Les coulisses de la modélisation comportementale

Dans l'épisode 7 de « TheAiCR , Joe Furlong s'entretient avec Dick Kazarian, directeur général du groupe Borrower Analytics au sein du MIAC. Dick a développé et mis en œuvre des modèles comportementaux sur les marchés hypothécaires tout au long de plusieurs cycles de crédit, notamment lors de la crise du peso, de la grande crise financière et de la pandémie de COVID-19. Il explique comment ces modèles sont élaborés, dans quels cas ils échouent, et pourquoi l'expertise métier ne peut être remplacée par le seul apprentissage automatique. 

En quoi consiste le travail du groupe « Borrower Analytics » du MIAC ? 

Le groupe « Borrower Analytics » de MIAC élabore et met à jour les modèles comportementaux qui sous-tendent les activités de MIAC en matière d’évaluation, de couverture, de courtage et de conseil. Le groupe produit trois types de résultats analytiques : des évaluations qui calculent le prix du marché à partir d'un écart ou l'écart à partir d'un prix du marché, des analyses de couverture qui mesurent l'ampleur de la variation d'un prix en cas de changement des taux, et des analyses de résistance qui simulent des scénarios macroéconomiques pour projeter la performance des actifs dans des conditions défavorables. Ces modèles soutiennent à la fois les équipes de production internes de MIAC et les clients externes qui utilisent sous licence la plateforme analytique de MIAC. 

Comment élabore-t-on les modèles comportementaux ? 

Le développement d'un modèle suit un cycle de vie bien défini. Il commence par la compréhension des besoins métier, puis passe à l'acquisition, à la préparation et à la normalisation des données. L'équipe identifie les ensembles de données les mieux à même de répondre à la question que le modèle cherche à traiter, définit la structure du modèle et exécute le processus d'estimation. S'ensuivent des tests rétrospectifs approfondis et un travail de diagnostic. Le modèle doit ensuite être implémenté dans un logiciel, ce que Dick décrit comme le moment où le véritable travail commence. Les tests d'implémentation font ressortir des problèmes que l'estimation seule ne permet pas de détecter. À partir de là, le modèle passe par une phase de documentation et de validation, puis par une évaluation continue des performances, car les modèles deviennent obsolètes et doivent être surveillés en permanence. 

Pourquoi la qualité des données est-elle si importante pour la modélisation comportementale ? 

La qualité des données détermine chaque résultat produit par un modèle. Si les données d'entrée sont incomplètes, incohérentes ou reflètent des périodes anormales qui n'ont pas été correctement caractérisées, le modèle produira des résultats qui ne sont pas fiables. Dick est catégorique : tout le monde travaille avec des données. La seule question est de savoir si chacun sera compétent dans ce domaine. Les modèles construits à partir de données incomplètes ou faussées s'adapteront au passé, mais ne permettront pas de faire de bonnes prévisions. La grande crise financière en est l'exemple le plus flagrant. Les ratios prêt/valeur (LTV) au niveau des prêts ont atteint 130 pendant la crise, un scénario pour lequel aucun modèle élaboré en 2006 ne disposait de données historiques, car aucun initiateur n'accordait de prêts à ces ratios. Les données relatives à ce scénario n'existaient tout simplement pas avant qu'il ne se produise. 

Pourquoi l'IA et l'apprentissage automatique ne peuvent-elles pas remplacer l'expertise métier dans la modélisation comportementale ? 

Les modèles d’apprentissage automatique ont leur place dans l’analyse des prêts hypothécaires, mais ne remplacent pas l’expertise sectorielle. Dick identifie les conditions dans lesquelles l’apprentissage automatique fonctionne bien : de nombreuses variables, une intuition économique limitée quant aux relations entre ces variables, de grandes quantités de données d’apprentissage et des environnements stables sans interventions politiques. Les marchés hypothécaires ne remplissent pas plusieurs de ces conditions. Le prêt hypothécaire est le passif le plus important pour la plupart des propriétaires, ce qui signifie que les régulateurs, le Congrès et les agences d’État interviennent constamment. Le programme HARP a modifié du jour au lendemain les rythmes de remboursement anticipé. La loi Dodd-Frank a modifié structurellement la qualité des évaluations. La COVID a complètement rompu la relation historique entre chômage et pertes sur créances, car les programmes d’aide gouvernementaux ont fait en sorte que les chômeurs se retrouvaient dans une situation financière plus favorable que les personnes ayant un emploi. Un modèle d’apprentissage automatique entraîné sur des données historiques aurait produit des résultats erronés pour tous ces scénarios. C’est l’expertise métier qui permet à une équipe de reconnaître quand les données sont trompeuses et de s’adapter en conséquence. 

Comment les hypothèses relatives au remboursement anticipé et au défaut de paiement sont-elles établies ? 

Le comportement en matière de remboursement anticipé et de défaut de paiement résulte d'une combinaison de caractéristiques des prêts et de facteurs macroéconomiques. Le solde du prêt, le ratio prêt/valeur (LTV), la qualité du crédit, l'ancienneté du prêt et le type de produit sont tous des éléments déterminants. Il en va de même pour les taux d'intérêt, l'appréciation des prix immobiliers, le chômage et l'inflation, tant au niveau national qu'au niveau des zones métropolitaines statistiques (MSA). Les prêts VA constituent un exemple utile de la manière dont les facteurs spécifiques à un produit interagissent. Les prêts VA sont remboursés par anticipation à un taux de remboursement anticipé (CPR) d'environ 50 %, ce qui est nettement plus rapide que pour d'autres types de produits, car les emprunteurs VA ont généralement une bonne solvabilité et le processus de refinancement simplifié de la VA est suffisamment efficace pour permettre aux emprunteurs de refinancer rapidement dès que les taux baissent. Le ratio prêt/valeur (LTV) a une incidence tant sur la performance de crédit que sur les remboursements anticipés pour tous les types de produits, mais les emprunteurs VA affichent une meilleure performance de crédit que les emprunteurs FHA à des LTV comparables, ce qui constitue une distinction importante pour quiconque élabore ou interprète des modèles portant sur les produits de prêt gouvernementaux. 

