AI pour la surveillance du crédit et les systèmes d'alerte précoce

Introduction

Les pertes de crédit commencent rarement lorsqu'un paiement devient en retard. La détérioration peut apparaître plus tôt dans les encaissements, les soldes de trésorerie, la marge de manœuvre au titre des covenants, le comportement de reporting, la concentration client, les conditions fournisseurs, l'évolution des stocks, la rotation des dirigeants, l'état du collatéral ou un événement externe. La difficulté pratique consiste à rassembler ces observations à temps, à distinguer le signal du bruit, à désigner un responsable de la revue et à relier la revue à une réponse autorisée.

Le présent article s'adresse AI pour la surveillance du crédit et les systèmes d'alerte précoce à deux publics cibles Matchpoint Partners. Fonds de crédit privé, de prêt direct et de situations spéciales sont des investisseurs internationaux en crédit et en situations spéciales recherchant rendement et complexité dans des actifs réels GCC et des entreprises en activité. GCC propriétaires de PME et d’entreprises familiales sont des propriétaires, directeurs généraux et opérateurs de la nouvelle génération concernés par le besoin en fonds de roulement, le financement du commerce, la succession, le refinancement et la sortie. surveille le risque pour le capital et les droits contractuels. surveille la liquidité, la résilience et les éléments de preuve nécessaires à un dialogue constructif avec les prêteurs. Ils peuvent utiliser des signaux connexes tout en conservant des incitations, des habilitations et un pouvoir de décision distincts.

La question déterminante est : comment l'intelligence artificielle peut-elle améliorer la rapidité et la cohérence du suivi du crédit tout en préservant les preuves, le jugement humain, la confidentialité et une intervention responsable ? La réponse exige un système opérationnel plutôt qu'un score isolé. Le système doit définir les résultats attendus, préserver l'horodatage des événements, valider les droits et la qualité, combiner des règles transparentes avec des modèles statistiques appropriés, calibrer les probabilités, classer les alertes, afficher les motifs, consigner les contestations et dérogations, acheminer les actions et tirer les enseignements des résultats observés.

Les principes actuels du Comité de Bâle placent l'administration, la mesure et le suivi du crédit aux côtés d'un octroi sain du crédit et de contrôles adéquats [1]. Le principe fondamental 18 de Bâle traite de l'identification et de la gestion précoces des expositions problématiques [2]. Les lignes directrices de l'Autorité bancaire européenne sur l'octroi et le suivi des prêts couvrent le suivi tout au long du cycle de vie du crédit [3]. IFRS 9 exige d'évaluer si le risque de crédit a augmenté de manière significative depuis la comptabilisation initiale et prend en compte des informations prospectives raisonnables et étayées [4]. La Banque centrale de UAE exige un cadre documenté de risque de crédit couvrant l'octroi, le suivi, le recouvrement et la constitution de provisions, y compris l'identification précoce des pertes et des facteurs susceptibles de conduire à une détérioration ou à un défaut [5]. Ses normes relient l'augmentation significative du risque de crédit à des indicateurs d'alerte précoce et à une surveillance continue [6]. Ces sources s'appliquent selon l'institution, l'activité et la juridiction ; elles fournissent des références de contrôle utiles à d'autres investisseurs en crédit.

La prédiction de crédit a une longue histoire empirique. Les ratios comptables, les modèles fondés sur la valeur de marché, les méthodes de risque instantané et les modèles de défaut multi-périodes offrent des vues distinctes de la détresse [9-18]. Les études d'apprentissage automatique examinent la performance de classification, les résultats déséquilibrés, les relations non linéaires et les données alternatives [19-27]. La recherche sur l'explicabilité, la calibration, la dérive conceptuelle et la dette technique fournit des outils pour évaluer le comportement de ces modèles après leur développement [28-34]. Les sources réglementaires et normatives actuelles traitent de la gouvernance des modèles fondée sur les risques, de la gestion des risques AI, de la confidentialité, du consentement, du contexte d'insolvabilité et des contrôles AI des marchés de capitaux [35-40].

L'article définit un système AI d'alerte précoce sur le crédit comme un processus gouverné qui convertit des preuves autorisées et horodatées en indicateurs de détérioration pouvant faire l'objet d'une revue, achemine ces indicateurs vers des personnes responsables et consigne la décision, l'action et le résultat qui en découlent. L'intelligence artificielle peut inclure l'apprentissage statistique, les modèles de survie, les ensembles d'arbres, la détection d'anomalies, l'extraction de documents et l'assistance en langage naturel. La définition exclut toute autorité de crédit autonome.

