . . . 46
7.2.3 Dsquilibre dmographique initial vers le haut . . . . . . . . . . . . . 47
7.3 Vision mort du bilan et dure de vie thorique des dpts . . . . . . . . . . 48
8 Un modle superstrates 49
8
9 Vers une calibration du modle sur les donnes
historiques ? 56
IV Modlisation de lvolution de la marge nette 57
10 Dnition et principes 57
10.1 Une approche conomique et comptable . . . . . . . . . . . . . . . . . . . . . 57
10.2 Les stratgies de placement et le compte dintrts . . . . . . . . . . . . . . 57
11 Le modle 59
11.1 La courbe des taux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
11.2 Rcapitulatif du modle gnral . . . . . . . . . . . . . . . . . . . . . . . . . . 63
11.3 Les stratgies de placement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
11.3.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
11.3.2 Mtriques utilises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
11.3.3 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
11.3.4 Linvestissement sur les marchs . . . . . . . . . . . . . . . . . . . . . 67
12 Simulations de lvolution de la marge nette
dintrts 69
12.1 Illustration des dirences entre les stratgies dinvestissement sur un cas trs
simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
12.2 Volatilit de la marge et perte en situation de stress . . . . . . . . . . . . . . 71
12.3 Inuence de la structure initiale de la base de clientle . . . . . . . . . . . . . 73
A Dynamique de lencours des dpts vue 77
B Rsolution dtaille du modle de Hull et White 79
C Table INED utilise pour la calibration des taux de mortalit 84
9
Introduction
Les banques de dtail jouent principalement le rle dintermdiaire nancier et rendent un
service de liquidit : elles empruntent court terme aux personnes ayant un excs de nance-
ment (par le biais de leurs dpts) et prtent, en gnral long terme, aux personnes ayant
un besoin de nancement. Ce mcanisme fondamental sappelle la transformation et fait des
tablissements de crdit des acteurs essentiels du paysage conomique actuel. Cette opra-
tion dintermdiation comporte nanmoins des risques substantiels pour les tablissements
bancaires.
Le principal dentre eux est le risque de liquidit, qui traduit une incapacit de la part
de ltablissement rquilibrer son bilan. Lorigine de ce risque rside dans le fait que les
sommes dposes par les clients sur leurs comptes, qui constituent le principal passif de long
terme des banques de dtail, sont intrinsquement des ressources sans maturit contractuel-
lement dnie, la dirence des principaux postes gurant lactif (tels les obligations
dEtat ou les prts immobiliers ainsi qu la consommation). Ainsi, un retrait soudain et
massif des clients peut potentiellement excder les rserves de liquidit de ltablissement
et crer une insusance de trsorerie. Cela oblige ds lors la banque remprunter et rend
ncessaire une liquidation dans lurgence de ses actifs longs, avec le risque de march que cela
induit. On parle ainsi de passif sans chance. Pour faire face ce type de risque, la banque
propose en interne des lois dcoulement sur les dpts maturit incertaine pour dnir
ses stratgies de placements. Dautre part, les programmes de nancement quelle adopte
doivent lui permettre de rajuster au mieux son bilan en cas de dsquilibre de ce dernier et
prennent en compte lvolution des marchs, en particulier celle des niveaux des courbes de
taux. Cette gestion est connue sous le nom de gestion du bilan bancaire ou gestion actif-passif
(en anglais Asset Liability Management abrg en ALM). Le second risque le plus important
sinscrivant dans ce cadre, et intimement li celui de liquidit, est le risque de taux (de
change, dintrt et mme dination). En eet, un changement des courbes de taux induit,
dune part, une modication de la valeur des positions nancires gurant au bilan et, dautre
part, une modication potentielle du comportement des clients. Le niveau des taux agit par
ailleurs directement sur lecacit des stratgies nancires visant quilibrer le bilan de
ltablissement de crdit. Il sagit ds lors pour la banque de dnir une politique de gestion
des ressources gurant son passif en vue doptimiser la valeur conomique de lensemble
sur la dure. Ce pilotage dpend troitement des modles statistiques utiliss pour eectuer
les projections sur le niveau des taux et des encours futurs.
La problmatique de gestion des risques ALM, qui na pas encore t beaucoup explore
dun point de vue thorique, revt ainsi une importance capitale pour les banques de dtail,
surtout depuis la crise nancire de 2008.
Lobjectif de notre tude est dexplorer plus en dtail les dirents aspects des problmes
poss. Aprs une revue de la littrature existante sur le sujet, nous dnirons un cadre
thorique innovant pour la modlisation de lvolution de lencours des dpts vue, en
lenvisageant sous un angle microconomique. Aprs construction de ce modle de prvision
stochastique de lencours, nous diuserons les courbes de taux sur les marchs selon le modle
de Hull et White. Cela nous permettra dans une dernire partie danalyser les performances de
direntes stratgies de placement de lencours bancaire, en tudiant notamment lexposition
quelles induisent aux risques de taux et de liquidit. Nous serons alors en mesure de discuter
loptimalit des direntes stratgies envisages selon le point de vue adopt.
10
Premire partie
Analyse de la problmatique ALM et
revue de la littrature
1 Le pilotage actif-passif
1.1 Notions autour du risque ALM
Le bilan simpli dune banque de dtail comprend les principaux postes suivants.
Actif Passif
Immobilisations Capitaux propres
Crdits immobiliers Comptes-chques (CCP)
Crdits la consommation CSL (comptes sur livrets)
Autres crances LA/LDD/LEP (livrets rglements)
Portefeuille de march PEL/CEL (pargne logement)
Trsorerie Programmes de nancement
(missions dobligations/emprunts interbancaires)
Le passif, qui correspond aux ressources de la banque, est essentiellement constitu de
lpargne et des dpts de la clientle. Ces dpts sont dits vue, car ils peuvent tre exigs
tout instant par le client (do le terme de passif sans chance), et constituent la principale
raison dtre de la gestion ALM. lexception des comptes courants, les dpts sont
rmunrs selon des taux qui voluent
1
. Tous ces dpts sont comptabiliss en couru, cest-
-dire en cot amorti : on eectue une analyse priode aprs priode des ux dintrts et
des dcaissements qui seront amens les aecter aux direntes dates futures.
lactif, qui correspond aux emplois, gurent, notamment, les crdits distribus par
ltablissement bancaire aux particuliers et aux entreprises. Environ 90% de ces crdits
sont contracts taux xe. Les excdents de trsorerie sont gnralement soit prts
dautres tablissements (sur le march interbancaire) soit investis en des portefeuilles de
titres, dchances similaires la dure de vie moyenne estime des postes au passif. Les titres
sont soit aects en trading et comptabiliss en valeur de march, ou Marked-To-Market, soit
dtenus jusqu maturit (HTM pour Held To Maturity) et comptabiliss en cot historique.
La dtention dobligations souveraines, considres comme des titres srs, permet la
banque de les mettre en garantie pour se renancer auprs de la Banque Centrale en cas de
stress de liquidit.
En fonction de ladossement emplois-ressources, la banque de dtail a un :
Besoin de liquidits lorsquil y a insusance des dpts pour faire face la demande
de crdits. Il lui faut alors trouver ces ressources, par exemple en mettant des titres
ou en ayant recours au prt interbancaire ;
Excdent de liquidits lorsque toute lpargne liquide na pas t transforme. La banque
peut alors utiliser ces ressources pour prter sur le march interbancaire ou investir en
titres.
1
Par exemple, le taux du livret A est actualis tous les trois mois : rglement, il tient compte du niveau
de lination et des taux courts
11
Ainsi, la banque de dtail nance linvestissement en transformant lpargne liquide des
dirents comptes clients en prts long terme (gurant lactif). Cette activit des banques,
lintermdiation, leur fait porter un risque de liquidit, en raison des dirences de maturit
entre les deux types dengagements. La dicult de la gestion bancaire, pour les tablis-
sements de crdit, rside essentiellement dans le fait suivant : les postes gurant au passif
prsentent en majorit une maturit incertaine et servent nancer les postes gurant
lactif qui se caractrisent essentiellement par un chancier connu. En pratique, le passif
est globalement considr comme un poste court terme alors que lactif comprend essen-
tiellement des crdits long terme. Ainsi, ltablissement de crdit se retrouve engag sur
deux terrains des niveaux opposs. Intuitivement, on comprend que toute la dicult de
ce service de transformation pour la banque est dassurer une rentabilit a minima tout en
contrlant ses prises de risque an de pouvoir tenir tout instant ses engagements sur les
deux terrains.
La Banque Postale totalise actuellement plus de 11 millions de comptes courants ac-
tifs (comptes chques), dsigns en interne sous lappellation Comptes Courants Postaux
(CCP). Ces comptes courants, non rmunrs, reprsentent environ un tiers de son passif,
soit approximativement 45 milliard deuros actuellement. Cette banque nest toutefois pas
reprsentative de la plupart des autres tablissements de crdit franais dans la mesure o
elle totalise un nombre bien plus lev de dpts de clientle que la majorit dentre eux.
Cette spcicit lui permet de prter massivement sur le march interbancaire.
1.2 Objectifs
La gestion ALM a pour objectif destimer et de piloter lquilibre entre les emplois et
les ressources au regard de la politique de risque souscrite par ltablissement. Les risques
les plus pris en compte dans son pilotage sont le risque de liquidit et les risques de taux
(intrts, change, ination), qui demeurent trs lis.
Cette gestion passe dabord par une analyse rgulire de la situation du bilan et de son
volution probable. Ainsi, la mesure des besoins et des excdents de liquidit aux dates
futures sinscrit dans la gestion du risque de liquidit. La mesure des dsquilibres entre les
emplois et les ressources sensibles aux mouvements dun mme taux ncessite quant elle
une couverture spcique de ce risque.
Le premier enjeu du pilotage du bilan bancaire est de viser un adossement actif/passif
dans le temps, cest- dire un quilibre entre les cash ows gnrs dans le futur par lactif et
le passif. Le second consiste dnir une politique globale permettant de garantir un rsultat
prenne et de lisser la rentabilit dans le temps pour saranchir des eets de cycle. Ceci est
ralis essentiellement au moyen de couvertures nancires contre les mouvements de taux.
Lutilisation de produits drivs revt ainsi un caractre indispensable.
Le pilotage ALM implique de pouvoir observer le comportement nancier de la clientle
et de proposer des modles dvolution de ce dernier. Par ailleurs, il ncessite de travailler
en coordination avec le dpartement charg de la politique marketing dans la mesure o le
comportement clientle modlis est fortement li aux stratgies commerciales et marketing
proposes.
La gestion ALM sappuie donc la fois sur la modlisation statistique des comportements
de la clientle et sur les direntes mthodes de couverture sur les marchs nanciers : les
modles de prvision retenus permettent de dnir des stratgies nancires dachat de titres
et de drivs sur les marchs an de se couvrir contre les risques modliss.
12
1.3 Lapproche acadmique de la problmatique : lments de bi-
bliographie
La littrature acadmique sur la gestion ALM, ou sur la modlisation du niveau de len-
cours de dpts, est relativement peu toe. Certains articles ont particulirement retenu
notre attention. Nous les prsentons succinctement ci-aprs.
Le premier dentre eux, intitul The arbitage-free valuation and hedging of demand depo-
sits and credit card loans, fut crit en 1997 par Robert A. Jarrow et Donald R. van Deventer.
Ce papier vise donner, sous certaines hypothses, la valeur actuelle de la masse totale des
dpts vue de la banque et en dduire des stratgies de couverture. Lapproche est suc-
cessivement faite en temps discret et en temps continu, de manire compltement analogue.
Nous nous contenterons ici de dcrire leur dmarche dans le cas discret.
Dans une conomie temps discret t 0, 1, ..., munie dune ltration naturelle F
t
, les
auteurs font lhypothse dun march segment : les individus, comme les banques, ont accs
un march de titres du Trsor, mais seules les banques peuvent crer des comptes courants
(sur lesquels les individus peuvent placer des dpts). Lencours en t de lensemble des dpts
de la banque est not D(t). Le march du Trsor est suppos parfait
2
et complet
3
. Sur ce
march sont changs un titre cash sans risque de valeur B(t) en t et des zros-coupons.
Le prix la date t dun zro-coupon payant 1$ en T est not P(t, T) avec
r(t)=
1
P(t, t + 1)
1
le taux dintrt spot. Sous lhypothse dabsence dopportunits darbitrage, les auteurs
dduisent lexistence dune unique probabilit risque-neutre Q quivalente la probabilit
historique sous laquelle les zros-coupons crits dans le numraire cash sont des martingales,
soit
P(t, T)=E
Q
_
P(t + 1, T)
1 +r(t)
[F
t
_
=B(t)E
Q
_
1
B(T)
[F
t
_
Les dpts vue sont quant eux rmunrs au taux instantan i(t), cest--dire quun
dollar vers en t sur le compte est rmunr par la banque 1 +i(t) dollars la date t +1. Les
individus ne pouvant pas arbitrer, i(t) r(t) pour tout t. Lingalit stricte est autorise car
les auteurs laissent la possibilit dopportunits darbitrage par les tablissements de crdit.
Sous ces hypothses, et en considrant que D(t) et i(t) sont adapts F
t
, Jarrow et van
Deventer crivent la valeur actuelle nette en 0 des dpts vue de la banque comme tant
gale
V
D
(0)=E
Q
_
1

t=0
D(t)(r(t) i(t))
B(t + 1)
_
Il sagit de lesprance sous la probabilit risque-neutre de la somme actualise des ux fu-
turs aectant les dpts. Les auteurs linterprtent comme la valeur dun swap vanille de
taux durant priodes, recevant le taux variable r(t) et payant le taux variable i(t), de
nominal variable D(t) en t. Ils en dduisent la couverture de lencours, consistant inves-
tir D(0) (lencours initial) en zros-coupons P(0, 1) et vendre le swap reprsent par V
D
(0).
2
Les actifs sont divisibles linni, le march est inniment liquide, il ny a pas de cots de transaction
ni de dividendes, les ventes dcouvert sont autorises sans pnalits ni contraintes et les taux de prt et
demprunt sont les mmes
3
Tout ux en est atteignable par un portefeuille autonanant admissible
13
Pour mener terme les calculs, les auteurs proposent plusieurs modles pour D(t) et i(t).
Citons notamment D(t)=a+br(t) ou ln(D(t))ln(D(t1))=a+br(t)+ct+d(r(t)r(t1))
o le temps est cens tre un proxy de variables macroconomiques pertinentes. En temps
continu, larticle propose dutiliser pour le taux spot r(t) le modle de Vasicek et dexpliquer la
variation de lencours par le niveau des taux courts selon dln(D(t))=(a+br(t)+ct)dt+edr(t).
Dans ces conditions, le logarithme de lencours est donc une diusion. Nous reviendrons sur
ce dernier point ultrieurement.
Datant de 2009, larticle Hedging interest rate margins on demand deposits dAlexandre
Adam, Mohamed Houkari et Jean-Paul Laurent propose, quant lui, une approche dite en
couru. Ils ne considrent donc pas la valeur actuelle nette de lencours mais directement
la marge de taux dintrt gnre par la banque, priode aprs priode. Celle-ci est dnie
comme la dirence entre le taux dintrt auquel la banque prte et le taux quelle verse
sur les dpts. Lapproche est en temps continu. Les auteurs de larticle modlisent le taux
LIBOR forward L
t
:=L(t, T, T + T) la date t, prvalant sur lintervalle [T, T +T], par
lquation direntielle stochastique
dL
t
= L
t
(
L
dt +
L
dW
L
(t))
avec
L
et
L
constants. Lencours de dpts la date t, K
t
, est suppos suivre la dynamique
dK
t
= K
t
(
K
dt +
K
d

W
K
(t))
avec
K
et
K
galement constants. Leur ide est galement de crer une dpendance entre
le niveau dencours et le niveau des taux. Ils supposent donc, en sinspirant dun article de
Kalkbrener et Willing de 2004, que
d

W
K
(t) = dW
L
(t) +
_
1
2
dW
K
(t)
o W
K
est un mouvement brownien orthogonal W
L
, W
K
tant cens reprsenter dautres
sources de risques indpendantes des mouvements de la courbe des taux. Le taux vers sur
les dpts est modlis par une fonction ane du taux sur le march, soit g(L
t
) = + L
t
.
Dans ces conditions, la marge de taux dintrt sur la priode [T, T +T] est dnie par
IRM
g
(K
T
, L
T
)=TK
T
(L
T
g(L
T
))
Par la suite, les auteurs considrent des stratgies de couverture qui consistent signer des
contrats terme de gr gr appels FRA (pour Forward Rate Agreements). Ces derniers
conduisent la famille de pay-os (L
0
L
T
), R. Par extension, ils dnissent les
stratgies admissibles comme les intgrales stochastiques relativement au processus dIt L
t
,
soit
_
_
T
0

