Le risque de modèle est le risque de subir une décision ou un résultat défavorable parce qu’un modèle est incorrect, mal implémenté ou utilisé dans un contexte qu’il ne représente pas. Le mot « modèle » inclut une méthode quantitative qui transforme des données en estimations, classements, prix, limites ou décisions.
En termes simples — Une formule peut être juste et le résultat faux si les données sont mauvaises, si le code diffère de la documentation ou si l’utilisateur demande au modèle une réponse qu’il ne sait pas fournir.
Deux sources principales
Le premier risque vient d’erreurs ou de simplifications dans la conception : hypothèses inadaptées, facteurs manquants, distribution trop étroite ou approximation insuffisante d’un payoff. Le second vient d’un usage incorrect : mauvais portefeuille, horizon différent, données hors domaine, seuil détourné ou résultat présenté avec une précision excessive.
À cela s’ajoutent défauts de code, dépendances techniques, transformations de données, overrides et interfaces. Un fichier manuel peut modifier le résultat autant qu’une équation ; il appartient donc au périmètre de contrôle.
Inventaire et matérialité
Une organisation ne peut contrôler ce qu’elle n’identifie pas. L’inventaire relie modèle, propriétaire, utilisateurs, décisions, données, implémentations, versions, dépendances et statut de validation. Les feuilles de calcul et modèles fournis par des tiers ne disparaissent pas du risque parce qu’ils sont externes.
L’intensité du contrôle dépend de la matérialité, de la complexité, de l’incertitude et de la capacité du résultat à influencer une décision. Une méthode simple peut être matérielle si elle dimensionne toutes les positions ; un modèle complexe peut avoir un impact limité s’il sert seulement de vue secondaire.
Validation indépendante
La validation examine la solidité conceptuelle, les données, le code, les résultats et l’usage. Elle reproduit les calculs importants, compare avec des méthodes alternatives, teste sensibilités et limites, et recherche les cas où le modèle échoue.
« Indépendant » décrit la capacité de porter un jugement sans conflit avec le développement ou l’usage. Cela ne signifie pas ignorer l’expertise des développeurs : hypothèses et mécanismes doivent être compris avant d’être contestés.
La fréquence n’est pas universelle. Une revue peut être planifiée, mais une modification matérielle, une dérive des données, une nouvelle utilisation ou un résultat anormal déclenche aussi un contrôle.
Surveillance et changement
Après approbation, le modèle reste comparé aux résultats, aux benchmarks et aux limites documentées. Le suivi distingue erreur de prévision, changement de régime, problème de données et mauvaise utilisation. Les exceptions et overrides sont conservés avec leur auteur, motif et effet.
Toute modification significative — paramètres, univers, données, code, interface ou décision supportée — est classée et revalidée à un niveau adapté. Le retrait organise aussi archives, remplacements et dépendances aval.
Les modèles génératifs ou agentiques peuvent créer d’autres risques, mais la guidance de la Federal Reserve SR 26-2 consultée ici exclut explicitement ces technologies de son périmètre. Cette exclusion ne signifie pas absence de risque ; elle interdit simplement de lui attribuer des exigences qu’elle ne formule pas.
Erreur fréquente — Considérer un bon backtest comme une validation complète. Il peut laisser invisibles fuite de données, changement de régime, erreur de code, usage hors périmètre et risque opérationnel.
Références
- Federal Reserve, SR 26-2 — Model Risk Management
- Federal Reserve, SR 26-2 Attachment