💰 quantitative finance

SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR

Cet article introduit SHARC, un cadre d'explicabilité basé sur SHAP qui lève la barrière de la « boîte noire » pour les modèles d'apprentissage automatique non paramétriques dans l'estimation du capital réglementaire en décomposant les sorties de la Value-at-Risk sous contrainte en composantes auditables, assurant ainsi la conformité avec les exigences de transparence de l'ICAAP et du CCAR.

Auteurs originaux : Ujjwala Vadrevu

Publié 2026-07-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ujjwala Vadrevu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez qu'une banque cherche à déterminer la quantité d'argent qu'elle doit conserver dans un coffre de sécurité pour survivre à un désastre financier. Par le passé, les banques utilisaient des formules mathématiques simples et transparentes pour faire cela. Tout le monde pouvait voir exactement comment la formule fonctionnait, comme si l'on regardait dans une boîte en verre transparente.

Récemment, les banques ont commencé à utiliser de puissants cerveaux informatiques complexes (l'apprentissage automatique ou Machine Learning) pour prédire les désastres. Ils sont plus précis, mais ils ressemblent à des boîtes noires : vous introduisez un problème, et un chiffre sort, mais personne ne peut voir pourquoi l'ordinateur a décidé de ce chiffre spécifique. Les régulateurs (les « policiers » du monde financier) détestent cela. Ils n'autorisent pas les banques à utiliser ces boîtes noires parce qu'ils ne peuvent pas auditer la logique.

Ce document présente une solution appelée SHARC (SHAP pour le capital réglementaire). Considérez SHARC comme une machine à rayons X magique qui peut regarder à l'intérieur de la boîte noire et vous montrer exactement comment l'ordinateur a pris sa décision.

Voici comment l'auteur décompose cela, en utilisant des analogies simples :

1. Le Problème : La « Boîte Noire » contre la « Boîte de Verre »

L'ancienne méthode (Boîte de verre) : Imaginez une recette où vous pouvez voir chaque ingrédient et la quantité exacte utilisée. Si le gâteau a un mauvais goût, vous savez que c'est parce que vous avez ajouté trop de sel.
La nouvelle méthode (Boîte noire) : Imaginez un robot chef qui prépare un gâteau parfait, mais qui mélange les ingrédients d'une manière qu'aucun humain ne peut comprendre. Les régulateurs disent : « Nous ne pouvons pas vous laisser utiliser ce robot à moins que vous ne puissiez expliquer pourquoi le gâteau a ce goût-là. »
L'objectif du document : Les auteurs veulent prouver que leur robot chef avancé (appelé un modèle de régression par processus gaussien) peut être expliqué à l'aide de SHARC, afin que les régulateurs acceptent enfin de l'utiliser.

2. La Solution : L'« Appareil à Rayons X Magique » (SHARC)

Les auteurs utilisent un outil appelé SHAP (qui signifie SHapley Additive exPlanations). Considérez SHAP comme un comptable équitable provenant d'un jeu de société de théorie des jeux.

Imaginez un groupe d'amis (les entrées de données) travaillant ensemble pour gagner un prix (le chiffre de risque final).
Le « comptable équitable » (SHSHAP) examine toutes les façons possibles dont les amis auraient pu travailler ensemble et calcule exactement la contribution de chaque ami à la victoire.
SHARC est simplement cet comptable appliqué spécifiquement aux règles de capital bancaire. Il décompose le chiffre final de la « Sécurité du Coffre » en petites pièces et dit : « Ce 1 % provient de la guerre en Asie de l'Ouest, ce 0,5 % provient des craintes liées au climat, et ce 0,2 % provient de la bulle de l'IA. »

3. L'Expérience : Trois Scénarios de Désastre

Pour tester si leur appareil de rayons X fonctionne, les auteurs ont simulé trois scénarios d'« apocalypse » différents :

Guerre en Asie de l'Ouest : Un conflit provoquant un krach des marchés.
Risque Climatique : Des catastrophes environnementales frappant des régions spécifiques.
Bulle de l'IA : Un krach technologique où les entreprises d'IA perdent de la valeur.