t
dL
t
, (
t
)
0tT
adapt
_
Les auteurs rsolvent alors le problme de minimisation de la variance de la marge de taux
dintrt sous contrainte desprance. Aprs calcul, ils en dduisent les stratgies optimales
statiques, puis dynamiques, par des mthodes de contrle stochastique.
Citons pour terminer larticle de thse de Tanja Eronen intitul Non-maturity Deposit
Valuation and Hedging datant de 2008. Il ore un panorama relativement complet de la litt-
rature existante sur le sujet et discute certaines hypothses faites dans les modles proposs.
Il voque en outre plusieurs mthodes et outils de couverture pour la gestion ALM : les oors
(de taux dintrt) ainsi que dirents swaps de taux.
14
2 Dmarche du projet
Notre tude se divise en deux parties.
Elle commence par la modlisation de lvolution future de lencours des dpts vue.
Notre approche consistera dans un premier temps rgresser cette masse des encours ainsi
que ses variations (ou une fonction de celles-ci) sur des variables macroconomiques telles
que le Produit Intrieur Brut, lination ou encore le niveau des taux courts. Nous utiliserons
pour cela les donnes de lencours de La Banque Postale sur les dernires annes. Lenjeu
de cette premire tape est danalyser la sensibilit du niveau des dpts des grandeurs
globales, avant de nous consacrer une modlisation plus ne de celui-ci. La dmarche
consistant relier directement lencours bancaire (ou ses variations) au niveau des taux,
dans un cadre de sries temporelles, a t largement employe dans le pass, notamment par
Jarrow et van Deventer comme nous lavons prcis. Elle a galement t reprise par Eronen.
Nous pourrons confronter cette modlisation ad hoc aux donnes historiques de La Banque
Postale
Dans un second temps, nous dnirons un cadre thorique plus complet qui constitue
linnovation majeure de cette tude et en est sa principale motivation. Il est fond sur lide
que notre capacit prdictive dvolution de lencours est beaucoup plus forte lorsque nous
nous basons sur la structure par ge des clients et que nous nous focalisons sur un segment de
clientle particulier. Ainsi, en dcoupant le portefeuille de clients de la banque puis en tenant
compte des comportements caractristiques chaque groupe plus homogne ainsi form, on
espre augmenter notre pouvoir explicatif sur lvolution de la masse des encours (partiels
puis global par agrgation). En outre, cette approche a lavantage de permettre une analyse
plus ne du comportement des clients dans chaque segment et donc daider la dnition de
politiques commerciales plus optimales adresses chacun dentre eux. Cette approche n-
cessitera la mise en place dun modle mathmatique et dhypothses sous-jacentes, qui sont
exposs en dtail dans la partie ddie. Pour infrer la distribution statistique de variables
lies lencours clientle, nous eectuerons des simulations Monte-Carlo sous divers choix
de paramtres. Le principal enjeu de cette modlisation est de dterminer la sensibilit de la
dynamique de lencours ces derniers.
La dernire partie de ce projet est le volet nancier, qui consiste exploiter les rsultats de
la premire partie pour dnir des stratgies de placement plus optimales. Il sagira en premier
lieu de modliser lvolution de la courbe des taux sur les marchs nanciers. En croisant
cette modlisation avec celle de lvolution du niveau dencours, nous serons en mesure de
projeter les intrts gnrs par les dpts dans le cadre dune politique de placement prcise.
Ils seront fonction du volume dencours disponible, de lallocation de cette ressource entre
les placements potentiels et du niveau des taux dintrts chaque date. La marge de taux
dintrts a dj t voque ; nous rappelons quelle sidentie simplement la dirence
entre le taux de placement de la banque (ce quelle gagne) et le taux de rmunration des
dpts (ce quelle distribue ses clients). Lobjectif sera ensuite de couvrir cette marge, cest-
-dire de linsensibiliser le plus possible aux uctuations de taux et de niveau dencours, sous
contrainte toutefois de pouvoir faire face un stress de liquidit. Nous analyserons lecacit
de direntes stratgies de placement, en recherchant celle(s) garantissant une marge nette la
moins volatile possible et une prise de risque de liquidit limite. Cette approche correspond
une vision plus prenne de lactivit, qui semploie saranchir des eets de cycle sans
pour autant mettre en pril la sant nancire de ltablissement. Ceci nous permettra de
proposer des stratgies de pilotage ALM.
15
Deuxime partie
Modlisation de lvolution du niveau
dencours
3 Observations empiriques et orientation de la dmarche
3.1 Analyse du niveau dencours historique
Une observation de lvolution de lencours global
4
des CCP la Banque Postale appelle
plusieurs remarques qualitatives. Nous avons trac ci-dessous lvolution de cette grandeur
sur la priode 1994-2010. Les relevs sont mensuels, avec interpolation ane.
Fig. 1 volution historique des CCP
On constate dj une tendance nette de croissance de la masse des dpts. Les mesures
tant mensuelles, le graphe ici capture en fait la dynamique globale des encours. En ralit,
une tude de cette quantit une chelle plus ne rvlerait des saisonnalits infra-mensuelles
intimement lies la priode tudie, dun ordre de grandeur de deux cinq milliards deuros.
Les ux importants reprsents par le versement des salaires (en n de mois), des allocations
sociales ou encore des retraites en sont essentiellement lorigine. Dans la cadre de cette tude,
nous nous restreindrons la partie dite stable de lencours, cest--dire celle reprsente
sur le graphique ci-dessus.
Ainsi, bien que les dpts soient vue, et donc, en thorie, sans maturit, on observe
une forme de stabilit remarquable de lencours, qui ne svapore jamais. Cette dernire
remarque permet dinvestir sur des actifs nanciers les liquidits collectes en considrant
que les dpts ont une certaine dure de vie moyenne eective. En pratique, cette dernire
est considre comme tant de lordre de cinq ans. Les banques savent ainsi que les dpts
4
Nous dsignons par cette expression la somme des dpts correspondant tous les comptes courants
ouverts dans ltablissement
16
vue restent relativement lontemps en base. Toutefois, prcisons ici que La Banque Pos-
tale ( titre dexemple, mais la remarque est vraisemblablement pertinente pour les autres
tablissements de crdit) ne la jamais mesur prcisment. En outre, lencours total est
continuellement pollu par la production nouvelle (arrives de clients). Les dirents eets
(arrives, sorties...) nayant jamais t isols, on observe lvolution de lagrgat sans pouvoir
connatre ce qui se passe aux chelles infrieures. Notre modle permettra de dnir une
forme de benchmark prcis pour lapprhender plus nement.
Partant de ce graphe, deux approches ALM sont envisageables.
La premire correspond une vision surnomme mort du bilan, dans laquelle la banque
arrte toutes ses commercialisations de produits. Cette approche consiste modliser le
vieillissement du stock existant sans aucune nouvelle arrive extrieure. On y tudie lvapo-
ration progressive de la masse des encours dans le temps, conscutive aux dparts des clients
actuels (volontaires, vers la concurrence, ou par dcs). Ltablissement de crdit adopte
alors une forme de convention dcoulement pour dcrire ce vieillissement, qui va condition-
ner sa stratgie dachat de titres. Quatre scnarios possibles de cette mort du bilan sont
reprsents ci-aprs. Les courbes orange, jaune et mauve correspondent respectivement une
dcroissance linaire, une dcroissance linaire aprs un premier choc, et une dcroissance
de type exponentiel ou hyperbolique qui ralentit progressivement. Ladoption dun scna-
rio plus brutal, avec un coulement plus rapide, correspond bien videmment une vision
plus prudente. Les banques adoptent en gnral une convention dcoulement standard parmi
lune de ces formes. Lide est de retenir un scnario de crise dans lequel lvolution est re-
lativement simple, typiquement une diminution brutale de 10% (choc initial) suivie dune
dcroissance linaire jusqu une chance T (10 ans, 15 ans...) o tout le stock aura disparu.
Le modle dvelopp dans ce mmoire permettra a priori des modlisations de mort du bilan
plus ralistes correspondant une volution plus stochastique (se rapprochant de lvolu-
tion historique), tel que cela est suggr par la courbe rouge. Ceci permettra de modier la
convention dcoulement et par consquent les stratgies dachat de titres. titre dexemple,
si la convention standard (dcroissance linaire sur T annes) savre trop pessimiste, nous
pourrons optimiser les placements en investissant sur des titres de maturit plus longue aux
taux de rendement plus levs.
Fig. 2 Scnarios dvaporation de la masse des encours de CCP
La seconde approche est quant elle associe une vision dite dynamique. Ceci passe
non seulement par la modlisation du vieillissement du stock existant mais galement par la
modlisation dune production nouvelle correspondant aux arrives progressives de nouveaux
17
clients. Dans cette vision, on opre une projection de lencours des dpts vue de la banque
dans le futur.
Fig. 3 Dynamique future de la masse des encours de CCP
Lide est de calculer (ou dfaut destimer) la distribution statistique du niveau dencours
dirents horizons. Nous pourrons en dduire des intervalles de conance thoriques (ou
empiriques) de la grandeur considre, aux direntes dates.
Cette modlisation constituera le coeur de ce projet.
3.2 Motivation de lapproche retenue
Comme nous lavons expliqu, nous souhaitons avant tout dvelopper une nouvelle ap-
proche de modlisation des encours. Nous allons exposer ici la raison qui nous a amens
rejeter les modles que nous avons consults dans la littrature acadmique.
Nous observons que dans lensemble des articles que nous avons lus sur le sujet, les auteurs
considrent que lencours bancaire suit une dynamique trs (trop) simple. En temps discret,
leur dmarche consiste gnralement lcrire comme une fonction dterministe du temps,
du Produit Intrieur Brut et/ou des taux courts. Lide est de le dcrire comme une fonction
croissante du temps et de la richesse nationale et comme une fonction dcroissante du niveau
des taux (en raison de lattrait supplmentaire induit pour les livrets rmunrs). Lorsque
les auteurs raisonnent en temps continu, ils supposent gnralement que le niveau
t
des
dpts de la banque est une diusion. Autrement dit, ils considrent que
t
est solution
dune quation direntielle stochastique (EDS) du type
d
t
=
t
(dt +dW
t
)
avec > 0 constant et constant. Cest notamment ce que suggrent les auteurs sus-cits
(Jarrow et van Deventer ainsi que Adam, Houkari et Laurent).
Notre conviction est que, dans un cas comme dans lautre, la modlisation sous-jacente
nest absolument pas pertinente pour lencours bancaire. Le plus gros reproche que nous
faisons ces deux approches est leur pauvret explicative. En eet, lensemble de la dy-
namique des dpts est rsum dans un cas par les variations des taux ou du PIB et dans
lautre par deux paramtres exognes ( savoir le drift et la volatilit ). Il est intuitive-
ment improbable quun si petit nombre de paramtres ou de facteurs puisse expliquer une
dynamique aussi complexe que celle de lencours des dpts vue. Le premier cas correspond
une approche typiquement macroconomique et ignore totalement les aspects microcono-
miques, dmographiques et comportementaux sous-jacents dans la dynamique des dpts.
18
Pour illustrer notre propos, on peut remarquer quil pose implicitement une volution iden-
tique pour toutes les banques quelle que soit leur structure actuelle. Or il apparat plausible
de considrer que les encours des comptes courants dune banque en ligne, fonde il y a dix
ans, et dune banque implante historiquement depuis des dcennies, possdant une clientle
dun ge avanc, soient amens voluer diremment dans le futur. De mme, les caract-
ristiques dmographiques du pays dimplantation de ltablissement, qui apparaissent aussi
comme des lments dterminants, sont totalement ignors. Par exemple, une baisse impor-
tante de la mortalit dans un pays donn suggre une croissance notablement suprieure de
lencours des banques prsentes dans ce pays, au moins sur le moyen-long terme. Les mmes
remarques valent pour le modle de diusion de type Black-Scholes, qui est certes adapt
pour des variations de cours de titre ou de taux, mais dont la pertinence ici est plus que
discutable. Nous critiquons donc ce choix, probablement inuenc par une certaine culture
du pricing et de la nance quantitative, consistant adopter pour le processus de lencours
des dpts vue une volution similaire celui dun taux de change ou du cours du ptrole.
Les processus sous-jacents sont en eet totalement dirents ! En outre, tout le pouvoir ex-
plicatif de ce dernier modle rside dans une unique variable alatoire, savoir
t
lui-mme.
La diusion cre par ailleurs une volution trs erratique et peut gnrer des trajectoires
paraissant intuitivement trs invraisemblables
5
(fortes variations locales, dcroissance vers 0
puis remonte importante. . .).
De notre point de vue, les approches prsentes fournissent ainsi intrinsquement des mo-
dlisations du comportement de lencours trs irralistes. Les dirents exemples invoqus
ci-dessus prouvent que celui-ci est intimement li des donnes conomiques (notamment
lination) et dmographiques ainsi qu la structure de la base de clientle actuelle ou au
comportement des clients. Ce dernier varie dailleurs selon toute vraisemblance avec leur ge
et leurs caractristiques propres.
Nous proposons ds lors dadopter une dmarche plus conomtrique. Nous reprendrons
dans un premier temps lapproche macroconomique suggre dans les articles an de nous
faire une premire ide du lien entre lencours et certaines variables globales. Nous la-
nerons ensuite en construisant un cadre thorique fond sur la segmentation du portefeuille
de clientle et intgrant des facteurs dmographiques et comportementaux.
4 Lapproche macroconomique
4.1 Principe et choix des variables explicatives
Nous allons chercher ici rgresser la masse des encours
t
(ou une fonction de celle-ci)
sur des variables macroconomiques pertinentes. Par exemple, il est gnralement admis que
le niveau des taux courts inuence fortement
t
. Lide derrire cette constatation empirique
est que, lors des priodes fort taux dintrt sur les marchs, les personnes investissent plus
de liquidits sur des produits rmunrs, tels que le livret A.
Ainsi, nous avons vu par exemple que Jarrow et van Deventer proposaient lquation
ln(
t
) ln(
t1
)=a +br(t) +ct +d(r(t) r(t 1))
qui relie les accroissements de lencours celui des taux courts. Ils y reconnaissent toutefois
que la dynamique de la masse des dpts est pilote par dautres facteurs, do le terme
5
On peut se demander si lobservation de la trajectoire historique de lencours des CCP de La Banque
Postale permet de se prononcer sur la validit de lhypothse dvolution selon d
t
=
t
(dt + dW
t
) et
notamment de linrmer. Cela est lobjet dune brve discussion mene en annexe A
19
linaire en t. Le temps est cens tre ici une approximation des autres variables macrocono-
miques non incluses dans le modle.
En 2000, James M. OBrien a, quant lui, propos dintgrer le revenu national dans les
variables explicatives en crivant : ln(
t
) ln(
t1
) =a + b(r(t) i(t)) + cln(Y (t)) + (t)
avec E((t)) =0 pour tout t, o i(t) est le taux de rmunration du dpt et Y (t) le Produit
Intrieur Brut (PIB) la date t. Notons au passage que lconomiste reconnat ici indirecte-
ment la complexit de lvolution des dpts en rajoutant un terme correctif derreur cens
reprsenter un ala non reli aux variables macroconomiques.
Dans le cadre de cette tude, nous avons retenu plusieurs variables explicatives pour
mener nos rgressions linaires simples et multivaries :
lination hors tabac : elle reprsente implicitement le cot de la vie et les variations
de volume des agrgats montaires ;
le PIB : il capture la vitesse de croissance de lconomie, que lon peut lgitimement
corrler la richesse des mnages et donc au niveau de leurs dpts vue ;
le niveau des taux courts (taux Pibor 3 mois) : on sattend ce quil soit corrl
ngativement au niveau des encours non rmunrs ;
le niveau des taux longs (taux des emprunts dtat 10 ans).
Notre plage de donnes stend de janvier 1994 dcembre 2010. Le pas de temps est
mensuel, hormis pour certaines variables (comme le PIB) pour lesquelles les donnes sont
trimestrielles. Le logiciel statistique utilis est SAS.
4.2 Rsultats
En ce qui concerne les rgressions simples, les variables macroconomiques (PIB, ination)
se sont avres tre de trs bonnes variables explicatives pour le niveau dencours, avec des
coecients de dtermination de lordre de 95%. A contrario, la rgression de lencours global
sur le niveau des taux, que lon prenne les taux courts ou les taux longs, na donn que
des rsultats mdiocres. Pour tenir compte de dcalages ventuels entre les mouvements des
direntes variables, nous avons donc tent de rgresser lencours sur les taux passs (en
intgrant un retard variable) ainsi que sur leurs variations dans le pass proche (comme le
suggrent Jarrow et van Deventer). Aucune de ces tentatives na toutefois permis de dceler
une telle relation. Ainsi, de manire assez surprenante, les rgressions que nous avons menes
sur lvolution historique de lencours des comptes courants La Banque Postale ne nous ont
pas permis de relever un lien avr entre celui-ci (ou ses variations) et les mouvements de
taux sur les marchs. Pour tenter de capter linuence ventuelle des taux un ordre plus
lev, nous avons donc dat lencours (ou nous lavons divis par le PIB) puis nous avons
tent de mener une rgression de cette nouvelle variable (ou de son logarithme) sur le niveau
des taux. Toutefois, les rsultats sont rests dcevants avec des coecients de dtermination
trs faibles.
Par la suite, notre dmarche a donc consist chercher une reprsentation de type AR(1)
6
sur lencours, puis sur lencours dat, en tentant de rgresser leurs variations mensuelles
soit sur le niveau des taux, soit sur les variations de ces derniers sur les priodes prcdentes.
Ces mthodes plus sophistiques nont malheureusement pas non plus permis de rsultats
probants. Les procdures de dsaisonnalisation des direntes sries chronologiques nont en
6
Pour AutoRegressive dordre 1. Il sagit de chercher une reprsentation de la variable
t

t1
, avec
R, en fonction des autres sries chronologiques. Nous avons essentiellement travaill avec =1
20
rien chang la donne, dans la mesure o la srie historique de la masse des dpts des CCP
prsente une composante saisonnire quasi-inexistante.
Ainsi, le meilleur rsultat obtenu, en tant que compromis entre qualit explicative et
parcimonie du nombre de variables de rgression, sest nalement avr tre la rgression
simple du niveau des encours sur celui de lination, correspondant un excellent coecient
de dtermination de R
2
= 0, 973 ! Nous avons trac ci-dessous la courbe correspondante.
Fig. 4 Rgression du niveau de lencours sur lination hors tabac
Lination est donc un trs bon indicateur du niveau moyen de lencours dans la banque.
Cela signie implicitement que la richesse relle dtenue par les mnages sur leur compte
courant ( vue) ne varie pas, ou trs peu, au cours du temps. Dans la mesure o les CCP ne
sont pas des produits dpargne, mais des comptes servant aux retraits quotidiens pour les
dpenses courantes (dont le montant suit par dnition exactement le niveau de lination),
un tel rsultat est relativement conforme lintuition.
4.3 Un modle pour lination
La rgression prcdente nous incite intgrer lination dans le modle mathmatique de
dynamique des encours que nous allons construire. Il nous faut donc adopter un modle pour
cette grandeur conomique. Nous allons commencer par dnir les notations et le vocabulaire
que nous utiliserons dans cette tude. Dornavant, nous appellerons ination mensuelle, ou
plus simplement ination, sur la priode [t 1, t] (o t N

dcompte le temps en mois) le

taux
t
daugmentation des prix sur cette priode. Cette variable capture localement, une
chelle mensuelle, la dynamique dvolution des prix. Nous dnissons le niveau dination
par
t
=(1 +
t
)
t1
: il mesure la tendance au cours du temps de lvolution des prix. En
particulier, le niveau dination est dni multiplication par une constante prs. Pour y
remdier, on peut donc xer son niveau une certaine date de manire arbitraire (en gnral
100). Il sidentie alors ce qui est appel Indice des Prix la Consommation (IPC). Cest
sur cette dernire variable, publie par lInstitut National de la Statistique et des tudes
conomiques (INSEE), que nous avons eectu la dernire rgression.
Nous adopterons pour lination un modle similaire celui propos par Vasiek en 1977
pour la dynamique du taux spot sans risque. Nous considrons ainsi que lination men-
21
suelle
t
suit sur un espace (, , P) - o P dsigne la probabilit historique - une quation
direntielle stochastique dOrnstein-Uhlenbeck, selon
d
t
= a (b
t
) dt +dW
t
, t R
+
avec W
t
un mouvement brownien standard unidimensionnel, dont la ltration naturelle sera
dornavant note G
t
=(W
t
, 0ut).
Le modle est spci par trois paramtres : a, b et la volatilit R

+
. Il sagit dun modle
dit de retour la moyenne car le processus
t
oscille autour de b. Ainsi, a > 0 est un paramtre
dchelle qui mesure la vitesse de rappel vers b du processus
t
.
Cette quation direntielle stochastique se rsout explicitement par

t
=
0
e
at
+b
_
1 e
at
_
+
_
t
0
e
a(ts)
dW
s
(1)
On a mme plus gnralement pour 0t
1
t
2

t
2
=
t
1
e
a(t
2
t
1
)
+b
_
1 e
a(t
2
t
1
)
_
+
_
t
2
t
1
e
a(t
2
s)
dW
s
(2)
Par le thorme disomtrie des intgrales stochastiques, lintgrale de Wiener du membre de
droite dans (1) est une variable gaussienne centre de variance
2
_
t
0
e
2a(ts)
ds =

2
2a
_
1 e
2at
_
.
Par consquent

t
N
_

0
e
at
+b
_
1 e
at
_
,

2
2a
_
1 e
2at
_
_
En particulier, E
P
(
t
) =
0
e
at
+ b (1 e
at
) et V
P
(
t
) =

2
2a
_
1 e
2at
_
, qui convergent
respectivement lorsque t + vers b et

2
2a
7
.
Par ailleurs, lindpendance des accroissements du brownien, combine lexpression (2),
permet darmer que la loi conditionnelle de
t
sachant
t1
est la gaussienne
N
_

t1
e
a
+b
_
1 e
a
_
,

2
2a
_
1 e
2a
_
_
Cette remarque est de premire importance pour la simulation informatique de lination.
En eet, mme si sa dynamique est dcrite ici de manire continue, nous la considrerons
uniquement des instants discrets (t =0, 1, 2, ...). Ainsi, partant de
0
, il sura de gnrer des
lois normales successives, dont les paramtres dpendent du niveau prcdent de lination,
pour obtenir de proche en proche une trajectoire de cette dernire.
titre illustratif, nous avons simul puis trac ci-aprs deux trajectoires pour un quadru-
plet de paramtres identiques (a, b, ,
0
) =(0.2, 0.002, 0.0002, 0.002) sur un horizon h = 180
mois, correspondant 15 ans. Sachant que lobjectif annonc de la Banque Centrale Eu-
ropenne est une ination annuelle 2%, le choix des paramtres sest eectu a priori en
cherchant revenir en moyenne vers une valeur dination mensuelle quivalente. Nous avons
fait gurer entre parenthses sur laxe des ordonnes, ct de chaque niveau dination
mensuelle, le taux dination annuel quivalent, dni par (1 +)
12
1. Il sagit du taux
dination annuel ralis si
t
= tout au long de lanne.
7
On peut en fait montrer que dans ces conditions, le processus
t
converge en loi quand t + vers un
processus stationnaire de loi normale N
_
b,

2
2a
_
22
Il convient de remarquer que des trajectoires avec des priodes dationnistes, bien que
narrivant que trs rarement, sont galement permises par ce modle (pour la simple raison
que P(r
t
<0) > 0 pour tout t).
Ce modle sur lination sera utilis pour simuler des trajectoires dvolution de lencours.
Nous reviendrons plus en dtail sur ce point dans la section ddie.
5 Lapproche probabiliste interne
Cette section vise conduire une analyse plus dtaille de lvolution des encours an
daner la prvision. La vision que nous adoptons ici nest donc plus globale, mais revt au
contraire un caractre microconomique.
5.1 La segmentation clientle
La clientle de la banque prsente une forte htrognit selon plusieurs critres. Elle peut
donc tre stratie, an de dnir direntes catgories homognes auxquelles correspondent
des encours partiels. Les critres de classication envisageables sont par exemple le niveau
de revenu, la surface nancire (cest--dire le niveau de patrimoine plac dans la banque), le
nombre de produits contracts, la catgorie socio-professionnelle ou encore lanciennet dans
ltablissement. Ces strates peuvent ensuite tre croises avec les ges pour obtenir des cellules
de clientle. Lintrt attendu de cette segmentation de la base de clients est damliorer notre
capacit prdictive des encours en tenant compte des comportements propres chaque cellule
ainsi dnie. titre dexemple, le pouvoir dachat du client est un indicateur de la stabilit
de son encours personnel. En eet, les personnes haut revenu prsentent des mouvements
sur leurs comptes plus importants et plus imprvisibles et sont plus susceptibles de quitter
ltablissement que les clients ayant un revenu modeste, car ils cherchent plus optimiser leurs
placements : ils sont plus volatiles et leur probabilit de sortie est plus leve. De mme,
la probabilit annuelle de clotre dun compte est beaucoup plus faible dans la premire
anne quau bout de cinq ans danciennet. Enn, les personnes ges ont galement un
comportement plus stable et donc plus prdictible que les jeunes, ce qui a son importance
compte tenu du fait quils dtiennent en gnral des encours plus levs.
23
5.2 Modlisation de la dynamique des encours
5.2.1 Notations
Le portefeuille de clientle de ltablissement bancaire est ventil par strates et par ges.
Les strates, en nombre s, seront dsignes par lindice i =1, 2, ..., s. Typiquement, nous
aurons 3 s 8. Les ges seront, quant eux, indics par j = , ..., o et
dsignent les ges limites retenus. Ainsi, est lge minimum lgal pour obtenir un compte
tandis que correspond lge maximum pour un client de la banque, dont la probabilit
de sortie dans lanne est gale 1. Cette segmentation correspond donc [[ [[ cellules
de clientle, chacune dentre elles tant indice par un couple (i, j) . Le temps est
indic par t N, linstant 0 correspondant aujourdhui. Le pas de temps peut tre mensuel,
trimestriel ou annuel. Dans le cadre de cette tude, nous le dcompterons mensuellement.
Comme dans lapproche macroconomique prcdente, lencours total des dpts vue la
date t de la banque est not
t
. Lencours des clients appartenant la strate i et lencours
des clients dge j cette mme date sont nots respectivement
(i,:),t
et
(:,j),t
. Enn,
lencours dtenu par les clients de la strate i et dge j, correspondant la cellule de clientle
(i, j), est spci de manire analogue par la variable
(i,j),t
. En particulier, pour toute date
t N,

t
=
s

i=1

(i,:),t
=

j=

(:,j),t
Comme par ailleurs i ,
(i,:),t
=

j=

(i,j),t
, on obtient chaque date t N

t
=
s

i=1

j=

(i,j),t
comme ventilation de lencours global des comptes courants en ses composantes par cellule
de clientle.
Le nombre de clients dtenteurs de ces dpts vue une date t, not
t
, est de manire
analogue ventil par strate, par ge et par cellule, avec les notations respectives
(i,:),t
,
(:,j),t
et
(i,j),t
. On a donc pour tout t N,

t
=
s

i=1

(i,:),t
=

j=

(:,j),t
et i ,
(i,:),t
=

j=

(i,j),t
soit

t
=
s

i=1

j=

(i,j),t
Les encours client moyens au niveau de la banque, de la strate i, de lge j et de la cellule
(i, j) sont respectivements nots
t
,
(i,:),t
,
(:,j),t
et
(i,j) t
. Ils sont dnis par la somme
dargent moyenne dtenue par chaque client lchelle considre, soit

t
=

t

t
,
(i,:),t
=

(i,:),t

(i,:),t
,
(:,j),t
=

(:,j),t

(:,j),t
et
(i,j),t
=

(i,j),t

(i,j),t
An dobtenir des critures plus condenses, nous introduisons des grandeurs vectorielles
correspondant ces direntes variables.
24
Pour tout t N, nous dnissons

t
=
_
_
_
_

1,t

2,t
. . .

s,t
_
_
_
_
N
||||
avec
i,t
=
_
_
_
_

(i,),t

(i,+1),t
. . .

(i,),t
_
_
_
_
N
||
, i
De mme, nous posons

t
=
_
_
_
_

1,t

2,t
. . .

s,t
_
_
_
_
R
||||
avec
i,t
=
_
_
_
_

(i,),t

(i,+1),t
. . .