L'apport est un cadre pratique. Il fournit :

• un périmètre décisionnel ;
• une taxonomie des événements de crédit et des résultats ;
• une architecture contrôlée des sources et des caractéristiques ;
• une taxonomie des signaux couvrant les éléments de preuve contractuels, de flux de trésorerie, financiers, opérationnels, de collatéral et externes ;
• une chaîne de modèles qui commence par des références de base transparentes ;
• une grille d'évaluation couvrant la calibration, le délai d'anticipation, la charge d'alertes, la stabilité et la capacité d'action ;
• des manuels d'intervention et des registres d'escalade ;
• des exemples illustratifs hypothétiques destinés au portefeuille et à l'emprunteur ;
• un pont entre productivité et pertes conditionné par les éléments de preuve ; et
• une feuille de route de mise en œuvre sur quatre-vingt-dix jours.

L'analyse examine 40 sources primaires, faisant autorité et clairement étiquetées, disponibles jusqu'au 1er août 2026. Les résultats universitaires sont rapportés dans le cadre de leurs études. Les exigences réglementaires dépendent de la juridiction, de la licence et de l'activité. Aucune donnée observée approuvée Matchpoint ni aucun élément de preuve client n'a été fourni pour le chiffre d'affaires, la réduction des coûts décaissés ou la réduction des pertes. Ces valeurs attribuées restent donc USD 0.

L'alerte précoce : du signal à l'intervention

Un score est un objet intermédiaire

Une probabilité de défaut peut hiérarchiser les expositions. Elle n'établit pas ce qui s'est passé, si les données étaient disponibles à l'époque, si un analyste devrait agir, quel droit contractuel existe, comment l'emprunteur devrait être abordé ou si une intervention a modifié un résultat. Un système d'alerte précoce doit relier la prédiction à une décision opérationnelle.

La chaîne doit permettre l'abstention. Une preuve manquante, obsolète, contradictoire ou non autorisée peut générer une tâche de qualité des données plutôt qu'une alerte de crédit. Un modèle peut produire une incertitude qui renvoie une exposition à une revue manuelle. Un résultat à faible risque ne doit jamais supprimer une violation contractuelle ou une revue obligatoire.

Horizons d'alerte et décisions

L'alerte précoce est relative à une décision. Un signal qui arrive deux jours avant un paiement manqué peut être précoce pour le recouvrement et tardif pour une négociation de covenant. Un ratio trimestriel peut appuyer le provisionnement et offrir peu de délai opérationnel. L'horizon doit être défini avant le développement du modèle.

IFRS 9 distingue les pertes de crédit attendues à 12 mois et sur la durée de vie et exige de comparer le risque de défaut à la date de reporting avec le risque lors de la comptabilisation initiale afin d'identifier une augmentation significative du risque de crédit [4]. Les normes de la CBUAE exigent une évaluation et une documentation régulières de l'augmentation significative du risque de crédit, à partir d'informations raisonnables et étayées disponibles, y compris des informations prospectives [6]. Un fonds de crédit privé peut utiliser des définitions comptables, réglementaires ou contractuelles différentes. Il devrait documenter la correspondance précise entre les résultats de surveillance, la valorisation, les réserves, le statut sur la liste de surveillance et l'autorité du comité.

L'autorité humaine reste explicite

Le système peut prioriser les examens, calculer des ratios, détecter des rapports manquants, estimer le risque, récupérer le texte des covenants ou préparer une liste de questions. L'analyste responsable doit valider les éléments probants et le contexte. Le comité autorisé ou son délégataire doit décider des dérogations, des avenants, des suspensions de tirages, des réserves, des mesures d'exécution ou de la stratégie de restructuration. La direction de l'emprunteur conserve l'autorité sur ses décisions opérationnelles. Les conclusions juridiques, d'insolvabilité, comptables et réglementaires nécessitent des professionnels responsables.

Le périmètre de décision « et »

fonds de crédit privé

Les équipes peuvent détenir des prêts bilatéraux ou en club, des facilités adossées à des actifs, des instruments mezzanine, des structures préférentielles et des expositions en situations spéciales. La surveillance peut impliquer des rapports contractuels, des calculs de base d'emprunt, des données sur le collatéral, des contrôles de trésorerie, des budgets, des informations du conseil d'administration, des échanges avec le sponsor financier et l'évolution du secteur. L'exposition peut être illiquide, la documentation peut être sur mesure et les historiques de portefeuille peuvent être limités. Ces caractéristiques accroissent l'importance de règles traçables, d'un examen d'expert et de la communication des incertitudes.