Ils ont injecté ces scénarios dans leur modèle robot complexe et ont ensuite utilisé SHARC pour voir ce que le modèle avait en tête.

4. La Grande Découverte : « Le Déclencheur vs La Scène »

La découverte la plus importante du document est une surprise concernant ce qui motive réellement le chiffre de risque d'une banque lors d'un désastre.

La croyance ancienne : Les gens pensaient que lors d'une crise, la Volatilité (à quel point le marché est instable et imprévisible) est le principal moteur du risque. C'est comme penser que la taille de la tempête est ce qui vous fait le plus peur.
La découverte de SHARC : Le document a découvert que lors d'un véritable krach sévère, la Perte Directionnelle (la distance réelle de la chute du marché) est le principal moteur. La volatilité n'est que le bruit de fond ; la chute elle-même est ce qui importe.
L'analogie : Imaginez que vous êtes dans des montagnes russes.
- La Volatilité est la façon dont le wagon tremble et s'agite.
- La Perte Directionnelle est le fait que le wagon plonge réellement d'une falaise.
- Le document dit : « Quand vous plongez d'une falaise, les secousses (volatilité) n'ont pas autant d'importance que le fait que vous tombez (perte directionnelle). »
- Pourquoi cela compte : Si une banque veut réduire son risque, elle ne doit pas seulement essayer de calmer les secousses (en achetant une assurance contre la volatilité) ; elle doit descendre des montagnes russes (réduire la position qui est en train de chuter).

5. Le Résultat : Un Bulletin de Notes Clair

Le document montre que SHARC peut prendre un chiffre complexe et effrayant (comme « Nous avons besoin de 2,2 milliards de dollars de capital ») et le décomposer en une liste simple qu'un régulateur peut lire.

Il prouve que la « Boîte Noire » n'est pas réellement noire ; elle est juste difficile à voir sans les bonnes lunettes.
Il montre que le modèle est honnête : si le scénario dit « L'Europe s'effondre », le modèle dit « L'Europe s'est effondrée », et SHARC prouve que c'est le cas.
Il crée un Graphique de Force (un diagramme visuel) qui agit comme un reçu, montrant exactement d'où provient chaque centime de risque.

Résumé

Ce document dit : « Nous avons construit un modèle informatique super intelligent et complexe pour prédire les désastres financiers. Les régulateurs avaient peur car ils ne pouvaient pas le comprendre. Nous avons utilisé un outil appelé SHARC pour passer le modèle aux rayons X. Nous avons découvert que le modèle fonctionne parfaitement, qu'il respecte les règles, et qu'il nous indique que lors d'un krach, la taille de la chute importe plus que les secousses. Désormais, les régulateurs peuvent voir la logique, et les banques peuvent utiliser ce modèle plus intelligent pour maintenir la sécurité du système financier. »

Résumé Technique : SHARC – Interprétabilité basée sur SHAP dans les modèles de risque de machine learning pour le capital réglementaire

1. Énoncé du Problème

L'adoption de modèles de machine learning non paramétriques, spécifiquement la régression par processus gaussiens (GPR), dans l'estimation du capital réglementaire (ICAAP et CCAR) se heurte à une barrière de gouvernance fondamentale : le problème de la « boîte noire ». Bien que la GPR et les architectures connexes fassent preuve d'une supériorité prédictive par rapport aux approches paramétriques traditionnelles (ex: GARCH, Simulation Historique), leurs sorties manquent de décomposabilité analytique. Les cadres réglementaires tels que la FRTB (Fundamental Review of the Trading Book), l'ICAAP Pilier 2 et le CCAR exigent que les modèles soient auditables, ce qui signifie que les estimations de capital doivent être décomposables en facteurs de risque sous-jacents que des superviseurs non techniques peuvent interroger. Les modèles traditionnels satisfont cela par construction ; la GPR ne le fait pas, car sa distribution prédictive postérieure est une intégrale sur des fonctions admissibles, rendant l'attribution d'entrées spécifiques aux sorties non triviale et non linéaire. Ce document traite de la nécessité de résoudre cette barrière de transparence sans sacrifier la précision prédictive des architectures avancées de ML.