(i,),t
_
_
_
_
R
||
, i
On remarque alors que lencours partiel de la strate i et que lencours global de la banque
la date t sexpriment respectivement par

(i,:),t
=
i,t
[
i,t
) et
t
=
s

i=1

(i,:),t
=
t
[
t
)
o .[.) dsigne le produit scalaire euclidien usuel.
Nous nous intressons notamment la structure par terme des dirents encours, cest-
-dire leur volution en fonction de lhorizon h de prvision. Il nous faut donc typiquement
prvoir les lois de probabilits des variables alatoires
i,t+h
et
t+h
, pour h1, 2, ..., 10.
La segmentation opre, en plus daner la prvision, permettra destimer la valeur des
direntes strates du point de vue de la banque de dtail.
5.2.2 Dynamique des clients au sein de la banque
Les clients de la banque, un instant t, sont mobiles. Ainsi, un client particulier peut, au
pas de temps suivant, avoir intgr une nouvelle strate ou mme avoir quitt la banque (par
dcision volontaire ou par dcs). Partant dune rpartition initiale
0
, on suppose que chacun
des
0
=|
0
|
1
clients volue selon un processus identique, mais indpendamment de
tous les autres. Dcrivons ce processus.
Un client appartenant la cellule (i, j) la date t (cest--dire appartenant la strate i
et dge j) se retrouvera en t +1 dans lune des s strates de la banque, avec un ge qui aura
videmment augment mcaniquement de un, ou aura quitt ltablissement. Il sera donc
intgr dans lune des cellules (l, j + 1), l ou ne sera plus client.
Plus prcisment, on note
(i,j)
k
le taux de transition dun client appartenant la cellule
(i, j) vers la cellule (k, j + 1), k et o
(i,j)
son taux de sortie toute date. Cela signie
quun client dans la cellule (i, j), une date quelconque, a une probabilit
(i,j)
k
dtre dans
la cellule (k, j + 1) et une probabilit o
(i,j)
davoir quitt ltablissement la date suivante.
On a donc lidentit
s

k=1

(i,j)
k
+o
(i,j)
= 1 pour tout (i, j)
Il pourrait tre envisag dintroduire des probabilits de transition voluant au cours du
temps. Toutefois, nous avons considr que cela nintroduisait quun intrt limit rapport
la forte complexit supplmentaire que cela aurait induit. En outre, il apparat plausible
que de telles probabilits de transition restent trs stables, indpendantes de la dmographie
25
future du pays par exemple.
La dynamique des clients au sein de ltablissement est rsume dans le schma suivant :
Par ailleurs, pour prendre en compte larrive de nouveaux clients dans la banque tudie,
nous introduisons des processus dentre
(i,j),t
, ((i, j), t) N

. La variable alatoire

(i,j),t
valeurs dans N reprsente le nombre de nouveaux clients arrivs dans la banque
entre les instants t 1 et t et ayant plus prcisment incorpor la cellule clientle (i, j). An
de garder une modlisation susamment riche pouvant intgrer des eets dmographiques,
nous nimposons pas lhomognit dans le temps des processus darrive. Ainsi, nous serons
amens tudier des cas dans lesquels
(i,j),t
et
(i,j),t
ont des lois potentiellement direntes
pour t ,= t

. On supposera en revanche, et linstar de ceux de transition, que les processus

darrive sont indpendants les uns des autres. Nous pouvons donc crire
(((i, j), t), (i

, j

), t

)) ( N

)
2
, ((i, j), t) ,= ((i

, j

), t

)
(i,j),t
et
(i

,j

),t
indpendantes
5.2.3 Dynamique de lencours client moyen par cellule
Nous nous rfrons ici au rsultat de la partie prcdente dans lequel lination stait
rvle tre lindicateur essentiel du niveau de lagrgat des encours lchelle de la banque.
Dune manire analogue, il est lgitime de supposer que lencours client moyen par cellule
(i, j) suit la mme volution. Il sagit nouveau, conformment lintuition, darmer que
la richesse relle moyenne dtenue sur le compte courant par les clients dun certain ge
j et dune strate prcise (retant leur surface nancire ou le nombre de produits quils
dtiennent...) est a priori une grandeur trs stable dans le temps. Finalement, on sattend
ce que la variable
(i,j),t
capte la dynamique inationniste et sexprime en premire ap-
proximation comme une fonction de celle-ci. Nous supposerons donc que lencours moyen par
cellule
(i,j),t
, chaque date t 1, est une fonction dterministe du niveau de lination
t
26
sur la priode [0, t] : ceci est ralis en reliant lvolution de
(i,j),t
sur la priode [t 1, t]
lination mensuelle correspondante
t
par lopration simple suivante :

t
= (1 +
t
)
t1
pour 1 t h, o h N

(en mois) est lhorizon dtude. En revanche,

t
(et
t
) pourront
tre alatoires.
5.2.4 Le modle probabiliste et ses hypothses
Nous dtaillons dans cette section toutes les hypothses mathmatiques du modle intro-
duit ci-dessus. Rappelons que les strates, en nombre s, sont dsignes par lindice
i =1, 2, ..., s et que les ges sont, quant eux, indics par j =, ..., o et
dsignent les ges limites retenus.
Cette segmentation dnit [[ [[ cellules de clientle, chacune dentre elles tant indice par
un couple (i, j). Le temps est dcompt mensuellement et indic par t N, linstant 0
correspondant aujourdhui.
On considre sur lespace probabilis (, , P) trois familles dnombrables de variables ala-
toires :

(i,j),t
_
indice par ((i, j), t) N. La variable
(i,j),t
, valeurs dans R,
reprsente lencours client moyen de la cellule (i, j) la date t ;

(i,j),t,l
_
indice par ((i, j), t, l) N

. Lide est de numroter chaque

date les clients prsents dans chaque cellule ; on note alors
(i,j),t,l
la variable alatoire,
valeurs dans o, qui associe au client numro l de la cellule (i, j) la date t 1
lendroit o il sera la date suivante t (un indice k de sil reste dans la banque et
intgre la cellule (k, j + 1) et o sil quitte ltablissement) ;

(i,j),t
_
indice par ((i, j), t) N

. La variable
(i,j),t
, valeurs dans N,
reprsente le nombre darrives depuis lextrieur dans la cellule (i, j) entre t 1 et t.
Il sagit donc du nombre de nouveaux clients arrivs en t dans cette cellule.
On note (H
t
)
tN
la ltration canonique associe ces trois familles de variables alatoires et
(M
t
)
tN
celle associe aux deux dernires
8
, qui concernent les mouvements de clients.
Par dnition, H
0
=M
0
= , et pour tout t N

,
H
t
=
_
_

(i,j),u
_
(i,j)
,
_

(i,j),u
_
(i,j)
,
_

(i,j),u,l
_
((i,j),l)N

, 0 u t
_
M
t
=
_
_

(i,j),u
_
(i,j)
,
_

(i,j),u,l
_
((i,j),l)N

, 0 u t
_
Remarquons ici que les variables
_

(i,j),0
_
sont H
0
-mesurables (elles sont connues aujour-
dhui et assimiles des constantes).
Ces familles constituent les briques lmentaires partir desquelles est construit tout le
modle. Le but est de dnir (par rcurrence) deux nouvelle familles de variables alatoires
_

(i,j),t
_
et
_

(i,j),t
_
indices par ((i, j), t)N modlisant respectivement le nombre
de clients dans la cellule (i, j) la date t et lencours des dpts vue des clients de cette
cellule la mme date. Remarquons quelles seront lies par
t N,
(i,j),t
=
(i,j),t

(i,j),t
8
Nous verrons lutilit de ce dcoupage dans les hypothses sous-jacentes au modle
27
et que les variables
_

(i,j),0
_
(i,j)
et
_

(i,j),0
_
(i,j)
sont considres comme des constantes.
Elles sont donc H
0
-mesurables (il sagit respectivement des nombres de clients par cellule et
des encours par cellule dans le portefeuille actuel).
On construit alors pour tout ((i, j), t) N

(i,j),t
=

(i,j),t1

l=1
1

(i,j),t,l
=o
galement valeurs dans N qui sidentie au nombre de sorties (cest--dire de clients perdus)
de la cellule (i, j) entre t 1 et t.
De mme, soit pour (k, (i, j), t) ( ( )) N

(k,j1),(i,j),t
=

(k,j1),t1

l=1
1

(k,j1),t,l
=i
le nombre de clients de la banque prsents en t 1 dans la cellule (k, j 1) et ayant migr
dans la cellule (i, j) entre t 1 et t. Dans ces conditions

(i,j),t
=
s

k=1

(k,j1),(i,j),t
nest autre que le nombre de clients de la banque dj prsents en t 1 et ayant boug dans
la cellule (i, j) entre t 1 et t.
Finalement, la nouvelle distribution de clients dans le portefeuille sactualise selon
t N,
(i,j),t+1
=
(i,j),t+1
+
(i,j),t+1
En particulier, il ny a pas de problme de rfrence circulaire dans ces dnitions, bien que
chacune dentre elles appelle une ou plusieurs des autres. Les dnitions ci-dessus sont donc
valides.
Pour nir, on dnit, partir de cet ensemble de variables, les variables alatoires vectorielles
suivantes sur (, , P)
t N,
t
=
_
_
_
_

1,t

2,t
. . .

s,t
_
_
_
_
R
||||
avec
i,t
=
_
_
_
_

(i,),t

(i,+1),t
. . .

(i,),t
_
_
_
_
R
||
, i
t N

,
t
=
_
_
_
_

1,t

2,t
. . .

s,t
_
_
_
_
N
||||
avec
i,t
=
_
_
_
_

(i,),t

(i,+1),t
. . .

(i,),t
_
_
_
_
N
||
, i
t N

,
t
=
_
_
_
_

1,t

2,t
. . .

s,t
_
_
_
_
N
||(||1)
avec
i,t
=
_
_
_
_

(i,+1),t

(i,+2),t
. . .

(i,),t
_
_
_
_
N
||1
, i
t N,
t
=
_
_
_
_

1,t

2,t
. . .

s,t
_
_
_
_
N
||||
avec
i,t
=
_
_
_
_

(i,),t

(i,+1),t
. . .

(i,),t
_
_
_
_
N
||
, i
28
Avec ces notations, on a
t N,
t+1
=
t+1
+
t+1
Lencours de la strate i la date t vaut
(i,:),t
=
i,t
[
i,t
) et lencours global des dpts
vue de la banque cette mme date sexprime selon

t
=
s

i=1

(i,:),t
=
t
[
t
)
On suppose que :
(1) les variables alatoires
_

(i,j),t
_
((i,j),t)N
,
_

(i,j),t
_
((i,j),t)N

et
_

(i,j),t,l
_
((i,j),t,l)N

sont toutes mutuellement indpendantes ;

(2) ((i, j), t, l) N

, P
_

(i,j),t,l
=k
_
=
(i,j)
k
si k et
P
_

(i,j),t,l
=o
_
=o
(i,j)
. On a donc
s

k=1

(i,j)
k
+o
(i,j)
= 1 .
La prsentation est ici axiomatique mais correspond des hypothses naturelles.
Lhypothse (1) garantit que les clients de la banque voluent dans les cellules de manire
indpendante les uns des autres et que le processus associ est markovien. Lhypothse (2)
assure que ce processus interne de transition des clients est mme homogne dans le temps.
Ainsi, on crit simplement ici qu une date quelconque, un client dans la cellule (i, j) a
une probabilit
(i,j)
k
dtre dans la cellule (k, j + 1) et une probabilit o
(i,j)
davoir quitt
ltablissement la date suivante.
En particulier, compte-tenu des hypothses prcdentes, il est facile de voir que lon
peut explicitement dcrire les lois conditionnelles suivies par certaines des variables que nous
venons de dnir. Ainsi, conditionnellement linformation disponible la date t N, cest-
-dire conditionnellement la sous-tribu H
t
, les hypothses (1) et (2) assurent que :
pour tout ((i, j), t) N,
(i,j),t+1
suit une loi binomiale Bin
_

(i,j),t
, o
(i,j)
_
;
pour tout (k, (i, j), t)( ( )) N,
(k,j1),(i,j),t+1
suit une loi binomiale
Bin
_

(k,j1),t
,
(k,j1)
i
_
;
Par consquent, connaissant la dcomposition

(i,j),t+1
=
s

k=1

(k,j1),(i,j),t+1
on a, conditionnellement H
t
,

(i,j),t+1

k=1
Bin
_

(k,j1),t
,
(k,j1)
i
_
o toutes les binomiales sont mutuellement indpendantes.
En outre, sous lensemble de ces hypothses, il est ais de voir que la famille de variables
alatoires (
t
)
tN
constitue une chane de Markov (inhomogne) espace dtats discret
29
E=N
||||
et de valeur initiale
0
. Ainsi, sous le modle construit, si ltat de la banque
t
est connu la date t, la trajectoire strictement antrieure cette date na pas dimportance
pour le calcul probabiliste relatif la dynamique future de cet tat.
Nous allons prsent dmontrer cette proprit.
Il nous faut montrer lidentit suivante, note (X)
t N

, (
u
)
0ut
E
t+1
, P(
t
=
t
[ 0 u t 1,
u
=
u
) = P(
t
=
t
[
t1
=
t1
)
Soit t N

et (
u
)
0ut
E
t+1
.
Notons B
,t1
lvnement 0 u t 1,
u
=
u
et A
,t
la quantit P(
t
=
t
[ B
,t1
).
A
,t
= P
_
(i, j) ,
(i,j),t
=
(i,j),t
[ B
,t1
_
= P
_
i ,
(i,),t
=
(i,),t
et j + 1,
(i,j),t
=
(i,j),t
[ B
,t1
_
= P
_
i ,
(i,),t
=
(i,),t
et j + 1,
(i,j),t
+
s

k=1

(k,j1),(i,j),t
=
(i,j),t
[ B
,t1
_
= P
_
_

i
_

(i,),t
=
(i,),t
_

j+1
_

(i,j),t
+
s

k=1

(k,j1),(i,j),t
=
(i,j),t
_
[ B
,t1
_
_
= P
_
_

i
_

(i,),t
=
(i,),t
_

j+1
_

(i,j),t
=
(i,j),t

s

k=1

(k,j1),t1

l=1
1

(k,j1),t,l
=i
_
[ B
,t1
_
_
= P
_
_

i
_

(i,),t
=
(i,),t
_

j+1
_
_
_

(i,j),t
=
(i,j),t

s

k=1

(k,j1),t1

l=1
1

(k,j1),t,l
=i
_
_
_
[ B
,t1
_
_
Or lhypothse (1) formule dans la partie de construction du modle thorique assure
que toutes les variables
_

(a,b),t
_
(a,b)
et
_

(a,b),t,l
_
((a,b),l)N

sont indpendantes
de la tribu H
t1
et donc en particulier de B
,t1
H
t1
.
Par consquent
A
,t
= P
_
_

i
_

(i,),t
=
(i,),t
_

j+1
_
_
_

(i,j),t
=
(i,j),t

s

k=1

(k,j1),t1

l=1
1

(k,j1),t,l
=i
_
_
_
_
_
Lhypothse (i) garantit galement que les variables alatoires
_

(a,b),t
_
(a,b)
et
_

(a,b),t,l
_
((a,b),l)N

sont toutes mutuellement indpendantes et donc nalement

A
,t
=
_

i
P
__

(i,),t
=
(i,),t
__
_
_
_
P
_
_

j+1
_
_
_

(i,j),t
=
(i,j),t

s

k=1

(k,j1),t1

l=1
1

(k,j1),t,l
=i
_
_
_
_
_
_
_
Dans cette dernire expression, la dpendance en lvnement B
,t1
nintervient que par
le biais des valeurs des
(k,j1),t1
dans les sommes. En consquence, si (
u
)
0ut
E
t+1
et
_

u
_
0ut
E
t+1
sont tels que
t1
=

t1
et
t
=

t
alors A
,t
=A

,t
(*).
30
Pour conclure, on crit que si C est lensemble des
_

u
_
0ut
E
t+1
tels que
t1
=

t1
et

t
=

t
P(
t
=
t
[
t1
=
t1
) =
P(
t
=
t

t1
=
t1
)
P(
t1
=
t1
)
P(
t
=
t
[
t1
=
t1
) =

(

u)
0ut
C
P
_
0 u t,
u
=

u
_
P(
t1
=
t1
)
=

(

u)
0ut
C
P
_

t
=

t
[ 0 u t 1,
u
=

u
_
P
_
0 u t 1,
u
=

u
_
P(
t1
=
t1
)
=

(

u)
0ut
C
A

,t
P
_
0 u t 1,
u
=

u
_
P(
t1
=
t1
)
Daprs (*), on a donc
P(
t
=
t
[
t1
=
t1
) = A
,t

u)
0ut
C
P
_
0 u t 1,
u
=

u
_
P(
t1
=
t1
)
= A
,t

u)
0ut
C
P
_

ut2
_

u
=

u
_

t1
=
t1

_
P(
t1
=
t1
)
P(
t
=
t
[
t1
=
t1
) = A
,t
P(
t1
=
t1
)
P(
t1
=
t1
)
= A
,t
Il sagit exactement de lidentit (X).
31
Troisime partie
Application informatique du modle
construit
Lobjet de cette section est de mettre en application, par simulation informatique, le
modle mathmatique que nous venons de dvelopper.
Nous leectuerons sur un modle jouet, cest--dire simpli et non calibr sur des
donnes historiques. Ainsi, la banque virtuelle que nous allons crer et faire voluer na quun
nombre limit de clients et les dirents paramtres de la dynamique (tels que les direntes
probabilits de transitions et de sortie ou encore les lois des processus darrives) seront
xs a priori, en exploitant au maximum les donnes conomiques ou dmographiques de la
population franaise, mais pas celles relatives la clientle de La Banque Postale. Lenjeu
est plus ici de valider en premire approche le modle construit, de se faire une ide du
comportement de lencours sous celui-ci et danalyser sa sensibilit aux dirents paramtres
par le biais de simulations.
Le logiciel utilis pour cette implmantation informatique est Scilab.
6 Analyse de premires simulations
6.1 Les paramtres et les variables dtat initiales
Nous allons considrer une banque de dtail comprenant [[ = s = 4 strates. Le pas
de temps est mensuel, et les ges des clients, dcompts galement mensuellement, sont
compris entre = 18 ans (et 0 mois) et = 80 ans (et 0 mois), correspondant donc
[[ =(80 18) 12 +1=745 classes dge pour un total de [[ [[ =2980 cellules de clientle.
Chacune de ces cellules est suppose contenir initialement n = 10 clients. Il sagit dune
hypothse forte : la distribution initiale des clients est uniforme lchelle de la
banque.
Bien que nous neectuions ici aucune calibration sur des donnes historiques, nous al-
lons bien videmment choisir des valeurs raisonnables pour les paramtres modulant les
dynamiques des clients et de lencours moyen.
6.1.1 Taux de transition et de sortie
Les cellules de clientle correspondant aux clients les plus gs sont caractrises par un
taux de sortie de 1 : toutes les personnes ges de dcdent dans le mois suivant. Autrement
dit
i , k ,
(i,)
k
= 0 et o
(i,)
= 1
Soit dsormais j ,=. Le taux de sortie o
(i,j)
des clients de la cellule (i, j) est la fois d
la mortalit et aux dparts volontaires vers la concurrence. Il parat raisonnable de supposer
ces deux phnomnes indpendants. Nous souhaitons en outre adopter des taux de transition
retant la plus grande probabilit pour un client de rester dans sa strate que den bouger.
Ainsi, au sein de la sous-population des
(i,j),t
clients de la cellule (i, j) qui sera vivante en
t + 1, nous pouvons considrer que le taux de maintien dans la strate i est de
l 1
l
o l 2
est un paramtre mesurant la propension rester dans sa strate.
32
Le taux de passage dans lune des (s 1) autres strates ou vers la concurrence (sortie volon-
taire) est quant lui pris uniforme gal
1
ls
=
1
4l
pour s = 4.
Pour calibrer la mortalit, nous nous rfrons la plus rcente table de taux de mortalit
par ge publie par lInstitut National des tudes Dmographiques (INED) en 2008. Cette
table, que nous avons reporte en annexe C, fait gurer le nombre de dcds dans lanne
pour 1000 personnes de chaque groupe dges dans les populations franaises masculine, f-
minine et totale. Nous noterons
j
ce taux annualis pour la population totale correspondant
lge j exprim en mois. Le taux mensuel
j
de dcs pour une personne de cet ge
j peut dans ces conditions tre pris gal

j
=
_
1
_
1 10
3

j
_ 1
12
_
soit
j
10
3

j
12
pour
j
petit
Sous lhypothse dindpendance entre la mortalit et les strates vers lesquelles les per-
sonnes seraient amenes voluer la date suivante sans mortalit, nous avons donc nale-
ment pour (i, j) ( )
_

(i,j)
k
=
1
j
ls
si k ( i)

(i,j)
i
=
(l 1) (1
j
)
l
si k = i
o
(i,j)
=
j
+
1
j
ls
Une valeur du paramtre l plus faible correspond une base clientle plus mobile mais
galement un taux de sortie plus lev. Lorsque les sorties de clients sont importantes, on
parle alors dattrition forte.
6.1.2 Lois des processus darrive
Les lois des processus darrive
(i,j),t
doivent tre a priori calibres dire dexpert,
dautant plus quelles sont directement inuences par la politique commerciale mise en
oeuvre par ltablissement. Pour ces simulations dessai, nous supposerons quelles sont de
Poisson et quelles permettent globalement de garder une population constante au sein
de la banque. Cette remarque est de premire importance : couple celle concernant
luniformit de la rpartition en t = 0 des clients au sein de ltablissement, elle assure que
les aspects dmographiques nentreront pas en jeu ici. Nous souhaitons en eet les
carter dans un premier temps.
De manire assurer une entre continue de jeunes clients, nous posons donc dj
(i, t) N

,
(i,),t
Poisson(n)
Pour j ,=, il sagit de paramtrer des entres alatoires qui quilibrent en moyenne les
sorties de la banque (vers la concurrence ou par dcs) partir des cellules de lge j 1.
Ces sorties aectent en eet leectif des clients dge j. Les paramtres des lois de Poisson
tant xs comme nous venons de lexpliquer (compensation sorties/entres en esprance),
nous avons nalement
(i, j, t) ( )N

,
(i,j),t
Poisson
_
no
(i,j1)
_
Poisson
_
n
_

j1
+
1
j1
ls
__
33
6.1.3 Ination et encours client moyen par cellule
Nous supposons que les s =4 strates retenues retent la surface nancire du client,
et par consquent le volume des liquidits dtenues sur ses dpts. Ce dernier sera pris
dcroissant en i =1, 2, 3, 4. De plus, nous prenons, strate xe, un encours moyen par
client qui crot avec lge, ce qui est globalement conforme la ralit.
Lencours moyen par client correspondant la cellule la plus modeste de la banque (cest-
-dire les jeunes de 18 ans dans la strate i =4) est normalis, pris gal 1 (soit
(4,),0
=1).
Nous ferons ensuite les hypothses suivantes :
pour chaque strate, lencours moyen par client est identique dans les cellules correspon-
dant au mme ge en annes ;
pour la strate i =4,
(4,),0
=1 et lencours moyen par client augmente de 0.5 par an;
pour la strate i =3,
(3,),0
=2 et lencours moyen par client augmente de 1 par an;
pour la strate i =2,
(2,),0
=3 et lencours moyen par client augmente de 2 par an;
pour la strate i =1,
(1,),0
=4 et lencours moyen par client augmente de 4 par an.
On peut reprsenter la matrice
0
rpertoriant les encours moyens
(i,j),0
sur les comptes
des clients par cellule (i, j) la date initiale (t =0). Rappelons que les ges j sont dcompts
mensuellement :
Strate j = = 216 j = 217 . . . j = 228 j = 229 . . . j = 959 j = = 960
(18 ans) (18 ans 1 mois) . . . (19 ans) (19 ans 1 mois) . . . (79 ans 11 mois) (80 ans)
i = 1 4 4 . . . 8 8 . . . 248 252
i = 2 3 3 . . . 5 5 . . . 125 127
i = 3 2 2 . . . 3 3 . . . 63 64
i = 4 1 1 . . . 1, 5 1, 5 . . . 31, 5 32
Dans le cadre de notre modle, lination est, in ne, un dterminant essentiel du volume
total des encours. Lencours moyen par cellule
(i,j),t
chaque date t 1 est une fonction
dterministe du niveau de lination
t
sur la priode [0, t] avec

t
=

t

t1

t1
pour 1t h, o hN

(en mois) est lhorizon dtude.