Questions fréquentes :

• Quels emprunteurs montrent une détérioration avant un défaut de paiement ?
• Quels covenants ont une marge disponible réduite en raison d'un dénominateur, d'une définition ou d'un ajustement autorisé ?
• Quels packs de données sont en retard, incohérents ou incomplets ?
• Quels événements externes nécessitent une demande d'information ciblée ?
• Quelles expositions combinent une faible liquidité, une incertitude sur le collatéral et une dépendance au sponsor financier ?
• Quelles alertes ont été examinées, écartées ou laissées expirer ?
• Quelle intervention a eu lieu et quel en a été le résultat ?

GCC Propriétaires de PME et d’entreprises familiales

Les propriétaires perçoivent souvent le risque de crédit comme un problème de fonds de roulement et d’exploitation. Les encaissements peuvent ralentir avant que les comptes mensuels n’en montrent l’effet. Un client important peut retarder l’acceptation. Les stocks peuvent augmenter parce que la demande a faibli ou parce que la direction constitue délibérément des stocks. Les délais de paiement fournisseurs peuvent se raccourcir. Une transmission familiale, un problème de dépendance à une personne clé ou un conflit de gouvernance peut affecter la qualité de l’information et la rapidité des décisions. Le propriétaire a besoin d’une vision opérationnelle permettant d’agir plus tôt et de tenir un dialogue crédible avec les prêteurs.

Questions fréquentes :

• Les encaissements clients ralentissent-ils par rapport aux profils contractuels et historiques ?
• Les engagements fermes tiendront-ils dans la liquidité actuelle et prévisionnelle ?
• Quels clients, fournisseurs ou projets créent un risque de concentration ?
• Quel élément de reporting, de covenant ou d’assurance nécessite une action avant une échéance ?
• Quel écart reflète une croissance prévue, une saisonnalité ou une véritable détérioration ?
• Quelles preuves faut-il préparer pour une discussion avec un prêteur ou un investisseur ?
• Quelle action opérationnelle a été prise et qu’est-ce qui a changé ensuite ?

Preuves partagées, finalités distinctes

Le même flux de transactions bancaires peut alimenter une prévision de trésorerie du propriétaire et un processus de suivi du prêteur. Le consentement, les droits contractuels, la confidentialité et la limitation des finalités déterminent si le prêteur peut le recevoir et de quelle manière. La réglementation de la CBUAE sur la finance ouverte inclut les produits de crédit et de prêt et exige, dans son périmètre, un consentement explicite, une communication sécurisée et un traitement limité à des finalités déterminées [7]. Un flux de données contractuel privé hors de ce cadre nécessite toujours une base juridique et contractuelle valable.

Contrôles des conflits et de la communication

Un conseiller intervenant à la fois pour le fournisseur de capital et le demandeur de capital doit définir le périmètre de la mission, le processus de gestion des conflits, les barrières à l'information et les livrables autorisés avant d'intégrer des données. Le système d'alerte précoce ne doit jamais devenir un canal informel qui élargit l'accès d'une partie. Chaque fiche d'alerte doit indiquer l'habilitation de la source, le public autorisé et l'autorité de communication.

Architecture du résultat, de l'étiquette et de la temporalité

Définir l'événement avant d'entraîner le modèle

Le défaut peut désigner un événement de défaut contractuel, une définition réglementaire, une étape comptable, une transition de notation, un événement de restructuration ou une étiquette propre à l'étude. Les combiner sans distinction crée une fuite d'étiquettes et une gouvernance faible. Les règles de risque de crédit de la CBUAE distinguent le non-paiement et l'improbabilité de paiement et exigent des signaux d'alerte précoce documentés [5]. La loi UAE sur les services financiers et la faillite définit les procédures et droits formels relevant de son champ d'application [8]. Une étiquette de modèle ne doit pas être traitée comme une conclusion juridique.

Le dictionnaire des résultats doit inclure la définition, le responsable, la date d'entrée en vigueur, les éléments probants, la hiérarchie, l'utilisation autorisée et la relation avec les autres définitions. Toute modification nécessite une gestion des versions et une analyse d'impact.

Trois échéanciers empêchent les fuites de valeur

Chaque observation nécessite au moins trois horodatages :

1. Horodatage de l'événement : le moment où l'événement sous-jacent s'est produit.
2. Horodatage de disponibilité : le moment où un système ou une personne autorisée a pu en prendre connaissance pour la première fois.
3. Horodatage de l'action : le moment où un réviseur ou un décideur a agi.