2. Méthodologie : Le Cadre SHARC

Le document introduit SHARC (SHAP for Regulatory Capital), un cadre d'explicabilité structuré qui applique SHAP (SHapley Additive exPlanations) à l'architecture hybride GPR-HS.

2.1 Fondement Théorique

SHARC s'appuie sur SHAP, une méthode agnostique au modèle dérivée de la théorie des jeux coopératifs (Shapley, 1953 ; Lundberg & Lee, 2017). Le cadre repose sur quatre propriétés axiomatiques qui correspondent directement aux exigences d'audit réglementaire :

Précision Locale : La somme des valeurs SHAP est égale à la sortie du modèle, assurant une décomposition complète du capital (pas de capital « fantôme » inexpliqué).
Absence (Missingness) : Les caractéristiques avec une entrée nulle contribuent de zéro à la sortie, empêchant l'attribution fantôme.
Cohérence : Si la contribution marginale d'une caractéristique augmente, sa valeur SHAP ne peut pas diminuer, assurant la monotonie.
Efficacité : La décomposition correspond exactement à la différence entre la sortie du modèle et la ligne de base, garantissant un résidu nul.

2.2 Application à la Value-at-Risk en période de stress (SVaR)

Le cadre est appliqué à la Value-at-Risk en période de stress (SVàR) plutôt qu'à la VaR de base, car la SVaR représente la mesure de capital réglementaire contraignante. La méthodologie traite la fonction de calcul de la SVaR $f(\mu, \sigma)$ comme la cible à expliquer.

Caractéristiques d'entrée : L'analyse utilise $2N$ caractéristiques dérivées de $N$ modèles GPR stressés : $N$ moyennes conditionnelles prédites ( $\mu_i$ ) et $N$ écarts-types conditionnels prédits ( $\sigma_i$ ) pour les actifs du portefeuille.
Formule de Décomposition : Le cadre SHARC formalise la décomposition comme suit :
$SVaR_{SHARC} = \phi_0 + \sum_{i} (\phi_{\mu_i} + \phi_{\sigma_i})$
Où $\phi_0$ est le capital de base (SVaR de Jour 1 pré-stress), $\phi_{\mu_i}$ est la contribution de la moyenne directionnelle (magnitude de la perte) et $\phi_{\sigma_i}$ est la contribution de la variance (volatilité).
Implémentation : Le Kernel SHAP est utilisé en raison de sa nature agnostique au modèle, traitant la postérieure de la GPR comme une boîte noire et estimant les valeurs via une régression linéaire pondérée sur des coalitions d'entrées perturbées. L'analyse se concentre sur l'interprétation locale (sorties ponctuelles à $T=252$ ) pour satisfaire les exigences réglementaires pour des calculs de capital spécifiques, plutôt que sur le comportement moyen global.

2.3 Tests de Scénarios

Le cadre est validé à travers trois scénarios de stress macroéconomiques distincts :

Guerre en Asie de l'Ouest : Caractérisée par des chocs profonds sur les marchés européens et de Hong Kong.
Risque Climatique : Caractérisé par des concentrations de chocs géographiques hétérogènes.
Bulle de l'IA / Fardeau Réglementaire : Caractérisé par des chocs profonds sur le secteur technologique américain (S&P 500).

3. Résultats Clés

3.1 Fidélité du Cadre et Traçabilité

La décomposition SHARC cartographie systématiquement les sorties de la SVaR vers la conception du scénario. Dans le scénario de la Guerre en Asie de l'Ouest, la composante de la moyenne de l'EURO STOXX 50 (induite par un choc de -40 %) est apparue comme le principal moteur, tandis que les indices avec des chocs modérés (FTSE 100, Nikkei 225) ont agi comme des composantes d'atténuation. De même, dans le scénario de la Bulle de l'IA, la composante de la moyenne du S&P 500 a dominé en raison du choc de -45 % sur le secteur technologique. Cela confirme que l'architecture hybride GPR-HS transmet fidèlement les entrées de scénarios à travers sa structure non linéaire, et que SHARC rend cette transmission transparente.