Nous envisageons ici deux scnarios possibles dvolution de lination et donc a fortiori de
lencours moyen par cellule, compte tenu de la remarque prcdente :
le premier est compltement dterministe : lination mensuelle
t
reste constante jus-
qu lhorizon h;
le second correspond ladoption du modle de type Ornstein-Uhlenbeck pour lina-
tion, paramtres (a, b, ,
0
). Le programme simulera donc une trajectoire de lination
(
t
)
0th
selon cette dynamique.
6.2 Rsultats obtenus
Nous avons gnr plusieurs scnarios dvolution de lencours. Dans chaque simulation,
et conformment aux hypothses mathmatiques de la modlisation adopte, nous faisons
voluer indpendamment la base des clients dune part et lencours moyen des direntes
cellules dautre part. Nous sommes alors capables, par produit terme terme chaque date,
34
de gnrer la trajectoire correspondante de lencours total dans la banque jusqu un certain
horizon.
Ination constante et
t
=(1 +)
t1
pour 1t h, l 2, 60 :
Prenons titre dexemple h = 120 mois, cest--dire un horizon de 10 ans. Nous avons
trac ci-dessous les trajectoires typiques dencours obtenues dans ces conditions avec les deux
valeurs de l retenues. Nous y avons choisi =0.002 correspondant une ination annuelle
de 2.4%.
Fig. 5 Une trajectoire pour l = 2 (courbe bleue) et l = 60 (courbe rouge) de la dynamique
de lencours total avec une ination constante
Les valeurs 60 et 2 du paramtre l correspondent respectivement un changement de
strate tous les cinq ans et tous les deux mois en moyenne. On obtient dans un cas une base
clientle stable et dans lautre une base volatile caractrise par un changement de strate
beaucoup plus frquent. La trajectoire correspondant l =2 apparat bien plus erratique
en raison de la plus forte mobilit des clients (ce qui diminue notre pouvoir prvisionnel sur
les encours futurs).
Rappelons ici que la population totale dans la banque est globalement constante car les
entres y quilibrent les sorties. La croissance globale de lencours dans les deux cas est de
lination. Les sursauts correspondent quant eux aux mouvements alatoires des clients
au sein des strates. Leur amplitude apparat logiquement dautant plus prononce que les
clients sont mobiles.
35
Ination dynamique Ornstein-Uhlenbeck
t
et
t
=(1 +
t
)
t1
pour 1t h, l 2, 60 :
Nous avons, toujours sur un horizon de h=120 mois, trac deux trajectoires simules (lune
avec l = 2 et lautre avec l = 60) avec, cette fois-ci, une ination alatoire. Les paramtres
adopts pour la dynamique Ornstein-Uhlenbeck sont toujours
(a, b, ,
0
)=(0.2, 0.002, 0.0002, 0.002).
Fig. 6 Une trajectoire pour l =2 (courbe bleue) et l =60 (courbe rouge) de la dynamique
de lencours total avec une ination suivant une volution dOrnstein-Uhlenbeck
Pour de tels paramtres, les formes obtenues sont premire vue similaires. Il nous faut
gnrer un grand nombre de trajectoires pour tenter de dceler les dirences potentielles
induites par le changement dans lvolution de lination.
7 Sensibilits aux paramtres et aux variables initiales
Pour pouvoir formuler des remarques qualitatives valides et faire de linfrence statistique,
nous ne pouvons nous restreindre une seule ralisation dans chaque conguration.
Lenjeu ici est dapprendre qualitativement et quantitativement sur les lois de certaines
variables, conformment lensemble du modle que nous avons construit et des hypothses
que nous avons poses. Parmi ces variables dintrt, citons par exemple les encours ho-
rizon donn (dans la banque, dans chaque strate. . .) ou encore la dure de vie de lencours
dans une vision mort de bilan o la banque arrte de commercialiser tout produit. Pour
raliser cet objectif, il nous faut, jeu de paramtres et dhypothses x, simuler plusieurs
trajectoires (il faut en raliser le plus grand nombre possible, la vitesse de calcul notre
disposition tant ici le facteur limitant). Nous pourrons, ds lors, calculer certaines statis-
tiques naturelles
9
relatives aux variables dintrt. Une telle dmarche correspond des
simulations de type Monte-Carlo. La raison du recours la simulation est notre incapacit
9
Par exemple lesprance empirique (cest--dire la moyenne des obsevations), la variance ralise ou encore
des quantiles empiriques
36
calculer explicitement les lois des variables alatoires auxquelles nous nous intressons, en
raison de la trop grande complexit du modle sous-jacent. En eet, la connaissance des di-
rents taux de transition et de sortie, des lois des processus dentre ainsi que de la dynamique
inationniste ne permet pas de dcrire explicitement la distribution de probabilit de
t
o
,
o t
0
est un horizon donn. Nous sommes donc ramens gnrer le plus grand nombre de
scnarios pour infrer les lois des variables
10
. Voici le rsultat dune simulation de direntes
trajectoires dans un mme sous-cas (jeu de paramtres x). Lorsque le nombre de trajec-
toires augmente, on voit apparatre une forme denveloppe typique, qui est la traduction
visuelle des intervalles de conance de lencours total chaque date.
Fig. 7 Un faisceau de trajectoire de lencours total de la banque (l =2 et =0.002)
7.1 Inuence de lination et des taux de transition
Dans le cadre du modle mathmatique construit, lination est lunique dterminant de
la croissance de lencours moyen par cellule de clientle dans la banque. Par consquent, cest
cette grandeur qui est lorigine de la tendance (haussire, baissire ou stable) de lencours
total dans ltablissement de crdit sur le moyen-long terme. Si lon reprend ainsi les trajec-
toires simules avec =0.002 pour l 2, 60 (Figure 5 de la page 28), et que lon calcule le
taux de croissance de lencours

120

0

0
sur les 10 ans, on obtient respectivement 27.8%
et 27.4%, sachant que le niveau dination a augment de (1 +)
120
1 =27.1% sur cette
mme priode. Les uctuations obtenues sont des aux mouvements des clients au sein de la
banque, et ce dautant plus que les clients sont mobiles, cest--dire que le paramtre l est
faible. On observe donc dans le cas l =2 des irrgularits locales dans lvolution de lencours,
qui peut mme sur certaines priodes dcrotre.
En particulier, on remarquera ici que, bien que notre modle suppose la relation dter-
ministe
t
= (1 +)
t1
pour 1 t h entre encours moyen et ination, lencours total
10
La loi forte des grands nombres et le thorme central limite sont implicitement appels derrire cette
procdure
37
dans la banque nest pas pour autant une fonction dterministe du niveau de lination sous
celui-ci. La raison cela rside dans la mobilit des clients au sein de ltablissement. Ainsi, si
sur lintervalle mensuel [t 1, t], une proportion importante de clients passe dans des strates
dindice suprieur (correspondant des encours plus modestes), lencours total de la banque
peut dcrotre sur cette mme priode alors que le niveau dination aura t multipli par
1 + sur cet intervalle. Pour illustrer notre propos, nous avons simul une trajectoire de
lencours global de la banque pour l =2 et =0.002 sur un horizon de 17 ans (204 mois) et
nous lavons rgresse sur le niveau dination (normalis 100 en t =0). Ce dernier est ici
compltement dterministe, donn par
t
=100 (1 +)
t
pour 1t 204.
Fig. 8 Rgression du niveau de lencours simul sur le niveau dination hors tabac
Nous disposons ainsi dune base de comparaison avec la rgression que nous avions eec-
tue partir de lencours des CCP de la Banque Postale en dbut dtude. Le coecient R
2
de
dtermination obtenu sur la trajectoire simule est suprieur (nous avions obtenu R
2
=0, 973
sur les donnes historiques). Toutefois, il est intressant de noter que notre modle, par la
dynamique continuelle de la base de clients dans le temps, permet de rendre compte dcarts
de lencours global par rapport au niveau dination, mme si lencours moyen par cellule
(donc, en n de compte, le niveau moyen dun dpt de CCP) suit exactement ce niveau.
Pour saisir linuence de la dynamique de lination sur celle de lencours, nous nous
sommes intresss, titre dexemple, la distribution statistique de
60
, qui nest autre que
lencours bancaire global un horizon dobservation de h = 60 mois. Nous reprenons pour
cela, dans le cadre du modle que nous avons construit, chacune des quatre congurations
de base prsentes prcdemment (ination constante ou dynamique Ornstein-Uhlenbeck
et l 2, 60). Nous avons gnr 1000 trajectoires pour chacune de ces congurations.
Nous avons commenc par comparer les volatilits renormalises des trajectoires dencours
sous les dirents jeux de paramtres. La volatilit renormalise V ol dune trajectoire simule
38
dencours
t

t{0,1,...,60}
est la variable alatoire dnie par
V ol(
t

t{0,1,...,60}
) =
1

_
60

t=1
(
t

t1
)
2
Elle qualie lamplitude de ses variations locales (dun mois lautre). Nous avons donc,
dans chacun des quatre sous-cas, calcul la moyenne des 1000 volatilits empiriques asso-
cies aux trajectoires simules. Ladoption de la valeur 60 pour le paramtre l se traduit
ainsi par une diminution de 91.2% de cette volatilit par rapport au cas l = 2. Ladoption
dune dynamique inationniste alatoire augmente lgrement cette volatilit par rapport au
cas dune ination constante, respectivement de 8.2% et de 8.7% pour l = 2 et l = 60. On
conrme donc numriquement lobservation empirique sur les courbes traces prcdemment.
Nous faisons prsent gurer dans le tableau ci-aprs, pour chacun des quatre sous-cas
(o nous disposons de 1000 donnes), la moyenne et lcart-type empiriques, les valeurs mi-
nimale et maximale obtenues ainsi que lintervalle empirique de conance
11
95% de
60
.
Toutes les grandeurs sont exprimes en pourcentage de lencours total initial
0
=1 781 050.
Statistique
t
=(1 +
t
)
t1

t
constant d
t
=a (b r
t
) dt+dW
t

t
= = 0.002 (a, b, ,
0
)=(0.2, 0.002, 0.0002, 0.002)
l = 2 l = 60 l = 2 l = 60
Moyenne 112.76% 112.71% 112.65% 112.71%
Taux de croissance 12.76% 12.71% 12.65% 12.71%
moyen sur la priode
Ecart-type 0.90% 0.73% 2.35% 2.27%
Minimum 109.40% 110.57% 105.40% 106.46%
Maximum 115.32% 114.79% 119.28% 119.21%
[q
5%
, q
95%
] [111.30%, 114.23%] [111.51%, 113.89%] [108.71%, 116.59%] [109.11%, 116.50%]
Il convient dabord de noter que les esprances empiriques obtenues dans les quatre sous-
cas sont trs proches (moins de 0.1% dcart entre lesprance empirique la plus leve et la
plus faible). On retrouve ici, lchelle dun plus grand chantillon, que le taux de croissance
moyen de lencours sur la priode est command par le niveau dination, qui a cr de 12.73%
sur la priode, dans le cas de
t
==0.002 que nous avons retenu.
En revanche, linuence sur la variance des rsultats apparat trs sensible la valeur du
paramtre l dune part et au modle retenu pour la dynamique de lination dautre part.
On observe, en eet, des intervalles de conance empiriques bien plus larges dans le cas de
lination alatoire. Par ailleurs, dans le cas de lination dterministe, lcart-type obtenu
est sensiblement suprieur avec la base de clientle plus mobile. Ces remarques sont valables
galement dans les comparaisons des valeurs minimales et maximales.
11
La notation q
x
avec x[0, 1] dsigne le quantile dordre x
39
An de disposer dune base de comparaison plus visuelle, nous faisons gurer ci-aprs
les histogrammes des encours simuls
60
horizon h = 5 ans dans les cas l = 2 (bleu) et
l =60 (rouge) avec une ination dabord dterministe.
On retrouve graphiquement sur les deux histogrammes les rsultats numriques gurant
dans le tableau : si la valeur moyenne ne varie que trs peu entre les deux cas, lcart-type
lui est totalement dirent. Il est ainsi prs de 25% plus lev avec la base de clientle plus
mobile. On observe ainsi une plus grande concentration des ralisations dans le cas l =60
o la base de clientle est plus rigide et change peu de strate.
40
En comparaison, voici ce que lon obtient avec une ination suivant une dynamique
dOrnstein-Uhlenbeck.
Lintroduction dune ination alatoire se traduit par une augmentation de lcart-type
empirique denviron 160% dans le cas l =2 et denviron 210% dans le cas l =60. La dispersion
des rsultats apparat donc bien plus importante lorsque lination est alatoire.
Ce rsultat est conforme lintuition : en eet, le taux de croissance local de lencours
moyen, et donc de lencours, devient stochastique lorsque lination est une variable alatoire.
Notre capacit prdictive sur le moyen-long terme sen trouve donc sensiblement aecte.
Par consquent, une plus grande mobilit de la base de clientle, ainsi que le caractre
stochastique du niveau dination, sont des facteurs qui augmentent la fois la volatilit
de lencours et sa dispersion, cest--dire sa variance, une date considre. Alors que les
taux de transition semblent tre les dterminants essentiels de la volatilit, linuence de
lination prdomine largement pour lcart-type. Ce nest en eet que dans le cas dune
ination connue xe que la mobilit des clients aecte sensiblement la variance.
41
7.2 Inuence de la dmographie initiale
Jusqu prsent, nous avons adopt dans lensemble des simulations et analyses menes des
hypothses dmographiques trs simplicatrices : nous avons en eet considr luniformit
initiale de la rpartition des clients et la constance en moyenne de cette rpartition dans le
temps, quel que soit lhorizon. Lenjeu tait dtudier les inuences de la mobilit des clients
et de la croissance du niveau dination sur la dynamique de lencours. Il nous fallait en
consquence liminer tout aspect dmographique dans cette dynamique.
Dans cette section, nous visons au contraire explorer linuence des facteurs dmogra-
phiques sur lvolution de lencours. Nous pouvons notamment envisager de modier lunifor-
mit de la rpartition initiale de clients, en autorisant la date t =0 des eectifs variables dans
les direntes cellules de clientle. En outre, nous ne chercherons plus assurer la constance
(en moyenne) de leectif
t
des clients au cours du temps. A contrario, la base de clients
voluera constamment et nous ferons vieillir le stock existant, en tchant dinterprter les
dirents types de rgimes dvolution de lencours que nous mettrons ainsi en vidence.
7.2.1 Pyramide des ges et calibration des processus darrive
La pyramide des ges
12
dans un pays est une reprsentation graphique qui permet de vi-
sualiser la rpartition de sa population par sexe et par ge, un moment donn. Elle est
constitue de deux histogrammes, un pour chaque sexe (avec par convention les hommes
gauche et les femmes droite), o les eectifs masculins et fminins sont ports en abscisse
12
Ce type de graphique est apparu en 1874 dans le premier Atlas statistique des tats-Unis. Son nom
vient de sa forme lorsque la population a une forte natalit et une forte mortalit : il est largi la base et
troit au sommet. Mais cette forme peut varier. La pyramide des ges montre en un coup doeil le rgime
dmographique et lhistoire dun pays sur prs dun sicle
42
(axe horizontal) et les ges en ordonne (axe vertical). Chaque barre associe un sexe et
un ge prcis a une longueur proportionnelle leectif de la sous-population correspondante.
Come nous lavons expliqu en dbut dtude, notre conviction est que la composante
dmographique a potentiellement un impact signicatif sur le niveau dencours futur dune
banque donne. titre dexemple, nous constatons sur la pyramide des ges actuelle de notre
pays que lensemble de la gnration du baby-boom est sur le point de rentrer dans lge de
la retraite. Dans la mesure o ce ux gnrationnel suit la priode de trs faible natalit
observe durant la Seconde Guerre Mondiale, le nombre de personnes ges est vraisembla-
blement sur le point daugmenter fortement dans un futur proche. Or les personnes ges
sont celles qui dtiennent en gnral le plus dencours. En consquence, si une banque capte
approximativement une part de march constante et voit la population de ses clients de plus
de 60 ans augmenter dans les mmes proportions, on peut raisonnablement sattendre ce
que cette singularit dmographique assure une croissance future de lencours probablement
plus leve que nous naurions pu le supposer a priori. Cette simple remarque montre la
ncessit dintgrer les aspects dmographiques dont nous disposons dans la calibration du
modle que nous avons construit.
An de raliser cet objectif, nous allons oprer une projection de la pyramide des ges
actuelle dans le futur.
Pour dcrire cette dernire, nous introduisons des paramtre (
j,t
)
(j,t)N
tels que
j,t

[0, 1] est proportionnel leectif de la sous-population dge j dans la pyramide des ges la
date t. Nous normalisons cette suite par rapport la date actuelle (t =0) en posant
,0
=1.
En ce qui concerne la description de la pyramide actuelle, nous souhaitons en pratique pouser
sa forme globale et capter ses tendances, sans tre excessivement pointilleux. Nous prendrons
donc, avec j en mois,
_

j,0
= 1 si 216 j 779 (de = 18 ans jusqu 64 ans et 11 mois)

j,0
= 0.7 0.3
j780
960780
si 780 j 960 (de 65 ans jusqu = 80 ans)
Autrement dit, nous avons retenu, pour dcrire la pyramide actuelle, un paramtre
j,0
constant gal 1 jusqu 64 ans et 11 mois, puis nous lavons fait dcrotre linairement
entre 65 ans et 80 ans de 0.7 0.4.
Pour projeter cette description dmographique dans le futur, nous utilisons les taux de
mortalit annualiss pour 1000 personnes
j
correspondant lge j exprim en mois, que
nous avions dj introduits pour calibrer les sorties de la banque par dcs. Nous poserons
_

,t
= 1 pour t N

j,t+1
=
j1,t
(1 10
3

j1
) si j pour t N
La projection opre pour la pyramide des ges est ainsi trs simple. Dune part, elle est dter-
ministe : nous faisons lhypothse que les taux de mortalit moyens sont exactement raliss
chaque date et quils restent constants dans le temps. Dautre part, nous y supposons im-
plicitement une immigration nulle ainsi quune natalit constante gale celle daujourdhui.
En dpit de ces hypothses trs simplicatrices, cette projection est calque, dans les grandes
lignes, sur lvolution probable de la population franaise et a le mrite dtre facile calculer
pour les simulations. Des ranements sont videmment envisageables, mais nous souhaitons
nouveau capter ici des tendances gnrales et illustrer des phnomnes typiques dont peut
rendre compte notre modle.
43
Nous allons en premier lieu utiliser cette pyramide et ses projections futures pour calibrer
les processus dentre
t

tN

, en faisant lhypothse que

(i,j),t
suit une loi de Poisson de
paramtre (et donc desprance) dpendant de leectif dans la pyramide des ges de la
sous-population dge j 1 la date t 1. Plus prcisment, nous supposerons donc que
(i, j, t) N

,
(i,j),t
Poisson
_
n
j1,t1
o
vol,(i,j1)
_
(i, t) N

,
(i,),t
Poisson(n)
o n est un paramtre entier x et o o
vol,(i,j)
est le taux de sortie volontaire de la cellule
(i, j), cest--dire o
vol,(i,j)
=o
(i,j)

j
. Si nous reprenons les notations dj introduites dans
les parties prcdentes, o
vol,(i,j)
vaut donc
1
j
ls
.
En n de compte, nous posons des processus darrive stationnaires pour les cellules
correspondant lge minimal , an dassurer un renouvellement continu de la base de
clientle. En revanche, pour les autres cellules, les processus dentre sont pris inhomognes
dans le temps de manire intgrer lvolution de la pyramide des ges dans la dynamique
de la base de clientle. Nous souhaitons plus prcisment paramtrer, chaque date, des
arrives qui soient proportionnelles aux eectifs correspondants dans la pyramide des ges
qui prvaudra cet instant. On suppose donc ici implicitement que la banque tend
capter une part de march constante ! Le paramtre de la loi de Poisson suivie par

(i,j),t
est donc pris proportionnel deux grandeurs :
leectif normalis
j1,t1
associ lge immdiatement infrieur j 1 au sein de la
pyramide projete de la date t 1 ;
le taux de sortie volontaire des clients de lge immdiatement infrieur j 1.
Lintrt de cette calibration rside dans le fait quelle standardise la distribution dmo-
graphique donne par les projections de la pyramide que nous avons calcules, dans le sens
o elle tend assurer un retour vers un eectif n
j,t
pour chaque cellule (i, j)
la date t. Par consquent, avec cette calibration des processus darrive, la base de clientle
de la banque tend se calquer, en terme de distribution dges, sur la pyramide qui volue
au cours du temps. n peut tre interprt comme le nombre darrives mensuelles moyennes
dans chacune des cellules correspondant lge =18 ans et 0 mois. Cest un paramtre qui
caractrise le nombre typique de personnes par cellule de clientle, multiplication par le
facteur dchelle dmographique
j,t
prs.
Dans les simulations que nous allons prsent eectuer, la distribution initiale de clients