Quel est le rôle des données sur l'ensemble du cycle dans la modélisation comportementale ? 

Pour élaborer des modèles qui résistent à différents contextes économiques, il faut disposer de données couvrant plusieurs cycles de crédit. Un modèle estimé uniquement à partir de données issues d'une période stable ne saura pas comment les emprunteurs se comportent lorsque les prix de l'immobilier chutent brutalement, que le chômage grimpe en flèche ou que des interventions politiques modifient les relations normales entre les variables. Les prêts accordés pendant la bulle immobilière de 2003 à 2005 ont généré des pertes de crédit que les modèles de l'époque n'auraient pas pu anticiper, car les distributions du ratio prêt/valeur (LTV) apparues pendant la crise se situaient en dehors de la fourchette de toute expérience antérieure en matière d'octroi de prêts. Les prêts accordés après la crise ont affiché des pertes sur créances inférieures à celles des prêts accordés avant la crise, même après ajustement pour tenir compte des différences de qualité de crédit, en grande partie parce que la qualité des évaluations s'est considérablement améliorée après que les réformes Dodd-Frank ont éliminé les évaluations commandées par les courtiers. C'est le fait de disposer de données couvrant plusieurs cycles qui permet à une équipe de modélisation de comprendre quelles relations sont structurelles et lesquelles sont spécifiques à une période. 

Quelles perspectives pour le marché des prêts hypothécaires résidentiels ? 

Début 2026, le point de vue de Dick s'articule autour de deux thèmes. Le premier concerne l'élargissement de l'accès aux données. Les données des agences d'évaluation du crédit, qui reflètent l'endettement total d'un emprunteur et non plus uniquement sa dette hypothécaire, deviennent plus accessibles et permettront, à terme, une modélisation plus précise des comportements. Le second thème est celui du risque politique. Le marché hypothécaire est soumis à des interventions réglementaires et législatives constantes, et ces interventions peuvent entraîner des changements radicaux en matière de remboursement anticipé et de comportement de crédit. Les structures LLPA font actuellement l’objet d’un débat politique entre les deux camps, et toute modification de celles-ci pourrait avoir des répercussions importantes en aval sur les vitesses de remboursement anticipé et la performance de crédit. Conclusion de Dick : le risque politique est très difficile à prévoir et a un impact considérable lorsqu’il se concrétise. 

Foire aux questions sur la modélisation comportementale sur les marchés hypothécaires 

Qu'est-ce que la modélisation comportementale dans le domaine du crédit immobilier ? 

La modélisation comportementale dans le domaine du crédit hypothécaire consiste à élaborer des modèles quantitatifs permettant de prévoir le comportement des emprunteurs au fil du temps, notamment leur propension à rembourser par anticipation, à se trouver en défaut de paiement ou à accumuler des arriérés. Ces modèles s'appuient sur des caractéristiques propres à chaque prêt et sur des données macroéconomiques pour produire des résultats utilisés à des fins d'évaluation, de couverture, de tests de résistance et de planification des fonds propres. 

Quelles sont les données utilisées par les modèles de remboursement anticipé et de défaut de paiement ? 

Les modèles de remboursement anticipé et de défaut s'appuient sur une combinaison de caractéristiques propres à chaque prêt, notamment le ratio prêt/valeur (LTV), le solde du prêt, la cote de crédit, l'ancienneté du prêt et le type de produit, ainsi que sur des facteurs macroéconomiques tels que les taux d'intérêt, la hausse des prix de l'immobilier, le chômage et l'inflation. C'est l'interaction entre les caractéristiques des prêts et les facteurs macroéconomiques qui détermine le comportement des emprunteurs ; les modèles ont donc besoin de données couvrant plusieurs cycles économiques afin de saisir l'évolution de ces relations dans différents contextes. 

Pourquoi les modèles comportementaux ont-ils échoué lors de la grande crise financière ? 

Les modèles élaborés avant la grande crise financière ne disposaient pas de données historiques sur le comportement des emprunteurs aux niveaux de ratio prêt/valeur (LTV) qui sont apparus pendant la crise. Aucun initiateur n'accordait de prêts à un ratio prêt/valeur de 130 % dans des conditions normales, de sorte qu'il n'existait aucune donnée d'apprentissage pour ce scénario. De plus, la qualité des évaluations était médiocre avant les réformes Dodd-Frank, ce qui signifie que les valeurs des garanties sous-jacentes aux ratios prêt/valeur étaient gonflées d'une manière dont les modèles ne tenaient pas compte. La crise a mis en évidence à quel point la précision des modèles dépend de la qualité et de l'exhaustivité des données utilisées pour les construire. 

Qu'est-ce que le groupe d'analyse des emprunteurs du MIAC ? 

Le groupe « Borrower Analytics » du MIAC élabore et met à jour les modèles comportementaux qui sous-tendent les services d’évaluation, de couverture et de conseil de MIAC. Le groupe développe des modèles de remboursement anticipé, de défaut et de gravité pour les prêts résidentiels, commerciaux et à la consommation, et soutient à la fois les unités de production internes de MIAC et les clients externes qui utilisent la plateforme logicielle analytique de MIAC.