3.2 La Dominance de la Moyenne sur la Variance sous Stress

La principale découverte analytique du document est le schéma de décomposition du risque non linéaire observé dans les conditions de stress :

Conditions Normales : La variance (volatilité) conduit typiquement les calculs de VaR/ES, conformément à la littérature théorique (McNeil et al., 2015).
Conditions de Stress : Sous un conditionnement de stress fort (par exemple, une perte imposée de -40 % sur 252 jours), la composante de rendement moyen (magnitude de la perte directionnelle) domine systématiquement la composante de variance dans la détermination de la SVaR finale.
Mécanisme : Lorsqu'un scénario dicte des pertes directionnelles extrêmes, la moyenne quotidienne implicite devient profondément négative, agissant comme la contrainte contraignante sur le capital. La composante de variance, bien que présente, devient secondaire.

3.3 Artefacts de Documentation Réglementaire

Le Graphique de Force SHAP (SHAP Force Plot) est identifié comme un output réglementaire critique. Il fournit une décomposition visuelle, à résidu nul, d'une SVaR terminale spécifique (ex: -2,2231 % pour la Guerre en Asie de l'Ouest) en composantes de base, de moyenne et de variance. Cela permet aux régulateurs d'identifier immédiatement quels indices d'exposition pilotent les exigences de capital et à quel point, satisfaisant ainsi les normes de documentation FRTB et ICAAP.

4. Signification et Contributions

Le document revendique quatre contributions primaires qui résolvent la barrière réglementaire à l'adoption de la GPR :

Cartographie Axiomatique Réglementaire : Il cartographie formellement les quatre axiomes de SHAP aux exigences de documentation FRTB, ICAAP et CCAR, établissant SHAP comme une fondation théoriquement ancrée pour l'explicabilité réglementaire.
Cadre SHARC : Il introduit une décomposition structurée de la SVaR en composantes de base, de moyenne et de volatilité, permettant une interprétation transparente des moteurs de capital au sein de l'architecture hybride GPR-HS.
Validation Empirique : Il démontre que SHARC aligne systématiquement les sorties de la SVaR avec les conceptions de scénarios à travers divers scénarios macroéconomiques, confirmant la fidélité du cadre et permettant une traçabilité auditable.
Modèle de Gouvernance Pratique : Il traduit la décomposition SHARC en règles de gouvernance des risques exploitables, spécifiquement :
- Fixation des Limites de Capital : Lorsque la composante de la moyenne contribue à plus de 80 % de la SVaR (comme observé en période de stress), les gestionnaires de risques devraient prioriser la réduction de position plutôt que la couverture basée sur la volatilité (ex: options), car les couvertures réduisant la variance peuvent être inefficaces contre la magnitude de la perte directionnelle.
- Validation de Scénario : Les incohérences entre les classements SHAP et les magnitudes de choc d'entrée peuvent signaler des erreurs de conception de scénario.
- Reporting : Les graphiques de force servent d'exhibits directs pour les soumissions ICAAP/CCAR.

5. Conclusion

Le document conclut que SHARC transforme le cadre hybride GPR-HS en un moteur de capital entièrement auditable. En résolvant le problème de la « boîte noire », il permet aux institutions de tirer parti de la supériorité prédictive des modèles de ML non paramétriques tout en respectant les normes strictes de transparence et de documentation de la FRTB, de l'ICAAP et du CCAR. Les conclusions suggèrent que, sous stress, les exigences de capital sont davantage pilotées par la magnitude de la perte directionnelle que par l'expansion de la volatilité, une observation ayant des implications directes pour la gestion de position et les stratégies de couverture. Le cadre est présenté non pas comme un simple exercice académique, mais comme un outil prêt pour la production destiné à la gouvernance des risques réglementaires.