0
a une importance capitale pour la dynamique future de lencours comme nous allons le
mettre en vidence. Nous dirons dornavant que la banque est dans une situation initiale
normale ou stable si :
la typologie actuelle de ses clients est lexact reet dmographique de la population
franaise, dans le sens o la distribution de sa clientle par ge respecte les proportions
de la pyramide ;
les s cellules correspondant un mme ge j sont toutes constitues initialement dun
nombre gal de clients.
La premire condition impose quil existe pN

tel que
.,j,0
=p
j,0
| pour tout j , et la
seconde que i ,
i,j,0
=

.,j,0
s
. Autrement dit, dans un tel schma, il existe nN tel que

(i,j),0
=n
j,0
| (*) pour toute cellule (i, j).
A contrario, nous parlerons de dsquilibre dmographique vers le bas (respectivement
vers le haut) si la population initiale de la banque nest pas reprsentative de la dmographie
44
franaise, dans la mesure o elle prsente un excs de jeunes personnes (respectivement de
personnes ges). La premire situation est typique des banques en ligne, qui sont apparues
relativement rcemment et qui ont jusqu prsent majoritairement sduit une clientle jeune.
La seconde situation est plus reprsentative de la clientle actuelle de La Banque Postale,
compose dune proportion importante de personnes dun ge avanc.
Commenons par analyser lvolution de lencours en partant dune situation dmogra-
phique normale. An de discerner le facteur dmographique dans ces simulations, nous y
prendrons toujours une ination mensuelle constante =0.002. En outre, nous prendrons
13
n=20. Voici ce que lon obtient comme trajectoires respectivement avec l =2 et l =60.
Fig. 9 Une trajectoire pour l =2 (courbe bleue) et l =60 (courbe rouge) de la dynamique
de lencours total avec une ination constante et une situation dmographique normale
premire vue, on ne dcle pas de dirence dans la forme dvolution par rapport ce
que nous avions dj obtenu dans les simulations prcdentes.
Toutefois, si lon calcule le taux de croissance de lencours sur les dix annes obtenu
respectivement avec ces deux trajectoires, on obtient 39.7% dans le cas l =2 et 40.0% pour
l = 60, alors que le niveau dination a seulement augment de (1 +)
120
1 = 27.1%
sur cette mme dcennie. Ainsi, contrairement au cas o la population dans la banque tait
constante en moyenne et uniformment rpartie entre les direntes cellules chaque date,
pour lequel la croissance obtenue tait trs voisine de celle du niveau dination
14
, on obtient
ici une surperformance sensible par rapport lination. La raison de ce direntiel
est purement dmographique : la singularit dmographique du baby-boom visible sur la
pyramide
15
entrane une augmentation continue et signicative de la sous-population des
clients de plus de 65 ans au sein de ltablissement dans les annes venir. Comme cette
population dtient en moyenne plus dencours, ce dcalage dmographique interne la banque
13
Nous doublons n par rapport aux simulations prcdentes an de ne pas faire de troncature trop brutale
dans la formule (*)
14
Rappelons que nous avions obtenu respectivement des croissances de 27.8% et 27.4% sur les trajectoires
de la Figure 5 page 28
15
Et qui se retrouve dans la population de la banque puisque cette dernire a une base de clientle qui en
est le reet en proportions
45
vient sajouter lination et augmente dautant plus lencours global.
7.2.2 Dsquilibre dmographique initial vers le bas
Nous considrons prsent une banque dont la clientle en t = 0 est essentiellement
constitue de jeunes. La pyramide des ges de la sous-population des clients de la banque
est donc particulirement largie vers le bas et troite vers le haut. Pour tudier leet dun
tel dsquilibre, nous considrons un tablissement ayant une distribution dmographique
normale, puis nous retirons
n
4
personnes de chaque cellule au-del de 50 ans.
Fig. 10 Une trajectoire pour l =2 (courbe bleue) et l =60 (courbe rouge) de la dynamique
de lencours total avec une ination constante et un dsquilibre dmographique vers le bas
On remarque que dans ces conditions, les deux valeurs du paramtre donnent des volu-
tions direntes. La forte mobilit des clients avec l =2 se traduisant aussi par des entres
importantes depuis lextrieur, lensemble du vide gnrationnel au-del de 50 ans se remplit
rapidement dans ce cas, au cours dune priode transitoire denviron deux ans. Tout se passe
comme si les personnes ges extrieures prouvaient soudainement autant dattirance pour
cette banque que pour une autre. Dit autrement, la pyramide des ges interne la banque
converge rapidement vers celle de lensemble de la population franaise. Larrive importante
de personnes ges, qui taient en nombre dcitaire au dbut, constitue la priode transitoire
observe et explique la croissance forte lorigine. A contrario, dans le cas l =60, il y a peu
de sorties, mais galement peu dentres, entranant une rigidit de la base de clientle. En
consquence, le vide gnrationnel existant initialement ne se comble que trs modestement
et trs lentement. Lencours de la banque conserve donc en mmoire sa rpartition initiale
sur le long terme, ce qui pnalise durablement la croissance de lencours ! Pour l =60, cest
leet vieillesse qui lemporte : la croissance de lencours est essentiellement due (ination
mise part) larrive continuelle de jeunes clients et au vieillissement de la base clientle
existante, qui a tendance senrichir. Le cumul de ces deux phnomnes permet, sur cette
simulation, une croissance de lencours de 67.5%! Pour l =2, la croissance obtenue est sup-
rieure et gale 83.1%, en raison du rapide rquilibrage dmographique. Dans tous les cas,
46
on retrouve donc ici une croissance trs forte, surperformant lination, typique de
lencours des banques en ligne.
7.2.3 Dsquilibre dmographique initial vers le haut
Nous considrons prsent la situation inverse, savoir une banque dont la clientle
actuelle est essentiellement constitue de personnes ges aux encours levs. La pyramide
des ges de la sous-population des clients de la banque est donc ici en forme de toupie, troite
vers le bas et largie vers le haut. Pour crer cette situation, nous avons pris la pyramide
des ges franaise et nous lavons retourne, comme sil fallait lire les ges de haut en bas
sur la reprsentaion graphique de la page 35. Nous adoptons donc ici un cas extrme, en
considrant un tablissement pour lequel la pyramide des ges de la clientle est exactement
le ngatif de la pyramide des ges de la France.
Fig. 11 Une trajectoire pour l =2 (courbe bleue) et l =60 (courbe rouge) de la dynamique
de lencours total avec une ination constante et un dsquilibre dmographique vers le haut
Dans ce cas-ci, on observe court terme une stagnation (voire une dcroissance) trs
probable de lencours total. Dans le cas l =2, linstar du cas prcdent, la forte mobilit des
personnes, aussi bien internes quexternes ltablissement, assure une forme de rquilibrage
dmographique relativement rapide. On observe ainsi une priode transitoire de dcroissance
nette de lencours correspondant la perte de clients gs, remplacs par des jeunes apportant
peu de liquidits. Ainsi, sur cette simulation, la base de clientle met approximativement de
un deux ans pour se calquer plus conformment la pyramide des ges, avant de crotre
selon la dynamique typique quon lui connat. De mme, dans le cas l =60, la forte rigidit de
la base de clientle cre une rmanence dans la structure de cette dernire, sur le moyen-long
terme, avec une masse des dpts croissant trs faiblement (uniquement par lination en
fait). Il faut attendre dans ce cas plusieurs annes avant de rquilibrer la population des
clients sur la pyramide des ges.
Les croissances de lencours des dpts sur cette dcennie sont, dans ces simulations,
respectivement de 13.8% et de 14.2%, soit bien infrieures la croissance que lon aurait
projete a priori, en se basant sur lination modlise ! Un tel dsquilibre dmographique
47
saccompagne donc dune sous-performance de la croissance de lencours par rapport
au niveau de lination.
7.3 Vision mort du bilan et dure de vie thorique des dpts
Il sagit ici destimer, dans le cadre de notre modle, la dure de vie thorique de lencours
des CCP, sous lhypothse que la banque ne commercialise plus de produits. Dans ce contexte,
seuls les comptes des clients lheure actuelle continuent dvoluer dans le futur, mais aucun
nouveau compte ne sera ouvert. Lagrgat de dpts steindra donc dnitivement lorsque
tous les clients actuels auront quitt ltablissement par dcision volontaire ou par dcs.
Notre modle tant fond sur des taux de sortie, la dcroissance de lencours est
exponentielle. La dure caractristique de dcroissance dpend directement de ces taux de
sortie.
Voici par exemple ce que lon obtient avec l = 2 dans les cas respectifs dune situation
dmographique initiale stable, dsquilibre vers le haut et dsquilibre vers le bas. An de
pouvoir les comparer, les trajectoires obtenues sont renormalises an de concider lorigine.
Fig. 12 Une trajectoire avec une situation initiale stable (courbe verte), un dsquilibre d-
mographique vers le haut (courbe rouge) et un dsquilibre dmographique vers le bas (courbe
bleue) de la dynamique de lencours total avec un encours moyen par cellule dterministe
On retrouve visuellement la dcroissance exponentielle annonce. Remarquons toutefois
que la banque sen sort dautant mieux quelle a une population jeune linstant o toute
commercialisation de produits est arrte, ce qui est trs intuitif. Elle prote en eet du
vieillissement de ses clients actuels et de la croissance de leur richesse. A linverse, une banque
ayant une clientle dun ge avanc perd plus rapidement son agrgat de dpts en raison du
dpart rapide de ses clients patrimoniaux.
Avec notre modle, il faut attendre, mme dans le cas l = 2 dune grande mobilit des
clients, des dures typiques de lordre de 60 ans pour puiser totalement le stock. En dautres
termes, certains clients actuels dge resteront dans ltablissement jusqu avoir atteint
lge maximum. En ralit, il faut bien sr tenir compte de phnomnes que notre modle ne
48
prend pas en compte ici, typiquement leet de rputation. Il est en eet lgitime de penser
quune banque arrtant de commercialiser des produits ait de plus en plus de dicults
retenir ses clients au fur et mesure de son dclin. Notre modle peut donc tre utilis
pour simuler des trajectoires de mort de lencours sur le court-moyen terme (au plus quelques
annes). Pour des dures importantes de plus de 10 ans, il est raisonnable de penser que le
modle construit nest plus valide et quil faut intgrer dautres aspects. Par exemple, cela
pourrait raisonnablement senvisager avec des taux de sortie croissants avec le temps.
8 Un modle superstrates
Au vu de cette premire analyse, il ressort que les valeurs typiques que nous avons adoptes
pour l prsentent toutes deux des avantages et des inconvnients.
Ainsi, dans le cas l = 60, on constate par comparaison avec la courbe dvolution de
lencours des CCP sur les quinze dernires annes, que cette valeur de paramtre fournit des
courbes trop peu volatiles, comme si notre pouvoir explicatif sur lencours tait trop lev.
En revanche, dans le cas de dsquilibres dmographiques, il permet de rendre compte dun
eet mmoire sur le moyen-long terme qui parat satisfaisant.
A contrario, le paramtre l = 2 semble donner des rsultats plus conformes la ralit
sous langle de la forme gnrale dvolution, dans la mesure o il permet des sauts plus
marqus qui sont nettement visibles sur la courbe historique. Cependant, nous avons vu que
cette valeur de paramtre entrane des rajustements dmographiques que lon a envie de
qualier de trop rapides : ainsi, tout dsquilibre dmographique interne la banque se
rsorbe en moyenne approximativement en un an, ce qui semble a priori peu plausible. En
outre, le cas l = 2 correspond un changement de strate tous les deux mois en moyenne.
Une telle valeur de paramtre peut donc paratre articielle, dans la mesure o la ventilation
en strates est cense capturer la situation nancire gnrale du client, que lon ne sattend
videmment pas voir changer aussi frquemment.
Le but de cette section est de proposer une forme damlioration de ce que nous avons
considr jusquici, qui puisse concilier, dans la mesure du possible, les faits styliss voqus
ci-dessus, tout en orant une reprsentation plus crdible de la ralit.
Notre point de dpart est le suivant : il est lgitime de penser que lencours dun client (peu
importe sa situation nancire) puisse connatre de fortes uctuations dun mois sur lautre,
suite des dpenses inhabituelles ou encore des virements vers des supports dpargne
par exemple. Nous envisageons donc ici une amlioration dans la calibration du modle en
ventilant chaque strate en deux sous-strates. Ces dernires regroupent respectivement les
clients de la strate considre dont le compte est dans un tat haut (fortement aliment)
et ceux dont le compte est dans un tat bas (peu aliment). Les clients ont alors une
propension marque rester dans leur strate, mais une forte mobilit au sein de celle-ci entre
les direntes sous-strates qui la composent. Cela correspond bien lide selon laquelle
la surface nancire du client est une donne relativement stable, tandis que ltat de son
compte peut, quant lui, tre beaucoup plus volatile ! De cette manire, on conserve un
pouvoir explicatif sur lencours du client sur le moyen-long terme (donn par la strate
laquelle il appartient) tout en introduisant des uctuations locales mensuelles donnes par
les mouvements internes chaque strate entre les deux tats. Une telle approche prend tout
son sens si lon pense des priodes annuelles prcises, comme les ftes de n danne, o
lon peut observer des dbits importants sur la majorit des comptes courants.
49
Nous allons prsent expliciter cette dmarche. Considrons une banque de dtail com-
prenant [[ =s=8 strates. Lide est de les voir groupes par paire (en tant qutat haut
et tat bas) au sein de quatre superstrates qui reprsentent la surface nancire. La
superstrate 1 correspond aux clients les plus aiss et regroupe les strates i = 1 et i = 2 qui
sont respectivement ses tats haut et bas. La superstrate 4 correspond, quant elle, aux
clients les plus modestes et se compose des strates i = 7 (haut) et i = 8 (bas). Ltat
complmentaire de la strate i au sein dune superstrate sera appel strate binme. Les
ges des clients sont toujours compris entre =18 ans (et 0 mois) et =80 ans (et 0 mois).
Chacune des 5960 cellules est suppose contenir initialement n=5 clients : on a rparti les
clients de chacune des 2980 cellules prcdentes uniformment entre les deux cellules-lles
correspondant aux tats haut et bas.
Les cellules de clientle regroupant les clients les plus gs sont toujours caractrises par
un taux de sortie de 1 :
i , k ,
(i,)
k
= 0 et o
(i,)
= 1
Soit dsormais j ,=. Nous considrons que le taux de maintien dans chacune des (quatre)
superstrates est de
l 1
l
, o l 2 caractrise la stabilit de la surface nancire des clients.
Nous pourrons prendre typiquement l =60, correspondant une sortie au terme de cinq ans
(en moyenne) de la superstrate. Les sorties par dcs sont par ailleurs toujours calibres sur
les taux de mortalit publis par lINED. Le taux de sortie volontaire est pris gal
1
2l
et
celui de passage dans lune des (s 2) autres strates est pris uniforme gal
1
2l(s 2)
.
En particulier, nous supposons que les clients changeant de superstrate ont autant de
chances de se retrouver dans les tats haut et bas de la superstrate darrive. En re-
vanche, si le taux de maintien dans chaque superstrate est lev, nous souhaitons autoriser
des mouvements frquents entre les deux strates qui la composent : pour spcier ce mouve-
ment potentiel, nous introduisons un nouveau paramtre u[0, 1], qui mesure la propension
rester dans le mme tat (haut ou bas). Plus prcisment, le taux de transition vers
lautre strate de la superstrate laquelle le client appartient est (1 u)
l 1
l
et celui de
maintien dans sa strate actuelle est u
l 1
l
. En faisant varier le paramtre u, on contrle la
dynamique de transition dun tat un autre au sein dune superstrate. Pour u=0.5, les
deux tats sont quiprobables ; pour u faible, on assure une forme dattirance vers la strate
binme et pour u lev, on assure une plus grande stabilit du client au sein de son tat
actuel. Ainsi, un u proche de zro correspond une situation dans laquelle la prsence du
client dans un tat (haut ou bas) au sein de sa superstrate entrane une plus forte
probabilit de le retrouver dans ltat binme la date suivante. Intuitivement, si lon adopte
un tel u, on postule implicitement que, si le client est dans son tat bas une date t, alors il
y a de fortes chances pour quil alimente son compte et quil passe dans ltat haut en t+1.
Rciproquement, sil est dans ltat haut en t, il est probable quil fasse un virement de ce
compte vers un livret dpargne et donc quil passe dans ltat bas en t + 1. linverse,
pour u proche de un, on postule simplement quil est plus probable que chaque client reste
dans son tat.
50
Sous lhypothse dindpendance entre la mortalit et les strates vers lesquelles les per-
sonnes seraient amenes voluer la date suivante sans mortalit, nous avons donc pour
(i, j) ( ), et en notant i

la strate binme de i,
_

(i,j)
k
=
1
j
2l(s 2)
si k ( i, i

(i,j)
i
=u
(l 1) (1
j
)
l
si k = i

(i,j)
i
=(1 u)
(l 1) (1
j
)
l
si k = i

o
(i,j)
=
j
+
1
j
2l
Enn, les entres sont dans un premier temps calibres de manire quilibrer les sorties.
En eet, nous voulons dabord assurer une constance dmographique moyenne dans la sous-
population des clients de la banque.
(i, j, t) ( )N

,
(i,j),t
Poisson
_
no
(i,j1)
_
Poisson
_
n
_

j1
+
1
j1
2l
__
Lencours moyen par client correspondant la cellule la plus modeste de la banque est nor-
malis, pris gal 1. Il sagit des jeunes de 18 ans dans ltat bas de la superstrate 4,
autrement dit des jeunes de 18 ans de la strate i = 8. Nous ferons ensuite lhypothse que
ltat haut correspond un encours moyen deux fois plus lev que ltat bas, et que
ltat bas est repris de lencours moyen que nous avions suppos lorsque s tait gal 4.
Voici donc la matrice
0
. Nous avons fait gurer en vert les strates correspondant des
tats hauts et en bleu celles correspondant aux tats bas.
Superstrate Strate j = = 216 j = 217 . . . j = 228 j = 229 . . . j = 959 j = = 960
1
i = 1 8 8 . . . 16 16 . . . 496 504
i = 2 4 4 . . . 8 8 . . . 248 252
2
i = 3 6 6 . . . 10 10 . . . 250 254
i = 4 3 3 . . . 5 5 . . . 125 127
3
i = 5 4 4 . . . 6 6 . . . 126 128
i = 6 2 2 . . . 3 3 . . . 63 64
4
i = 7 2 2 . . . 3 3 . . . 63 64
i = 8 1 1 . . . 1, 5 1, 5 . . . 31, 5 32
On obtient alors des formes gnrales dvolution similaires celles que nous avons dj
analyses, avec des variations locales dencours assez nettes. La dirence est que ces varia-
tions sont ici principalement dues aux mouvements des clients au sein de leur superstrate
respective entre les tats hauts et bas.
Pour discerner ces cas, nous avons simul des trajectoires de lencours global de la banque
pour direntes valeurs de u. An de saisir linuence de ce paramtre seul, nous avons par
ailleurs adopt une ination constante =0.002. Nous avons pris u0.5, 0.1 correspondant
dirents cas dcrits dans le paragraphe prcdent et nous avons simul des trajectoires de
lencours sur 10 ans.
51
Fig. 13 Une trajectoire pour u=0.5 (courbe verte) et u=0.1 (courbe rouge) de la dynamique
de lencours total avec un encours moyen par cellule dterministe
Nous avons alors calcul, dans le cas u=0.5, la volatilit renormalise moyenne de len-
cours obtenue sur 1000 trajectoires. La volatilit correspondante sest ainsi avre tre seule-
ment 3% infrieure celle obtenue dans le cas des strates simples (s=4) pour l =2 ! Nous
sommes donc eectivement parvenus obtenir des sursauts locaux de lencours, similaires
ceux dans le modle simple 4 strates pour l =2, et ce en dpit de la valeur l =60 ! Ainsi,
nous conservons ici un pouvoir explicatif fort sur chaque client, qui a une forte probabilit
de rester au sein de sa superstrate. Toutefois, grce la modlisation simple du caractre
alatoire de lencours personnel de chacun dentre eux dun mois sur lautre, nous crons
une volatilit locale qui diminue notre pouvoir prvisionnel sur lencours global. Par ailleurs,
les deux trajectoires simules ci-dessus permettent dentrevoir les dirences de dynamique
imposes par le changement de valeur de u.
Pour u=0.1, on discerne ainsi des formes dalternances frquentes entre croissance locale
et dcroissance locale de lencours dun mois sur lautre. Cet eet balanoire est d latti-
rance pour la strate binme : une situation de dsquilibre en t (plus de personnes dans ltat
haut que dans ltat bas) est suivie avec une trs forte probabilit dun dsquilibre
inverse en t + 1. Cest cet eet que nous discernons dans les crtes de la courbe dvolution
de lencours. Nous avons entour une telle volution caractristique en dents de scie (voir
Figure 13 ci-dessus).
Toutefois, la formidable stabilit dmographique que nous imposons ici (uniformit initiale
et constance en moyenne dans le temps) ne permet pas de distinction encore trs nette
des types dvolution de lencours futur. Nous allons donc prsent rintroduire laspect
dmographique.
52
Les paramtres adopts sont l =60 et u=0.5, correspondant un changement de super-
strate tous les 5 ans en moyenne et une quiprobabilit entre les deux tats haut et bas.
Les entres sont nouveau calibres conformment aux projections futures de la pyramide
des ges. Nous prenons dsormais n=10.
Nous avons fait gurer sur les graphes ci-aprs les volutions respectives de lencours avec
une situation initiale stable de la base de clientle puis avec les deux types de dsquilibre
(vers le bas et vers le haut). Sur chaque graphe, nous avons galement fait gurer en noir la
courbe dvolution de lencours si celui-ci suit exactement le niveau dination (qui crot de
2.4% par an) : cela fournit ainsi une base de comparaison pour les croissances des trajectoires
simules. En outre, toutes les trajectoires ont t renormalises de manire partir dune
origine commune, le but tant de discerner les formes dvolution partir dun mme point
de dpart actuel.
Fig. 14 Une trajectoire avec une situation initiale stable (courbe verte) et un dsquilibre
dmographique vers le haut (courbe rouge) de la dynamique de lencours total avec une
ination constante dans le modle superstrates
On retrouve le fait quun dsquilibre vers le haut entrane une sous-performance par rap-
port lination. Dans une premire phase, lencours dcrot faiblement en raison de la perte
des clients gs qui dtiennent le plus dencours. La tendance sinverse cependant progressi-
vement en quelques annes. Cela est d lination dune part, mais aussi laugmentation
du nombre de jeunes clients, au vieillissement de la base de clientle dun ge intermdiaire
en t = 0 ainsi qu larrive de la gnration du baby-boom, qui fournit un nombre crois-
sant dentres de clients dun ge avanc. Lorsque la banque possde initialement une base
de clients stable, cest--dire calque sur la pyramide des ges, elle surperforme lination
comme nous lavons dj constat dans les modles strates. Cela est essentiellement li au
vieillissement de ses clients appartenant la gnration du baby-boom.
53
Fig. 15 Une trajectoire avec une situation initiale stable (courbe verte) et un dsquilibre
dmographique vers le bas (courbe bleue) de la dynamique de lencours total avec une ination
constante dans le modle superstrates
Dans le cas dun dsquilibre dmographique initial vers le bas caractristique des banques
en ligne, la surperformance par rapport lination est trs nette. Elle provient essentielle-
ment de la croissance du nombre de clients et au vieillissement de la clientle existante. On
obtient dans les deux cas un rquilibrage progressif en plusieurs annes, sans pour autant
tuer toute volatilit locale comme cela tait le cas avec l = 60 dans le modle strates
simples.
Enn, ce ranement superstrates permet galement dintgrer linuence de dsqui-
libres de la dmographie initiale de la base de clientle entre les tats haut et bas, an
de mieux anticiper lvolution de lencours sur le court terme. Imaginons, titre dexemple,
que lon sache que u a une valeur faible. Autrement dit, lattirance pour la strate binme
est forte : un compte bien aliment a de fortes chances davoir beaucoup diminu au mois
suivant (par virement vers les comptes dpargne par exemple). Ds lors, si la distribution
de clients prsente un dsquilibre envers un tat, on obtient une forme de rmanence locale
de ce dsquilibre sur le court terme, avec un eet oscillant qui samortit sur plusieurs mois.
Inversement, si u est fort, on sattend conserver ce biais vers les strates hautes sur les
mois venir.
Pour illustrer notre propos, nous avons simul une trajectoire dencours sur un an avec l =
60 et u=0.1. Nous avons cr un dsquilibre initial en partant de la situation dmographique
stable puis en transfrant, pour chaque ge j et chaque superstrate, un client de ltat
bas vers ltat haut. Sachant que n = 10, cela reprsente 10% de leectif de chaque
cellule jusqu 65 ans.
54
Fig. 16 Une trajectoire avec dsquilibre dmographique initial vers les strates hautes
On observe trs clairement la rmanence annonce, avec un eet balanoire qui samortit
dans ce cas-ci sur une dure typique dune anne. Au-del, le dsquilibre sest eac suite aux
mouvements et arrives de nouveaux clients. Cela permet dune certaine manire de crer un
mouvement de masse court terme. Tout se passe ainsi comme si lon crait articiellement
une corrlation entre les mouvements de clients dans le modle strates simples. On obtient
ds lors une libert de modlisation supplmentaire dont on ne disposait pas avant.
En consquence, ce modle peut tre utile pour aner la prvision court terme de
lencours si lon dispose de la distribution actuelle de la base des clients et si lon a calibr
(sur la base dobservations historiques) la valeur de u.
Finalement, ce modle superstrates, qui nous donne la possibilit de pianoter sur
les tats haut et bas, sur les probabilits de transition de lun vers lautre et sur les
taux de transition de superstrate nous permet de gnrer, dans le cadre de valeurs de
paramtres ralistes
16
, des trajectoires de lencours qui respectent certains faits styliss
que nous posons a priori :
un fort pouvoir prvisionnel sur ltat patrimonial de chaque client (cest--dire la
superstrate laquelle il appartient)
une volatilit locale (sur pas de temps mensuel) de lencours
une rmanence sur le moyen-long terme dun dsquilibre dmographique initial qui
samortit en plusieurs annes
Dun point de vue purement thorique, ce modle, que nous avons appel superstrates,
est toutefois strictement identique aux cas analyss prcdemment. Notre but ici tait sim-
plement de construire une structure pour notre banque virtuelle qui soit plus raliste du point
de vue des valeurs de paramtres et de prouver que lon retrouvait toujours les faits styliss
soulevs.
16
Dans le sens o les taux de transition et de sortie adopts paraissent plausibles si lon interprte les
superstrates comme le reet de la surface nancire et les strates comme ltat du compte
55
9 Vers une calibration du modle sur les donnes
historiques ?
Le modle construit tant en mesure de gnrer de nombreux faits styliss ralistes,
il est tentant de chercher le calibrer sur les donnes historiques de La Banque Postale. Il
serait intressant danalyser les scnarios dvolution de lencours bancaire quil gnre dans
un cadre concret, et ventuellement de confronter ses prdictions la ralit.
Malheureusement, cette calibration se heurte une dicult (dordre pratique) ma-
jeure : en eet, notre modle prsuppose que la banque ait ventil sa clientle en strates par
surface nancire et surtout quelle dispose dun historique individuel susamment ancien de
chacun de ses clients actuels. Cest une condition sine qua non lestimation des dirents
taux de transition et de sorties volontaires. En outre, mme si ces informations individuelles
taient enregistres, il faudrait encore retravailler lensemble de la base de donnes an de
calculer les eectifs des direntes cellules et le nombre de clients bougeant vers une cellule
donne chaque date, pour pouvoir eectivement commencer le travail destimation.
Cest la raison pour laquelle nous navons pas t en mesure de calibrer notre modle sur
la clientle de La Banque Postale.
Remarquons toutefois ici que, mme si nous parvenions estimer lensemble des para-
mtres du modle (les
(i,j)
k
et o
(i,j)
des matrices de transition) ainsi que les lois des processus

(i,j),t
dans une premire tape , il nous faudrait encore eectuer, dans une seconde tape, des
simulations de type Monte-Carlo partir de ces paramtres estims. Ce procd est dnomm
doublement stochastique dans la littrature statistique car lincertitude porte dj sur les
paramtres des lois simules.
56
Quatrime partie
Modlisation de lvolution de la
marge nette
10 Dnition et principes
10.1 Une approche conomique et comptable
Deux approches sont envisageables dans la valorisation conomique des dpts que la
banque dtient aujourdhui.
La premire dentre elles, particulirement utilise aux tats-Unis o le concept de juste
valeur prdomine, est la valeur actuelle nette (VAN) des dpts vus daujourdhui, ou NPV
(Net Present Value). Conforme la vision nancire classique du marked-to-market, elle
consiste actualiser la somme des cash ows futurs aectant les dpts pour en donner la
valeur conomique actuelle. Le plus gros dfaut de cette approche est sa sensibilit aux uc-
tuations des taux dintrt : des mouvements de la courbe des taux modient profondment
la valeur de la banque. Cest pourquoi cette approche, plutt adapte la valorisation de
titres amens tre revendus trs court terme, est parfois considre comme articielle ou
virtuelle pour valoriser un agrgat de dpts.
En gestion ALM, et particulirement en France, les banques de dtail raisonnent plutt
en couru. On parle dapproche IRM (Interest Rate Margin) ou MNI ( pour Marge Nette
dIntrts). Cela consiste se focaliser sur lvolution, au cours du temps, des ux gnrs
par les dpts, en les considrant au l de leau, sans actualisation. Dans cette vision, cest
le concept de marge nette dgage chaque date qui prend toute son importance.
Dune manire gnrale, la marge nette dintrts dgage par ltablissement la date t,
que nous noterons IRM(t), peut tre dnie comme le ux net dintrts peru par la banque
cette mme date. Ainsi, IRM(t) =I
+
(t) I

(t) o I
+
(t) dsigne le ux dintrts peru
par la banque la date t au titre de ses placements eectus avant cette date, alors que I

(t)
sidentie au ux dintrts revers aux clients en t en rmunration de leurs dpts.
Dans le cadre de cette tude, nous aurons I

(t)=0 pour tout t puisque les CCP ne sont

pas rmunrs. Ainsi
IRM(t) = I
+
(t)
10.2 Les stratgies de placement et le compte dintrts
Soit un horizon h en mois, pris suprieur ou gal 60. chaque date 0 t h 1, la
banque investit tout ou partie des dpts clientles sur les marchs. Plusieurs dimensions
sont prsentes dans ce processus de dcision : le choix de la quantit dencours investir, le
choix du ou des supports de placement et lallocation chacun dentre eux.
Nous supposerons dornavant que la banque a le choix, chaque date, entre deux supports
dinvestissement, orant des taux dintrts dirents :
le premier support correspond des prts interbancaires dchance un mois (court
terme) ;
le second support correspond des investissements de plus long terme dchance 5
ans.
Les deux supports sont fonds sur des combinaisons de zros-coupons de direntes chances.
Un zro-coupon dchance T est un instrument nancier qui rapporte 1 euro en T. On dit
57
alors quil a pour maturit T t
17
. Le prix en t dun tel instrument nancier est not ZC(t, T).
Le temps est dcompt en mois dans ces notations. Nous adoptons les hypothses de travail
suivantes dans le cadre de notre tude :
le support court-terme dans lesquel on peut investir en t 0, 1, . . . , h 1 est le zro-
coupon dchance t +1, donc de maturit 1 mois. Le prix dbourser en t pour un tel
produit est ZC(t, t + 1) ;
le support long-terme dans lequel on peut investir en t 0, 1, . . . , h 1 est lobligation
dchance 5 ans, de nominal 1 euro et reversant des coupons mensuels xes de x
t
euros
avec remboursement du nominal chance. Les ux reverss par ce produit nancier
achet en t sont illustrs sur le schma ci-dessous ;
Cet instrument nancier est en fait une combinaison de zros-coupons de direntes
chances. Par absence dopportunits darbitrage (AOA)
18
, le prix dachat en
t 0, 1, . . . , h 1 de cette obligation scrit :
Bond(t, t + 60) = 1 =
60

i=1
x
t
ZC(t, t +i) +ZC(t, t + 60)
Son prix de revente, en une date t
v
t + 1, t + 2, . . . , t + 59, scrit :
Bond(t
v
, t + 60) =
t+60

i=t
v
+1
x
t
ZC(t
v
, i) +ZC(t
v
, t + 60)
Remarquons que le montant du coupon est x en t la date dachat par lquation
x
t
=
1 ZC(t, t + 60)

60
i=1
ZC(t, t +i)
;
chaque date t 1, 2, . . . , h, la banque peroit un ux I(t) au titre de ses placements
passs, qui peut tre divis entre remboursement de capital K(t) et tombe de ux
dintrts I
+
(t), avec donc I(t) = K(t) + I
+
(t). Le montant K(t) est rintgr la
masse des CCP et rinvesti sur les marchs. En revanche, I
+
(t) est revers sur le
compte dintrts destin aux actionnaires de ltablissement. En consquence, les
17
Lchance dun produit nancier est la date laquelle il expire donc ici la date o lon reoit lunique
dtachement de coupon de 1 euro alors que sa maturit est la distance lchance
18
Il nest pas possible de gagner de largent coup sr partir dun investissement nul
58
tombes dintrts ne viennent pas alimenter lencours de CCP et ne peuvent pas tre
rinvesties des dates ultrieures ;
les marchs sont parfaits : on peut acheter et vendre toute proportion de titres, il ny
a pas de cots de transaction, les marchs sont inniment liquides
19
et nous ignorons
le risque de contrepartie
20
(ainsi, les investissements considrs sont sans risque).
11 Le modle
11.1 La courbe des taux
Comme les stratgies de placement considres correspondent des prts de maturits dif-
frentes, il nous faut modliser lvolution des taux de march correspondant ces direntes
maturits. Lobjet de cette section est de modliser la courbe des taux.
Plusieurs modles classiques sorent nous. Le modle de Vasiek, qui a dj t rencon-
tr dans la section ddie au taux dination, est largement employ en raison de sa simplicit.
Nous adoptons un modle probabiliste de march
_
, , (F
t
)
t

R
+
, P
_
, o P dsigne la pro-
babilit historique que nous avions dj rencontre, lors du modle de dynamique interne
la banque. Nous supposons labsence dopportunits darbitrage sur ce march, garantissant
lexistence dune probabilit risque-neutre Q quivalente la probabilit historique. Nous
avons dcid de retenir le modle de Hull et White qui constitue une extension du modle de
Vasiek sous lequel la diusion du taux court (taux spot), sous la probabilit risque-neutre
Q, se met sous la forme
dr
t
=
_

b
t
ar
t

_
dt

+ d

W
t
, t

R
+
o

W
t
dsigne un mouvement brownien standard (sous Q). On parle de modle de taux k
facteurs si la dimension de ce brownien est k. Dans cette tude, nous nous restreindrons un
modle un facteur. En tant que solution dune quation direntielle stochastique, le taux
spot est markovien sous cette dynamique. Il est intressant de noter que, dans le cas gnral,
la probabilit que le taux court soit ngatif sous Q est strictement positive.
Les paramtres a et R

+
sont constants et correspondent respectivement la force de
rappel du processus et sa volatilit. Le paramtre

b
t
est dterministe et il est choisi de
manire tter la courbe des taux actuellement observe sur les marchs. Plus prcisment,
il est calibr implicitement de faon ce que les taux forwards instantans issus du modle
correspondent ceux issus du march. Nous allons expliciter cette dmarche
21
.
Dans le cadre de lcriture du modle de Hull et White, le temps est dcompt en
annes. Cest la raison pour laquelle nous le notons t

, la dsignation t tant rserve aux

dures mensuelles.
Il nous faut modliser les dformations de la courbe des taux en crivant les quations
suivies par les zros-coupons. Soit le zro-coupon dchance T

qui rapporte 1 euro en T

,
dont le prix en t

est not B(t

, T

). Toujours sous lhypothse dAOA, tous les actifs du

march ont pour rendement r
t
sous Q. Nous pouvons alors crire
dB(t

, T

) = B(t

, T

)
_
r
t
dt

+(t

, T

)d

W
t

_
, t

R
+
19
Il y a toujours une contrepartie lachat et la vente pour toute quantit de titres
20
Connu aussi sous le nom de risque de crdit, cest le risque que la contrepartie (ici lmetteur du zro-
coupon ou de lobligation) fasse dfaut et ne puisse tre en mesure de nous verser le(s) ux initialement
convenu(s)
21
Plusieurs formules seront indices par un numro. La dmonstration prcise dobtention de la formule
correspondante gure en annexe B
59
Le taux zro-coupon actuariel R(t

, T

) crit en base annuelle

22
prvalant en t

pour un zro-
coupon dchance T

est la variable alatoire dnie par

B(t

, T

) =
1
(1 +R(t

, T

))
T

La courbe T

R(0, T

) dnit la courbe zro-coupon actuelle.

Il y a une innit dactifs sur ce march (autant que dchances). En posant
F
t
=
_

W
u
, 0ut

_
, le march peut donc tre suppos complet.
En eectuant le changement de variable Y
t
= r
t
e
at

, on intgre lquation prcdente

selon
r
t
= r
0
e
at

+
_
t

0
e
a(t

s)

b
s
ds +
_
t

0
e
a(t

s)
d

W
s
On a mme plus gnralement
r
T
= r
t
e
a(T

)
+
_
T

e
a(T

s)

b
s
ds +
_
T

e
a(T

s)
d

W
s
(1)
compte tenu du caractre markovien.
Pour reconstruire la courbe des taux sous ce modle, il nous faut dterminer le prix des
zros-coupons de direntes chances. Par AOA et compltude du march, nous avons
B(t

, T

) = E
Q
_
e

_
T

r
u
du
[F
t

_
()
Comme nous connaissons la dynamique du taux spot sous la mesure Q, il nous est possible
dexpliciter le prix des zros-coupons en fonction des dirents paramtres du modle.
Notons I(t

, T

) lintgrale du taux court sur lintervalle [t

, T

], soit I(t

, T

) =
_
T

r
u
du.
Par application du thorme de Fubini stochastique, nous obtenons que, conditionnellement
F
t
, I(t

, T

) suit une loi gaussienne dont les deux premiers moments sont donns par
_

_
m(t

, T

) = E
Q
[I(t

, T

)[F
t
] =
1
a
_
r
t
(1 e
a(T

)
)
_
T

e
a(T

s)

b
s
ds +
_
T

b
s
ds
_
V (t

, T

) = V
Q
[I(t

, T

)[F
t
] =

2
a
2
_
T

+
2
a
e
a(T

1
2 a
e
2 a(T

3
2 a
_
(2)
De la relation (), nous obtenons B(t

, T

)=e
m(t

,T

)+
1
2
V (t

,T

)
.
Remarquons que jusqu prsent, nous ne connaissons pas

b
t
. Nous allons le dterminer
de faon ce que les prix zro-coupon du modle correspondent ceux observs aujourdhui
sur les marchs.
Considrons le taux spot (ou instantan) forward la date T

vu de la date t

dni par
f(t

, T

) =
ln(B(t

, T

))
T

22
Cest une convention
60
Il sagit du taux prvalant la date T

pour une dure innitsimale, anticip depuis la

date t

. Cette variable alatoire F

t
-mesurable est donc une fonction dterministe de la courbe
des taux T

B(t

, T

) de la date t

. Il est quivalent de connatre les taux spot forward et

les prix zros-coupons, car ils sont lis par
B(t

, T

) = e

_
T

f(t

,s)ds
En particulier, compte tenu de la forme obtenue pour B(t

, T

), les taux forward instantans

initiaux scrivent
f(0, T

) =
ln(B(0, T

))
T

=
m(0, T

)
T

1
2
V (0, T

)
T

soit
f(0, T

) = r
0
e
aT

+
_
T

0
e
a(T

s)

b
s
ds

2
2 a
2
_
1 2e
aT

+e
2 aT

_
Par drivation par rapport T

, on obtient alors la calibration suivante pour

b
T

b
T
= af(0, T

) +
f(0, T

)
T

+

2
2 a
_
1 e
2 aT

_
(3)
En utilisant cette relation, lexpression donnant le taux court se rcrit alors
r
T
= r
t
e
a(T

)
+(T

) (t

)e
a(T

)
+
_
T

e
a(T

s)
d

W
s
(4)
o (t

)=f(0, t

) +

2
2 a
2
_
1 e
at

_
2
. titre illustratif, nous faisons gurer ici la courbe des
taux zros-coupons actuariels ainsi que la courbe des taux forwards instantans actuelles.
Elles se dsuisent aisment lune de lautre, comme nous lavons expliqu. Leur connaissance
est indispensable la calibration du modle de Hull et White.
Fig. 17 La courbe des taux actuelle
61
En utilisant lexpression trouve pour

b
T
ci-dessus, lesprance conditionnelle m(t

, T

)
de I(t

, T

) peut se rcrire
m(t

, T

) = P(t

, T

) (r
t
(t

)) +ln(
B(0, t

)
B(0, T

)
) +
1
2
(V (0, T

) V (0, t

)) (5)
en notant P(t

, T

) =
1 e
a(T

)
a
. On en dduit nalement lexpression des prix zro-
coupons
B(t

, T

) =
B(0, T

)
B(0, t

)
exp
_
(f(0, t

) r
t
) P(t

, T

)

2
4 a
_
1 e
2 at

_
P(t

, T

)
2
_
(6)
Dans la mesure o B(t

, T

) scrit e
A(t

,T

)r
t
+C(t

,T

)
, avec A et C fonctions dterministes,
on dit que le modle de Hull et White est un modle ane de taux
23
.
Le modle de Hull et White prsente lnorme avantage dtre compatible avec la
courbe des taux actuelle (ce qui nest pas le cas du modle de Vasicek). Il ore par ailleurs
des expressions relativement simples pour les niveaux de taux et les prix des zro-coupons,
ce qui en fait un modle facile dutilisation.
Si lon souhaite diuser des taux courts et taux longs partir de ce modle, il faut se
donner les jeux de paramtres suivants :
les paramtres intrinsques du modle a et
le paramtre observ

b
t
. On utilise la courbe des taux actuelle (les prix zro coupons
B(0, T

) pour lensemble des T ncessaires) pour calculer les taux forwards instantans
et implicitement calibrer la fonction pour lensemble des maturits.
Une simulation de taux dintrts correspond alors la gnration de lensemble de trajec-
toires t

B(t

, T

)
T

{1,2,...,h+59}
.
Voici par exemple trois trajectoires simules du taux spot sur les cinq prochaines annes.
Fig. 18 Des trajectoires du taux spot r
t
sous Hull et White avec a=0.1 et =0.01
23
Lexposant dans lexponentielle est une fonction ane du taux spot r
t

62
Nous avons construit ce modle en base annuelle comme cela est de coutume, mais
nous pouvons en dduire trs facilement les grandeurs en base mensuelle que nous avons
dnies prcdemment. Remarquons en eet que les variables mensuelles et annuelles
dnies sont trs simplement relies par
ZC(t, t +n) = B(
t
12
,
t +n
12
)
avec t 0, 1, . . . , h 1 et n1, 2, . . . , 60 entiers qui reprsentent le temps en mois.
Le taux de rmunration oert en t sur [t, t + 1] pour linvestissement mensuel de maturit
1 mois est le taux EURIBOR
24
un mois not L(t). Il sagit dun taux linaire post-compt
exprim en base annuelle. En consquence, par absence dopportunit darbitrage, nous
avons immdiatement
25
ZC(t, t + 1) =
1
1 +
1
12
L(t)
o L(t) sexprime partir du modle de Hull et White selon
L(t) = 12
_
1
B(
t
12
,
t
12
+
1
12
)
1
_
pour t 0, 1, . . . , h 1
Nous supposerons dans cette tude que le niveau des taux est indpendant de tous les
mouvements de clients. En reprenant les notations dj introduites, nous armons donc que
les variables alatoires r
t

t

R
+
,
_

(i,j),t
_
((i,j),t)N

et
_

(i,j),t,l
_
((i,j),t,l)N

sont toutes mutuellement indpendantes.

11.2 Rcapitulatif du modle gnral
Dans cette section, nous tablissons un rsum de lensemble du cadre mathmatique
construit. Lensemble des variables dintrt sont dnies sur un espace probabilis (, , P)
muni dune tribu . La probabilit historique est dsigne par P. Voici lensemble de la
dmarche suivie :
nous avons dni les variables alatoires, avec t en mois,
_

(i,j),t
_
((i,j),t)N
,
_

(i,j),t
_
((i,j),t)N

et
_

(i,j),t,l
_
((i,j),t,l)N

, ainsi
que les critures matricielles condenses
_

t
_
tN
et
t

tN

associes aux deux pre-

mires. La variable
(i,j),t
, valeurs dans R, reprsente lencours client moyen de la
cellule (i, j) la date t. La variable alatoire
(i,j),t,l
est, quant elle, valeurs dans
o et associe au client numro l de la cellule (i, j) la date t 1, lendroit o
il sera la date suivante t (un indice k de sil reste dans la banque et intgre la
cellule (k, j + 1) et o sil quitte ltablissement). La variable
(i,j),t
, valeurs dans N,
reprsente le nombre darrives extrieures (ie de nouveaux clients) dans la cellule (i, j)
entre t 1 et t.
Enn, nous avons not (H
t
)
tN
la ltration canonique associe ces trois familles de
variables alatoires et (M
t
)
tN
celle associe aux deux dernires, qui concernent les
mouvements de clients (on a donc M
t
H
t
) ;
sous lhypothse dAOA, nous avons dni une probabilit risque-neutre Q quivalente
P, puis un mouvement brownien standard
_

W
t

_
t

R
+
unidimensionnel sous Q.
24
Euro Interbank Oered Rate
25
Rappelons que t est dcompt en mois
63
partir de ce dernier, nous diusons les taux spot selon le modle de Hull et White qui
scrit dr
t
=
_

b
t
ar
t

_
dt

+ d

W
t
avec t

R
+
en annes, ce qui permet de retrouver
lensemble de la courbe des taux et ses dformations au cours du temps. Nous avons
not F
t
=
_

W
t
, 0ut

_
la ltration engendre par ce brownien;
nous avons galement dni, avec t en mois, un mouvement brownien standard uni-
dimensionnel (W
t
)
tR
+
sous P, puis, partir de celui-ci, lination mensuelle
t
par
lquation direntielle stochastique d
t
=a(b r
t
) dt+dW
t
pour t R
+
. Nous avons
not G
t
=(W
t
, 0ut) la ltration engendre par ce brownien.
Remarquons ainsi que les tribus (H
t
, t N), (F
t
, t

R
+
) et (G
t
, t R
+
) sont toutes
incluses dans .
En ce qui concerne les lois de ces variables, nous avons pos les hypothses suivantes :
(1) les variables alatoires
_

(i,j),t
_
((i,j),t)N
,
_

(i,j),t
_
((i,j),t)N

et
_

(i,j),t,l
_
((i,j),t,l)N

sont toutes mutuellement indpendantes ;

(2) ((i, j), t, l) N

, P
_

(i,j),t,l
=k
_
=
(i,j)
k
si k est dans et
P
_

(i,j),t,l
=o
_
=o
(i,j)
avec donc
s

k=1

(i,j)
k
+o
(i,j)
= 1 ;
(3) les tribus (M
t
, t N) et (F
t
, t

R
+
) sont indpendantes : les mouvements des clients
sont donc indpendants des mouvements de taux sur les marchs
(4) les tribus (M
t
, t N) et (G
t
, t R
+
) sont indpendantes : les mouvements des clients
sont donc indpendants de lvolution de lination
11.3 Les stratgies de placement
11.3.1 Position du problme
Nous avons vu que la banque de dtail considre investit chaque date le montant den-
cours dont elle dispose, soit en prt interbancaire de rmunration EURIBOR pour le mois
suivant, soit en obligations 5 ans avec coupons mensuels xes. Nous supposons dornavant
que ltablissement de dtail choisit une proportion xe y [0, 1] pour spcier cette alloca-
tion entre court-terme et long-terme. Plus prcisment, notre hypothse de travail pose que
la banque investit sur les marchs chaque date t un montant y
t
sur le support court-terme
et le montant rsiduel en obligations. Ainsi, la banque eectue son allocation en terme de
proportions xes de lencours des CCP la date considre. titre dexemple, un choix de
y = 10% signie que la banque souhaite garder en rolling court-terme exactement 10%
de ce quelle doit ses clients. Cela correspond une vision moins prudente que y =50% :
en eet, si la banque doit faire face un nombre important de sorties un moment donn,
elle sera plus en mesure, dans le second cas, de lever facilement les liquidits pour rendre
largent aux clients qui la quittent. Il est toutefois plausible de considrer que le placement
long-terme ore une rmunration suprieure, dans la mesure o la courbe des taux est (en
gnral) croissante.
Il y a ainsi deux stratgies caricaturales : dune part, placer continuellement long terme
lintgralit des dpts (y =0) et dautre part investir la totalit court terme (y =1). Dans le
premier cas, la volatilit de la marge est fortement rduite mais on est expos un trs grand
risque de liquidit ; dans le second, la marge nette dgage connat de plus fortes variations et
64
suit les eets de cycle, mais on est en mesure tout instant de faire face un retrait massif.
Un arbitrage rmunration/risque doit donc seectuer.
De plus, il apparat plausible que cet arbitrage doive tre considr diremment suivant
la structure de la base de clientle existante. Par exemple, une banque en ligne, prsentant
un dsquilibre dmographique vers le bas, est a priori moins expose au risque de liquidit
quun tablissement prsentant, linverse, un dsquilibre dmographique vers le haut. Cest
en tout cas ce que suggrent nos analyses de la partie prcdente : dans le premier cas, la
croissance de lencours bancaire est en eet trs nette alors que dans le second, des dcrois-
sances locales de celui-ci dun mois sur lautre (pouvant tre lorigine dinsusance de
trsorerie) sont bien plus probables.
Nous nous posons donc ici la question du choix de la proportion optimale
26
y

dallocation
entre les deux supports pour une banque donne.
11.3.2 Mtriques utilises
Suivant la stratgie de placement choisie et la masse dencours disponible chaque date,
la banque dgage un ux continu de marges nettes dintrts IRM(t)
t{1,2,...,h}
venant
alimenter le compte dintrts. Un des buts du pilotage actif-passif est de rendre ce processus
le moins volatile possible, en lissant la rmunration perue par ltablissement au cours du
temps. La banque souhaite saranchir autant que possible des eets de cycle (taux bas et
encours en baisse par exemple). Il faut en particulier chercher insensibiliser le plus possible
la marge nette dintrts aux uctuations de taux.
Une premire appoche naturelle peut donc consister analyser, pour direntes strat-
gies y, la volatilit de la srie t IRM(t) et retenir celle(s) qui la rend(ent) minimale.
Cependant, cette dmarche nest pas compltement satisfaisante dans la mesure o lon peut
sattendre intuitivement ce quelle slectionne la stratgie qui consiste tout placer long
terme. Ce faisant, on ignore nouveau totalement le risque de liquidit ! Pour imposer une
contrainte indirecte sur lallocation des dpts entre les deux placements, il nous faut donc
simuler un scnario de stress consistant en une perte massive et brutale de clients (une dimi-
nution importante des CCP), concomitante une forte lvation du niveau des taux sur les
marchs. Dans ce scnario de stress, une banque ayant massivement investi long terme se
voit contrainte de vendre dans lurgence tous ses actifs longs (an de disposer des liquidits
exiges par les clients quittant ltablissement) alors que le contexte de march est trs dfa-
vorable !
Au vu de la brve discussion mene prcdemment, la dnition de loptimalit de la
stratgie doit donc ncessairement intgrer un critre de lissage de la rmunration
dans le temps et un critre de risque. Nous retenons ainsi une double mtrique pour
spcier la performance de la stratgie associe la proportion y [0, 1] :
la volatilit ralise renormalise de la srie chronologique IRM(t)
t{1,2,...,h}
sur
lintervalle [61, h] avec pas mensuel, dnie comme
=
1000
(h 61)
0

_
h

t=62
(IRM(t) IRM(t 1))
2
Le but est de la rendre minimale an de lisser le processus de marge nette dintrts
dans le temps. La raison du choix de lintervalle [61, h], au lieu de [0, h] qui peut paratre
26
Dans un sens que nous allons dnir prsent
65
plus naturel, vient du fait que lon souhaite faire une comparaison en rgime tabli et
non transitoire : en eet, sur [0, 60], il ny a aucun rinvestissement de capital provenant
du portefeuille dobligations. linverse, sur [61, h], la stratgie adopte est mature :
la banque possde potentiellement des obligations dchance t pour tout t [61, h] et
a commenc rinvestir des tombes en capital provenant du portefeuille dobligations ;
la perte ralise renormalise suite lapplication dun scnario de stress, qui consiste
gnrer simultanment une forte attrition de la base clientle existante (et donc
une dcroissance locale subite de lencours) ainsi quun choc sur la courbe des taux.
Il sagit nouveau dun critre de risque qui permet danalyser la robustesse de la
stratgie adopte en testant la perte laquelle est expose ltablissement sur un tel
scnario catastrophe. Le stress cr consistera plus prcisment en un dpart subit,
la date t

=
60 +h
2
, de 10% de la base de clientle et un choc de taux simultan
ZC(t

, i)
ZC(t

, i)
1.03
consistant dcaler lensemble de la courbe zro-coupon de la
date t

, selon un mme facteur multiplicatif. En adoptant la notation u

=max(u, 0)
pour uR, la perte renormalise supporte par la banque dans ce stress test est alors
dnie par
=
1000

0
(IRM(t

))

.
La double mtrique adopte illustre donc bien le fait quun arbitrage doit tre eectu par
ltablissement de crdit entre ces deux approches extrmes. En eet, il sagit dune part de
placer le plus possible long terme an de lisser au maximum la marge nette dans le temps
et de linsensibiliser aux mouvements de taux et, dautre part, de continuer placer une part
susamment importante court terme. Cela permet de disposer tout instant de liquidits
susantes pour faire face un stress potentiel de sortie des clients.
11.3.3 Notations
Rappelons que la banque peroit chaque date t 1, 2, . . . , h un ux I(t) au titre de
ses placements passs, qui peut tre divis entre remboursement de capital K(t) et tombe
de ux dintrts I
+
(t) avec I(t) =K(t) + I
+
(t). chaque date t 0, 1, . . . , h 1, notons

disp
t
le montant total de liquidits dont la banque dispose la date t pour investir sur les
marchs. Il est a priori dirent de lencours
t
que nous avons modlis, dans la mesure o
la banque en a dj investi une partie dans le pass. Ainsi,
t
est le volume dencours en t en
terme de passif (autrement dit, en terme de dette de ltablissement envers ses clients) alors
que
disp
t
est le montant de ce passif que la banque peut eectivement mobiliser et placer en
t. Avec les notations dj introduites, il est immdiat que

disp
t
= K(t) + (
t

t1
)
K(t) est la partie du capital prcdemment investie que lon rcupre en t tandis que (
t

t1
) est la variation dencours due lination et aux mouvements des clients. En particu-
lier, si la tombe en capital est faible et si lencours clientle diminue entre les dates t 1 et
t, on se retrouve dans une situation dans laquelle
disp
t
<0. Nous allons revenir sur ce point.
y [0, 1] est la proportion de
t
que la banque choisit davoir plac en t dans le support
court-terme.
Enn, nous dnissons, pour t 1, . . . , h, les variables n
i
(t)R qui dcrivent la quantit
dobligations dchance i 60, 61, . . . , h + 59 dans le portefeuille de ltablissement au
terme de linvestissement de la date t 1.
66
titre dexemple, imaginons que la banque prte, chaque date, la totalit de lencours
disponible pour le mois suivant (rmunration EURIBOR 1 mois) dans une stratgie de
rolling continu, an de disposer chaque date de la totalit des liquidits dposes sur leurs
comptes par ses clients. Nous avons dans ces conditions y =1 et pour tout t 0, 1, . . . , h 1
_

disp
t
=
t
K(t + 1) =
t
IRM(t + 1) = I
+
(t + 1) =

t
12
L(t) =
t
_
1
ZC(t, t + 1)
1
_
On remarque donc que mme dans ce cas simple, la marge nette dintrts est instable.
Elle est en eet expose la fois la volatilit des taux et la volatilit de lencours des
CCP.
11.3.4 Linvestissement sur les marchs
Supposons que la banque ait choisi la proportion y pour rgir ses investissements sur les
marchs.
la date initiale t =0, la banque dispose de
disp
0
=
0
. Elle investit alors I
0
0
=y
0
en
zros-coupons dchance un mois et I
1
0
=(1 y)
0
en obligations 5 ans, qui lui rappor-
teront individuellement des coupons mensuels xes de x
0
dpendant de la courbe des taux
actuelle.
Plaons-nous prsent une date intermdiaire t 1, . . . , h 1. La banque peroit dj
le ux relatif au prt court-terme quelle a consenti la date prcdente. En t1, nous savons
quelle a investi sur ce support un montant y
t1
, correspondant une quantit
y
t1
ZC(t 1, t)
de zros-coupons de maturit 1 mois. Elle peroit donc un ux
y
t1
ZC(t 1, t)
en t qui se
partage entre remboursement de capital hauteur de y
t1
et tombe dintrts hauteur
de y
t1
_
1
ZC(t 1, t)
1
_
. Par ailleurs, la banque dispose de n
i
(t) obligations dchance
i 60, 61, . . . , h + 59 dans son portefeuille, cet instant. Ce portefeuille dobligations lui
ramne en t un remboursement en capital de n
t
(t) (si t 60) et une tombe de ux dintrts
(de aux dtachements de coupons) de
t+59

k=max(t,60)
x
(k60)
n
k
(t).
Au nal, on peut donc crire provisoirement
_

_
K(t) = n
t
(t) +y
t1

disp
t
= K(t) + (
t

t1
) =
t
(1 y)
t1
+n
t
(t)
IRM
provisoire
(t) = y
t1
_
1
ZC(t 1, t)
1
_
+
t+59

k=max(t,60)
x
(k60)
n
k
(t)
Il se pose ensuite la question du nouvel investissement raliser.
Si
disp
t
y
t
, alors la banque investit en t un montant I
0
t
= y
t
en zros-coupons
dchance un mois, correspondant une quantit
y
t
ZC(t, t + 1)
de ces titres. Elle investit
67
ensuite le montant rsiduel I
1
t
=
disp
t
I
0
t
en obligations dchance t + 60, reversant des
coupons xes x
t
. Elle achte donc une quantit I
1
t
de ces obligations. Le portefeuille dobli-
gations dtenues sactualise alors selon n
t
(t +1)=0, n
t+60
(t +1)=I
1
t
et n
i
(t +1)=n
i
(t) pour
i / t, t + 60. Finalement
IRM(t) = IRM
provisoire
(t) = y
t1
_
1
ZC(t 1, t)
1
_
+
t+59

k=max(t,60)
x
(k60)
n
k
(t)
linverse, si
disp
t
< y
t
, la banque est en dcit de liquidits puisquelle na pas
rcupr susamment en capital pour sen tenir sa stratgie dinvestissement qui impose
de prter chaque date y
t
pour le mois suivant. Ltablissement est ainsi dans lobligation
de vendre une partie de ses actifs longs pour mobiliser ces liquidits. An de ne pas compliquer
inutilement la procdure, nous supposerons que la banque vend ses obligations par chances
croissantes jusqu avoir recouvr le montant ncessaire en terme de capital. Il lui faut donc
vendre exactement y
t

disp
t
obligations, en commenant par celles dchance
max(t+1, 60), puis max(t+1, 60)+1 et ainsi de suite jusqu t+59. Si la vente de lintgralit
du portefeuille dobligations ne permet pas de combler le dcit
27
, la banque va chercher la
partie manquante dans ses capitaux propres et linscrire en ngatif dans sa marge nette de
la date t. Pour illustrer notre propos, supposons quil existe i max(t + 1, 60), . . . , t + 58
tel que y
t

disp
t
>
i

k=max(t+1,60)
n
k
(t) et y
t

disp
t

i+1

k=max(t+1,60)
n
k
(t). Dans ces
conditions, la banque vend toutes ses obligations dchance max(t + 1, 60), . . . , i et une
quantit m
i+1
(t) =
i+1

k=max(t+1,60)
n
k
(t) (y
t

disp
t
) de ses obligations dchance i + 1.
Cela permet de rcuprer exactement en capital le montant y
t

disp
t
puis dinvestir
I
0
t
=y
t
en zros-coupons dchance un mois. videmment, aucune obligation nest alors
achete en t. Cependant, cette liquidation dans lurgence des actifs longs impacte la marge
nette selon
IRM(t) = IRM
provisoire
(t)+
i

k=max(t,60)+1
n
k
(t)(Bond(t, k) 1) +m
i+1
(t)(Bond(t, i + 1) 1)
Le portefeuille dobligations dtenues sactualise alors selon n
t
(t + 1) =0, n
k
(t + 1) =0 pour
kmax(t + 1, 60), . . . , i, n
i+1
(t + 1)=n
i
(t) m
i
(t) et n
k
(t + 1)=n
k
(t) pour les autres k.
la date nale t =h, la banque dispose de liquidits hauteur de

disp
h
=
h
(1 y)
h1
+n
h
(h) et du portefeuille dobligations dcrit par les donnes des
n
i
(h), i h + 1, . . . , h + 59. Elle peroit sa dernire marge dintrts
IRM(h) = y
h1
_
1
ZC(h 1, h)
1
_
+
h+59

k=h
x
(k60)
n
k
(h)
terme, le portefeuille dobligations sactualise donc selon n
h
(h+1)=0 et n
k
(h+1)=n
k
(h)
pour k,=h.
27
Remarquons cependant que ce cas est hautement improbable
68
12 Simulations de lvolution de la marge nette
dintrts
Nous prendrons dornavant pour lensemble de nos simulations h = 120, cest--dire un
horizon dinvestissement de dix ans. Nous tudierons ainsi la marge nette gnre par les
direntes stratgies sur lintervalle de temps [60, h].
12.1 Illustration des dirences entre les stratgies dinvestissement
sur un cas trs simple
An de comprendre les dirences dans la marge nette dgage entre direntes strat-
gies dinvestissement, nous considrons une banque virtuelle dont lencours reste constant sur
[0, h], en xant
t
=1000 pour tout t 0, . . . , h. Nous simulons ensuite une trajectoire de
taux spot sous le modle de Hull et White, toujours avec les paramtres a=0.1 et =0.01,
fournissant les trajectoires de tous les prix zros-coupons t

B(t

, T

)
T

{1,2,...,h+59}
.
Pour cet ensemble de trajectoires, correspondant une simulation de taux dintrts, nous
tudions la marge nette dgage par la banque sur [60, h] avec trois stratgies donnes res-
pectivement par y 0.1, 0.5, 1. Voici les rsultats obtenus.
Fig. 19 La marge nette dintrts dgage IRM(t)
t{60,61,...,h}
pour y =1 (courbe bleue),
y =0.5 (courbe rouge) et y =0.1 (courbe verte)
Dans le cas y =1, la banque place chaque date la totalit de lencours dont elle dispose
pour le recouvrer le mois suivant. Dans ces conditions, dans la mesure o lencours dispo-
nible est constant, la marge nette suit exactement lvolution des taux dintrts. Elle est
donc volatile. Dans le cas y =0.5, la banque place chaque date la moiti de lencours dont
elle dispose court terme. Comme il ny a aucun choc de liquidit, elle nest jamais oblige
de revendre ses actifs longs et elle lisse plus sa rmunration dans le temps grce aux coupons
xes reverss par son portefeuille dobligations. La marge nette suit donc toujours lvolu-
tion des taux dintrts, mais de manire moins nette que prcdemment. Enn, dans le cas
y =0.1, la banque ne place que 10% de lencours court terme. La majorit de son actif est
69
constitue dobligations, ce qui lui permet dtre beaucoup moins tributaire des mouvements
de taux et de gnrer une marge nette dintrts trs peu volatile. Remarquons toutefois que,
dans ce cas prcis, cette dernire stratgie se caractrise par un manque gagner lorsque les
taux sont levs, typiquement aprs la date t = 100 dans notre simulation. On retrouve ici
toute la dimension de cet arbitrage : lisser la rmunration dans le temps signie saranchir
des eets de cycle et donc a fortiori sinterdire de proter pleinement des priodes forts
taux dintrts.
Pour comprendre prsent limpact dun stress de liquidit sur cette marge, nous crons
un dsquilibre local de lencours en posant
100
=900 et
t
=1000 pour t ,=30. La banque
se retrouve donc, en cette date intermdiaire, avec une perte (imprvue) de 10% de lencours.
Le stress gnr ici a seulement lieu au niveau de la base de clientle : nous ne touchons
absolument pas aux taux. Le graphe ci-dessous illustre limpact de ce scnario sur les marges
calcules prcdemment.
Fig. 20 La marge nette dintrts dgage IRM(t)
t{60,61,...,h}
pour y =1 (courbe bleue),
y =0.5 (courbe rouge) et y =0.1 (courbe verte) avec un stress de sortie en t =100
On constate visuellement que le stress de liquidit que nous gnrons ici a des consquences
trs direntes suivant la stratgie adopte. Dans le cas y =1, comme la banque se contente
de placer chaque date la totalit de lencours pour le mois suivant, le scnario ne fait, en
n de compte, que diminuer sa marge nette dgage en t = 101 de 8% par rapport au cas
prcdent o lencours tait constant. En revanche, dans les cas y =0.5 et y =0.1, la banque
se retrouve subitement en t =100 en situation dinsusance de liquidits. En consquence,
elle se voit contrainte de vendre une partie de son portefeuille dobligations. Comme le stress
intervient une date o les taux ont tendance crotre, cette revente a lieu dans un contexte
plutt dfavorable : ltablissement vend donc perte une partie de ses actifs longs. Dans
le cas o elle a la moiti de lencours plac court terme, la marge dgage en t =100 est
impacte mais reste largement positive du fait essentiellement des intrts perus au titre des
prts court-terme. A contrario, pour y =0.1, la perte engendre par la revente des obligations
dpasse le ux dintrts perus (dtachements de coupons et prt court terme) : la marge
nette devient donc ngative la date de stress !
70
En n de compte, on retrouve sur cette simulation le fait que plus y est faible, plus la
banque est expose au risque de liquidit et donc une perte importante en cas de scnario
dfavorable dvolution de lencours.
Dans le cas dun stress concomitant sur la courbe des taux, le scnario catastrophe gnr
est encore plus brutal.
Cet exemple illustre la dmarche poursuivie. Cependant, notre but reste dtudier les
marges nettes associes des trajectoires stochastiques de lencours gnres par notre mo-
dle. Nous allons donc prsent, pour dirents choix de y [0, 1], simuler indpendam-
ment
28
:
des scnarios dvolution de lencours selon le modle sur la dynamique de la base de
clientle ;
des scnarios dvolution des taux selon le modle de Hull et White.
En les couplant, nous pourrons extraire des trajectoires de marges nettes perues par lta-
blissement sur la priode considre. Nous en dduirons alors les proprits des marges
gnres par les direntes stratgies du point de vue des deux critres que nous avons choi-
sis dadopter, ainsi que linuence de la structure initiale de la base de clientle sur ces
proprits.
12.2 Volatilit de la marge et perte en situation de stress
Nous retenons pour nos simulations le modle superstrates en situation dmogra-
phique stable
29
la date initiale t =0. Nous simulons alors, pour direntes valeurs du para-
mtre y, p=150 trajectoires de marges nettes dintrts jusquen t =h=120. Nous calculons
ensuite les valeurs prises par les statistiques =
1000
(h 61)
0

_
h

t=62
(IRM(t) IRM(t 1))
2
et =
1000

0
(IRM(t

))

sur chaque trajectoire de marge nette dintrts simule.

Nous analysons alors, pour chaque y choisi, la moyenne empirique des p valeurs simules de
et de , que nous noterons

(y) et

(y).
Valeur de y Volatilit empirique moyenne de (cest--dire cart-type empirique de

(y)) (10
3
) (10
3
)
1 209.6 5.3
0.7 145.8 7.2
0.5 104.2 3.4
0.3 62.9 1.3
0.1 21.5 0.7
0.05 11.4 0.6
0.07 5.6 0.6
Nous constatons que la volatilit obtenue

(y) est quasiment proportionnelle y. La raison
ce rsultat rside dans le fait que la volatilit dans la marge dgage est essentiellement
apporte par les uctuations de taux dun mois sur lautre. Dans ces conditions, cest le
processus de tombe des ux dintrts, au titre des placements court-terme, qui apporte les-
28
Conformment lhypothse (3) du modle global
29
Sa clientle est le reet de la pyramide en terme de distribution dges
71
sentiel de la volatilit de la marge IRM(t)
0th
. Par ailleurs, la dispersion des rsultats
empiriques obtenus est faible, avec un cart-type empirique qui ne dpasse jamais 5% de la
moyenne empirique

(y).
Nous avons trac ci-dessous le graphe obtenu en reportant les points de coordonnes
_

(y) ,

(y)
_
dans le plan perte volatilit, an dillustrer larbitrage eectuer entre
les deux grandeurs.
Fig. 21 La volatilit de la marge nette dintrts et la perte moyenne engendre par le
scnario de stress pour direntes politiques de placement dans le cas dune clientle en
situation dmographique normale
Nous mettons bien en vidence sur cet chantillon de simulations quune diminution de
y, cest--dire une moindre proportion de lencours place court terme, lisse la marge nette
perue mais accrot le risque de liquidit auquel la banque sexpose. Comme on pouvait sy
attendre, dans le cadre de ces p simulations, lorsque ltablissement place 100% de son encours
total court-terme, il simmunise totalement contre le stress de liquidit et de taux gnr :
sa marge en t

ne devient jamais ngative. Dans les autres cas, suivant le scnario pour len-
cours et les taux, la marge dgage cette mme date peut tre positive ou ngative suivant
le contexte de march (cest--dire la courbe des taux en t

).

(y), qui fournit la moyenne
empirique de la partie ngative de IRM(t

), est donc ngatif pour y 0.3, 0.1, 0.05, 0.02.

Il nexiste pas de stratgie optimale, pour la simple et bonne raison que chaque banque
a une dnition individuelle du caractre optimal, fonction de la politique de risque laquelle
elle souscrit. Toutefois, il est lgitime de se demander quelle inuence la structure initiale
de la base de clientle peut avoir sur le processus de marge nette en termes de volatilit et
de perte. Cette inuence peut en eet conditionner le choix de la stratgie adopter pour
ltablissement. La section qui suit explore cette question.
72
12.3 Inuence de la structure initiale de la base de clientle
Toujours dans le cadre du modle superstrates, nous considrons dsormais une
banque de dtail prsentant un dsquilibre dmographique vers le bas (respectivement vers
le haut)
30
la date initiale t = 0. Nous simulons alors, pour chacun de ces tablissements,
et pour chacune des valeurs de y prcdentes, p trajectoires de marges nettes dintrts jus-
quen t =h=120. Nous notons

bas
(y) (respectivement

haut
(y)) et

bas
(y) (respectivement

haut
(y)) les moyennes empiriques des p valeurs simules de et de , respectivement pour
les deux banques.
Voici le graphe obtenu en reportant les points de coordonnes
_

bas
(y) ,

bas
(y)
_
et
_

haut
(y) ,

haut
(y)
_
dans le plan perte volatilit. Nous y faisons gurer galement
en noir les points prcdents
_

(y) ,

(y)
_
correspondants ltablissement en situation
dmographique stable an de disposer dune base de comparaison visuelle.
Fig. 22 La volatilit de la marge nette dintrts et la perte moyenne engendre par le
scnario de stress pour direntes politiques de placement dans le cas de dsquilibres dans
la structure par ge de la clientle : vers le haut (points ) et vers le bas (points )
Nous remarquons que la volatilit renormalise de la marge ne varie que trs faiblement
entre les trois tablissements. En revanche, la perte renormalise engendre par le scnario
catastrophe est sensiblement dirente suivant la structure par ge de la clientle. Ainsi,
la banque ayant une clientle jeune (respectivement ge) est en moyenne moins expose
(respectivement plus expose) au stress de liquidit. Ce rsultat numrique est relativement
conforme lintuition : la banque ayant capt majoritairement des clients jeunes va en eet
connatre une surperformance sensible de la croissance de son encours par rapport aux deux
autres tablissements. En consquence, entre t

1 et t

, son encours bancaire a tendance

plus augmenter que chez les autres banques. Le choc de liquidit quon lui impose en cette
30
Sa clientle est particulirement jeune (respectivement ge)
73
date est donc mieux absorb ! En eet, comme
t
est bien suprieur
t

1
, la diminution
de 10% de lencours en t

que nous imposons correspond une diminution infrieure 10%

entre
t

1
et
t

choc
= 0.9
t
. linverse, la banque prsentant une clientle plutt ge
connat une forme de stagnation (voire de dcroissance) de son encours sur la priode consi-
dre. La simulation dun dpart subit de 10% de sa clientle vient sajouter ce phnomne
et limpacte dautant plus durement !
la lumire de cette discussion, nous comprenons que la banque est en mesure de tenir
compte de la structure par ge de sa clientle actuelle pour dcider de sa politique de pla-
cement. volatilit de marge donne (correspondant donc une certaine stratgie y), une
banque prsentant un dsquilibre dmographique vers le bas (respectivement vers le haut)
sexpose un risque de liquidit infrieur (respectivement suprieur). Dans le cadre dun
problme de minimisation de volatilit sous contrainte de seuil sur la perte
31
, la banque de
dtail va donc choisir dinvestir, en terme de proportion de lencours global, dautant plus
sur le long terme quelle a une clientle jeune !
31
Ou, de manire quivalente, de minimisation de la perte sous contrainte de seuil sur la volatilit
74
Conclusion
Cette tude sur la modlisation et la couverture des comptes courants a consist explorer
les direntes facettes que revt la gestion actif-passif du point de vue dune banque de dtail.
Le premier enjeu relever tait de proposer des scnarios dvolution de lencours global
des comptes vue. La description de la dynamique future de ce passif bancaire, sans maturit
contractuellement dnie, est essentielle dans loptique dquilibrer le bilan de ltablissement
chaque date. Les articles acadmiques traitant de ce sujet ne proposant, de notre point de
vue, que des modlisations macroconomiques, supercielles et ne tenant pas susamment
compte des spcicits de cette variable, nous avons dni un cadre thorique bien plus n
en y intgrant simultanment des aspects macroconomiques, comportementaux et dmogra-
phiques. Le modle probabiliste construit, de type markovien, est bti sur des facteurs varis,
tels que lination, lvolution future de la pyramide des ges, les taux de mortalit, la struc-
ture par ge de la base de clientle ou encore les caractristiques nancires des clients.
Il repose sur une ventilation de la clientle par strates et par ges et permet de gnrer des
trajectoires dvolution de lencours global en reproduisant les mouvements sur les comptes
courants de chacun des clients de la banque de dtail.
Lutilisation de loutil informatique et de nombreuses simulations de type Monte-Carlo
nous ont permis dtablir ou de retrouver de nombreux faits styliss et de raliser limportance
cruciale de certains paramtres du modle.
En particulier, il sest avr que la modlisation retenue pour lination conditionne for-
tement la dispersion de lencours une date future donne : une ination alatoire et plus
volatile largit les intervalles de conance pour la valeur de lencours.
Le degr de mobilit des clients, qui caractrise leur propension changer facilement dtat
et sortir plus facilement, est un dterminant essentiel de la volatilit de lencours. Ainsi, plus
la base de clientle est mobile, plus notre pouvoir prvisionnel sur lvolution de lencours, aux
pas de temps suivants, est dgrad. Enn, les taux de sortie des clients modient de manire
importante la dure de vie des dpts, dans une vision mort du bilan de vieillissement du
stock existant lorsque la banque arrte toute commercialisation de produits.
La dmographie actuelle de la clientle est quant elle un facteur dterminant de la crois-
sance de lencours sur le court-moyen terme. Nous y mettons en vidence que, dans le cadre
de notre modle, larrive de la gnration du baby-boom dans des ges avancs est suscep-
tible dentraner, dans un futur proche, une surperformance de laugmentation de lencours
par rapport ce que lon pourrait sattendre a priori (car les personnes ges dtiennent
en moyenne plus de liquidits). Nous avons aussi pu vrier quune banque, typiquement en
ligne, qui se caractrise par une clientle trs jeune, connat une surperformance sensible de la
croissance de son encours. Cela est li au vieillissement de sa clientle et laugmentation de
leectif de cette dernire. linverse, une base de clientle initialement ge peut entraner
une stagnation de lencours, voire une dcroissance de celui-ci, sur le court-moyen terme en
raison de la perte prochaine des clients les plus aiss.
An dinscrire ce modle innovant dvolution de lencours dans le cadre de la gestion
du bilan bancaire, il sest agi ensuite de proposer des stratgies dinvestissement de len-
cours bancaire que nous avions modlis. Lenjeu tait dillustrer, dans le cadre du modle
construit, le risque de liquidit dont doivent tenir compte les banques de dtail dans leur al-
location de capital entre les supports de taux court-terme et long-terme. Nous y avons donc
intgr un modle nancier classique sur les taux. En nous appuyant sur le modle de Hull
et White, nous avons dabord dius les taux spots et les courbes zros-coupons associes
direntes chances. Nous avons ensuite analys les performances de stratgies nancires
75
simples, consistant placer court terme une proportion constante xe de lencours et
placer le rsiduel long terme sur des obligations cinq ans, et ce chaque date. Nous avons
retenu le concept de marge nette dgage par ltablissement sur une priode donne, dnie
comme la rmunration quil peroit chaque date, au titre de ses placements passs sur
les marchs. En simulant la marge gnre sous direntes stratgies, nous avons vu que la
banque de dtail doit raliser un arbitrage entre un critre de risque et un critre de lissage
de la rmunration dans le temps dans le choix de sa stratgie optimale. Ainsi, plus lta-
blissement place une part importante de son bilan long terme, plus il diminue la volatilit
de sa marge mais plus il sexpose un fort risque de liquidit : en cas de situation de stress,
caractrise par une sortie subite et massive de clients, ventuellement couple une hausse
des taux, ltablissement est oblig de liquider dans lurgence, voire perte, ses actifs longs.
A contrario, plus la banque place court terme, moins elle est expose ce risque, mais plus
sa marge est tributaire des mouvements de la courbe des taux et a un caractre volatile. Ds
lors, dans le premier cas, ltablissement saranchit, en partie, des eets de cycle (notam-
ment des priodes o les taux chutent) alors que dans le second, sa rmunration les suit
certes trs fortement, mais loptique dinvestissement est bien plus prudente du point de vue
du risque de liquidit. La dnition de loptimalit de la politique de placement doit donc
sapprcier au regard de la politique de risque souscrite par la banque. Nanmoins, nous y
avons tabli que la structure par ge actuelle de la clientle de ltablissement est un facteur
inuenant le choix de la stratgie. Ainsi, volatilit de marge donne (correspondant donc
une certaine allocation entre placements court-terme et long-terme), une banque prsentant
une clientle jeune (respectivement ge) sexpose un risque de liquidit infrieur (respecti-
vement suprieur) sur le scnario catastrophe gnr. La raison ce rsultat est le direntiel
de croissance dans lencours de ces banques. Finalement, dans le cadre de notre modlisa-
tion, la banque de dtail va donc choisir dinvestir une proportion dautant plus importante
de lencours global sur le long terme que sa clientle est jeune.
Des pistes damlioration de cette tude peuvent tre suggres. Une dmarche de calibra-
tion du modle sur les donnes historiques dune banque de dtail permettrait, notamment,
dinscrire celui-ci dans un cadre plus concret et de confronter ses capacits prdictives la
ralit. Cette calibration se heurte toutefois la dicult pratique de collecte des donnes : le
modle construit prsuppose, en eet, que la banque ait compartiment sa clientle en strates,
mais aussi et surtout quelle dispose dun suivi individuel susamment long de chaque client,
ceci an destimer correctement les paramtres, tels que les taux de transition. Par ailleurs,
nous avons t amens poser des hypothses thoriques a priori pour de nombreux lments
du modle, essentiellement dans un souci de ne pas trop le complexier. Enn, il faut garder
lesprit que notre modle est adapt pour capter des tendances, mais quil ne peut, bien vi-
demment, prtendre une exhaustivit descriptive de la dynamique des encours bancaires.
Ces derniers sont assujettis de trs nombreuses variables conomiques, dmographiques,
nancires et mme comportementales que notre modle ne peut reproduire dans leur in-
tgralit. Enn, le processus de choix de la stratgie nancire, conn dans notre travail
au choix dune proportion entre deux alternatives dinvestissement (court terme et obliga-
tions cinq ans), pourrait tre enrichi dune dimension, en intgrant galement le choix de
lchance des placements long terme que lon souhaite eectuer. Cette piste de recherche
supplmentaire aurait lavantage de tenir compte de la forme de la courbe des taux chaque
date an doptimiser la rmunration perue.
76
A Dynamique de lencours des dpts vue
Lobjet de ce point dannexe est de mener une discussion brve sur linfrence statistique
laquelle nous pouvons prtendre sur la forme de lvolution de lencours
t
des dpts de
la banque, partir de lobservation de sa trajectoire passe.
Soit T > 0. On considre le processus des encours (
t
)
t[0,T]
observ sur lintervalle [0, T]
intervalles de temps discrets aux points 0, , 2, ..., n =T. Le rsultat de lobservation est
un vecteur
(T),
= (
0
,

,
2
, ...,
T
).
Supposons que
d
t
=
t
(dt +dW
t
) ()
avec > 0 constant et constant et (W
t
)
t[0,T]
un mouvement brownien standard.
Cette hypothse est nots H
,
.
Si le processus suivait une telle dynamique,
t
suivrait chaque date une loi log-normale
selon

t
=
0
e
(

2
2
)t+W
t
En particulier, lesprance et la variance de la variable
t
crotraient exponentiellement,
respectivement selon
E(
t
) =
0
e
t
et
Var(
t
) =
2
0
e
2t
_
e

2
t
1
_
Une question naturelle vient lesprit : lobservation de la trajectoire historique permet-
elle dinrmer lhypothse H
,
dvolution de
t
selon lEDS () ?
La rponse est (malheureusement) ngative. Dans la mesure o nous disposons de la valeur
de
t
des dates discrtes (pas de temps mensuel), il est impossible dinrmer lhypothse
H
,
pour la simple raison que le support de la loi de
(T),
est (R
+
)
n+1
tout entier !
On peut dailleurs prciser ici que mme si lon observait le processus
t
continment,
cest--dire mme si lon disposait de la donne
(T)
= (
t
, t [0, T]), on ne pourrait pas
pour autant se prononcer sur lexistence dune tendance !
La raison tient en un argument mathmatique sur les lois de probabilits des processus que
nous dveloppons brivement ci-dessous
32
.
Notons P
T

2
,
la loi de
(T)
si d
t
=
t
(dt +dW
t
).
Si lon observe une trajectoire Z sur [0, T], dire si Z a t tir selon P ou Q coup sr (risques
de premire et de deuxime espces nuls) signie quil existe un ensemble de trajectoires A
tel que P(A)=0 et Q(A)=1 soit que PQ.
De mme, on ne peut pas distinguer P
T

2
,
1
et P
T

2
,
2
si les deux mesures sont quivalentes,
soit P
T

2
,
1
<< P
T

2
,
2
et P
T

2
,
2
<< P
T

2
,
1
. Or cest une consquence immdiate du thorme
de Girsanov que pour
1
,=
2
, P
T

2
,
1
P
T

2
,
2
.
32
Rappel : soient P
1
et P
2
deux mesures de probabilits dnies sur un espace (, T). On dit que :
P
2
est absolument continue par rapport P
1
(notation P
2
<<P
1
) si A T, (P
1
(A)=0) (P
2
(A)=0)
P
2
est trangre P
1
(notation P
2
P
1
) sil existe AT tel que P
1
(A)=0 et P
2
(A
c
)=0
P
1
et P
2
sont quivalentes (notation P
1
P
2
) si AT, (P
1
(A) =0) (P
2
(A) =0) ce qui quivaut
P
2
<<P
1
et P
1
<<P
2
77
Autrement dit, pour T ni, on peut supposer =

2
2
! Pour pouvoir se prononcer,
il faudrait lobservation de la trajectoire complte, cest--dire T = , dans la mesure o
P

2
,
P

2
,

2
2
si ,=

2
2
33
.
Ces considrations invitent donc la prudence quant toute interprtation trop htive
suite une observation limite du processus tudi.
Toutefois, en dpit de cette remarque, on peut tout de mme se demander sil est rai-
sonnable daccepter lhypothse H
,
. Pour ce faire, on peut par exemple remarquer que
sous H
,
, on a
t , 2, . . . , n , ln(
t
) ln(
t1
) =

2
2
+(W
t
W
t1
)
cest--dire ln(
t
) ln(
t1
)=m(t) o les m(t)
t{,2,...,n}
sont des variables gaussiennes
indpendantes identiquement distribues desprance

2
2
et de variance
2
. Une approche
peut ainsi consister tracer les valeurs prises par les variables m(t) au cours du temps. Voici
ce que lon obtient titre dexemple sur les donnes historiques mensuelles de La Banque
Postale de janvier 1994 dcembre 2010.
premire vue, ce graphe ne suggre pas la stationnarit des variables (les uctuations
sont quasiment deux fois plus importantes au dbut de la priode qu la n).
33
Remarquer par exemple que si A =
_
liminf
t+
|ln(
t
)| =+
_
alors P

2
,
(A)=1 alors que P

2
,

2
2
(A)=0
78
B Rsolution dtaille du modle de Hull et White
Cette annexe dtaille les tapes de calcul permettant dobtenir les formules annonces du
modle de Hull et White, numrotes de 1 6 dans le rapport.
Formule (1) : En posant Y
t
= r
t
e
at

, la formule dIt donne dY

t
= dr
t
e
at

+ar
t
e
at

dt

soit
dY
t
= dr
t
e
at

+ar
t
e
at

dt

dY
t
=
__

b
t
ar
t

_
dt

+ d

W
t

_
e
at

+aY
t
dt

dY
t
= e
at

b
t
dt

+ e
at

d

W
t

donc pour T

, on a Y
T
= Y
t
+
_
T

e
as

b
s
ds +
_
T

e
as
d

W
s
et donc
r
T
= r
t
e
a(T

)
+
_
T

e
a(T

s)

b
s
ds +
_
T

e
a(T

s)
d

W
s
Formule (2) : Par dnition, I(t

, T

)=
_
T

r
u
du do en tenant compte de la formule (1)
I(t

, T

) =
_
T

_
r
t
e
a(ut

)
+
_
u
t

e
a(us)

b
s
ds +
_
u
t

e
a(us)
d

W
s
_
du
I(t

, T

) =
_
T

r
t
e
a(ut

)
du +
_
T

__
u
t

e
a(us)

b
s
ds
_
du +
_
T

__
u
t

e
a(us)
d

W
s
_
du
I(t

, T

) =
r
t

a
(1 e
a(T

)
) +
_
T

_
_
T

s
e
a(us)
du
_

b
s
ds +
_
T

_
_
T

s
e
a(us)
du
_
d

W
s
I(t

, T

) =
r
t

a
(1 e
a(T

)
) +
_
T

1 e
a(T

s)
a

b
s
ds +

a
_
T

_
1 e
a(T

s)
_
d

W
s
Lindpendance des accroissements du brownien et lisomtrie dIt sur les intgrales stochas-
tiques prouvent alors que la loi conditionnelle de I(t

, T

) sachant F
t
est la gaussienne
N
_
r
t

a
(1 e
a(T

)
) +
_
T

1 e
a(T

s)
a

b
s
ds ,

2
a
2
_
T

_
1 e
a(T

s)
_
2
ds
_
Formule (3) : On drive par rapport T

lquation suivante
f(0, T

) = r
0
e
aT

+
_
T

0
e
a(T

s)

b
s
ds

2
2 a
2
_
1 2e
aT

+e
2 aT

_
Cela donne alors
f(0, T

)
T

= ar
0
e
aT

b
T
+
_
T

0
( a)e
a(T

s)

b
s
ds

2
2 a
2
_
2 ae
aT

2 ae
2 aT

_
79

b
T
=
f(0, T

)
T

+ af(0, T

) +

2
2 a
_
1 2e
aT

+e
2 aT

_
+

2
2 a
_
2e
aT

2e
2 aT

b
T
= af(0, T

) +
f(0, T

)
T

+

2
2 a
_
1 e
2 aT

_
Formule (4) : Les formules (1) et (3) assurent que
r
T
= r
t
e
a(T

)
+
_
T

e
a(T

s)
_
af(0, s) +
f(0, s)
s
+

2
2 a
_
1 e
2 as
_
_
ds+
_
T

e
a(T

s)
d

W
s
Posons y(s)=(s)e
a(T

s)
=
_
f(0, s)+

2
2 a
2
_
1 e
as
_
2
_
e
a(T

s)
alors
y

(s) =
_
f(0, s)
s
+

2
a
_
1 e
as
_
e
as
_
e
a(T

s)
+ a
_
f(0, s) +

2
2 a
2
_
1 e
as
_
2
_
e
a(T

s)
y

(s) = e
a(T

s)
_
f(0, s)
s
+ af(0, s) +

2
2 a
_
2e
as
2e
2 as
+ 1 2e
as
+e
2 as
_
_
y

(s) = e
a(T

s)
_
af(0, s) +
f(0, s)
s
+

2
2 a
_
1 e
2 as
_
_
On retrouve exactement lintgrande dans la formule donnant r
T
gurant ci-dessus. Par
consquent
r
T
= r
t
e
a(T

)
+
_
T

(s)ds +
_
T

e
a(T

s)
d

W
s
r
T
= r
t
e
a(T

)
+y(T

) y(t

) +
_
T

e
a(T

s)
d

W
s
r
T
= r
t
e
a(T

)
+(T

) (t

)e
a(T

)
+
_
T

e
a(T

s)
d

W
s
Formule (5) : On sait que
f(0, T

) =
ln(B(0, T

))
T

=
m(0, T

)
T

1
2
V (0, T

)
T

donc
ln(B(0, t

)) +ln(B(0, T

)) =
_
t

_
m(0, s)
s

1
2
V (0, s)
s
_
ds
ln(B(0, t

)) +ln(B(0, T

)) = m(0, t

) m(0, T

)
1
2
(V (0, t

) V (0, T

))
m(0, T

) m(0, t

) = ln
_
B(0, t

)
B(0, T

)
_
+
1
2
(V (0, T

) V (0, t

)) ()
80
Des formules (1) et (4) donnant r
T
, on dduit par identication que
_
T

e
a(T

s)

b
s
ds = (T

) (t

)e
a(T

)
En consquence
m(t

, T

) =
r
t

a
(1 e
a(T

)
) +
_
T

_
(u) (t

)e
a(ut

)
_
du
m(t

, T

) =
r
t

a
(1 e
a(T

)
) +
_
T

(u)du (t

)
1 e
a(T

)
a
Sachant que (0)=f(0, 0)=r
0
, la formule prcdente scrit pour pR
+
m(0, p) =
r
0
a
(1 e
ap
) +
_
p
0
(u)du (0)
1 e
ap
a
m(0, p) =
_
p
0
(u)du
Finalement, en posant P(t

, T

)=
1 e
a(T

)
a
, on obtient
m(t

, T

) =
r
t

a
(1 e
a(T

)
) +
_
T

0
(u)du
_
t

0
(u)du (t

)
1 e
a(T

)
a
m(t

, T

) = r
t
P(t

, T

) +m(0, T

) m(0, t

) (t

)P(t

, T

)
m(t

, T

) = P(t

, T

) [r
t
(t

)] +m(0, T

) m(0, t

)
En rintgrant cette dernire expression dans (), on obtient exactement
m(t

, T

) = P(t

, T

) (r
t
(t

)) +ln(
B(0, t

)
B(0, T

)
) +
1
2
(V (0, T

) V (0, t

))
Formule (6) : La relation B(t

, T

)=e
m(t

,T

)+
1
2
V (t

,T

)
couple la formule (5) donne
B(t

, T

) =
B(0, T

)
B(0, t

)
e

1
2
(V (0, T

) V (0, t

)) P(t

, T

) (r
t
(t

)) +
1
2
V (t

, T

)
B(t

, T

) =
B(0, T

)
B(0, t

)
e
P(t

,T

)r
t
+S(t

,T

)
en notant S(t

, T

)=
1
2
(V (0, T

) V (0, t

)) +
1
2
V (t

, T

) +P(t

, T

)(t

).
81
Partant de lexpression V (t

, T

) =

2
a
2
_
T

+
2
a
e
a(T

1
2 a
e
2 a(T

3
2 a
_
, on
peut crire
V (0, T

) V (0, t

) =

2
a
2
_
T

+
2
a
_
e
aT

e
at

1
2 a
_
e
2 aT

e
2 at

_
_
V (0, T

) V (0, t

) = V (t

, T

) +

2
a
2
_

2
a
e
a(T

)
+
1
2 a
e

2a(T

)
+
3
2 a
+
2
a
_
e
aT

e
at

1
2 a
_
e
2 aT

e
2 at

_
_
V (0, T

) V (0, t

) = V (t

, T

) +

2
a
2
_
2
a
_
1 e
a(T

)
_

1
2 a
_
1 e

2a(T

)
_
+
2
a
_
e
aT

e
at

1
2 a
_
e
2 aT

e
2 at

_
_
V (0, T

) V (0, t

) = V (t

, T

) +

2
a
2
_
2
a
_
1 e
at

__
1 e
a(T

)
_

1
2 a
_
1 e
2 at

__
1 e

2a(T

)
_
_
Dans ces conditions, nous avons
S(t

, T

) = P(t

, T

)
_
f(0, t

) +

2
2 a
2
_
1 2e
at

+e
2 at

_
_
+

2
2 a
2
_
2
_
1 e
at

_
P(t

, T

)+
1
2 a
_
1 e
2 at

__
1 e

2a(T

)
_
_
S(t

, T

) = P(t

, T

)f(0, t

) +

2
2 a
2
_
P(t

, T

)
_
1 2e
at

+e
2 at

2
_
1 e
at

__
+
1
2 a
_
1 e
2 at

__
1 e

2a(T

)
_
_
S(t

, T

) = P(t

, T

)f(0, t

) +

2
2 a
2
_
P(t

, T

)
_
e
2 at

1
_
+
1
2 a
_
1 e
2 at

__
1 e

2a(T

)
_
_
S(t

, T

) = P(t

, T

)f(0, t

) +

2
2 a
2
_
1 e
2 at

_
_
P(t

, T

) +
1
2 a
_
1 e

2a(T

)
_
_
S(t

, T

) = P(t

, T

)f(0, t

)

2
4 a
_
1 e
2 at

_
_
2
1 e
a(T

)
a
2

1
a
2
_
1 e

2a(T

)
_
_
S(t

, T

) = P(t

, T

)f(0, t

)

2
4 a
_
1 e
2 at

_
1
a
2
_
2 2e
a(T

_
1 e

2a(T

)
__
S(t

, T

) = P(t

, T

)f(0, t

)

2
4 a
_
1 e
2 at

_
1
a
2
_
1 e
a(T

)
_
2
82
S(t

, T

) = P(t

, T

)f(0, t

)

2
4 a
_
1 e
2 at

_
P(t

, T

)
2
Pour conclure, on rinjecte cette formule dans lexpression
B(t

, T

) =
B(0, T

)
B(0, t

)
e
P(t

,T

)r
t
+S(t

,T

)
pour obtenir
B(t

, T

) =
B(0, T

)
B(0, t

)
exp
_
(f(0, t

) r
t
) P(t

, T

)

2
4 a
_
1 e
2 at

_
P(t

, T

)
2
_
83
C Table INED utilise pour la calibration des taux de
mortalit
84
Rfrences
[1] Jarrow, Van Deventer, 1998, The arbitrage-free valuation and hedging of demand deposits
and credit card loans, Journal of Banking and Finance, Vol. 22, pp. 249-272.
[2] Eronen, 2008,Non-maturity Deposit Valuation and Hedging, Thesis, Helsinki University
of Technology.
[3] Adam, Houkari, Laurent, 2009, Hedging interest rate margins on demand deposits.
[4] Kalkbrener, Willing, 2004, Risk management of non-maturing liabilities, Journal of Ban-
king and Finance, Vol. 28, pp. 1547-1568.
[5] OBrien, 2000, Estimating the Value and Interest Rate Risk of Interest-Bearing Tran-
sactions Deposits, Federal Reserve System.
[6] Site internet de lInstitut National des tudes Dmographiques, www.ined.fr
[7] Site internet de lInstitut National de la Statistique et des tudes conomiques,
www.insee.fr
85