Un état financier de fin d'année peut décrire les conditions de décembre et devenir disponible en avril. L'utiliser en entraînement comme s'il était connu en décembre introduit un biais d'anticipation. Un certificat de covenant peut être soumis en retard. Le retard est en soi un signal ; les valeurs financières postérieures ne peuvent être reportées rétroactivement dans l'ensemble de décisions antérieur.

Unité d'observation et cohorte

L'unité d'observation peut être le jour-emprunteur, le mois-facilité, le test de covenant, la facture, le compte ou la revue de portefeuille. Elle doit correspondre à la fréquence de décision et à la fiabilité des données. Les caractéristiques au niveau de la facilité peuvent être combinées avec les expositions au niveau de l'obligé et du groupe. Les structures de parties liées, les garants et les liens de collatéral nécessitent des entités explicites plutôt qu'un rapprochement textuel.

Les petits portefeuilles de crédit privé peuvent ne pas permettre de recourir à des modèles supervisés complexes. Une base de règles transparente, une analyse de survie éclairée par des données externes, une segmentation experte et des bandes d'incertitude peuvent être plus défendables. Le dossier de développement du modèle doit documenter les limites de cohorte, les exclusions, les données manquantes, la prévalence de l'événement et l'exposition au défaut.

Taxonomie des signaux et contrat de données

Six familles de signaux

Un système d'alerte précoce devrait combiner des preuves complémentaires. Altman, Beaver et Ohlson démontrent le rôle historique des ratios comptables [9-11]. Merton utilise la relation issue de la théorie des options entre la valeur des actifs et les passifs [12]. Shumway, Chava et Jarrow, Duffie et co-auteurs, Bharath et Shumway, ainsi que Campbell et co-auteurs utilisent des informations de taux de hasard, de marché et multi-périodes [13-17]. Altman et Sabato traitent de la modélisation spécifique aux PME [18]. Ces études soutiennent un portefeuille de méthodes plutôt qu'un score universel.

Signaux contractuels

Le suivi contractuel devrait commencer par un registre structuré des obligations. Chaque obligation nécessite la clause, la définition du calcul, la fréquence, la partie déclarante, les preuves, le délai de grâce, le statut de dérogation et le réviseur responsable. L'extraction en langage naturel peut faciliter la saisie des clauses. Une personne doit approuver l'obligation structurée avant son utilisation en production. Le système doit conserver le passage source exact.

La logique d'alerte doit distinguer une donnée d'entrée manquante, un manquement calculé, une question d'interprétation juridique et une dérogation approuvée. Un retard de reporting peut être une défaillance de processus, une distraction opérationnelle ou une détresse émergente. Le système doit enregistrer le fait et orienter l'interprétation vers l'analyste responsable.

Signaux de flux de trésorerie et de transactions

Les données transactionnelles peuvent améliorer la rapidité. Khandani, Kim et Lo utilisent des transactions de consommateurs et des données de bureaux de crédit dans une étude sur le crédit à la consommation [22]. Berg et ses coauteurs montrent que les variables d’empreinte numérique peuvent compléter les scores des bureaux de crédit dans leur contexte [23]. Jagtiani et Lemieux examinent les données alternatives et l’apprentissage automatique dans le prêt fintech [24]. Leurs populations et décisions diffèrent de celles du crédit privé et du suivi des PME de GCC. Ils établissent la faisabilité dans des contextes d’étude spécifiques ; ils n’établissent ni la viabilité économique ni la transférabilité.

Les signaux de trésorerie utiles peuvent inclure la volatilité glissante des encaissements, la concentration par payeur, le nombre de jours entre facture et encaissement, les événements de paiement échoué, les jours de réserve de trésorerie, les sorties de trésorerie engagées et les écarts par rapport à une référence saisonnière validée. Le consentement, la couverture des comptes, la conversion de devises, les flux interentreprises et la gestion centralisée de la trésorerie doivent être documentés.

Signaux financiers et opérationnels

Les ratios financiers doivent conserver le numérateur, le dénominateur, la période, la source et la politique d’ajustement. L’écart de prévision nécessite une base de référence approuvée ; des prévisions révisées à répétition peuvent sinon masquer la détérioration. Les signaux opérationnels doivent être liés au modèle économique. La croissance des stocks peut indiquer une expansion, des ventes lentes ou une préparation de la chaîne d’approvisionnement. La baisse du carnet de commandes peut refléter l’achèvement d’un projet planifié. La fiche d’alerte doit exposer la série source et le comparateur plutôt que d’offrir un seul libellé opaque.

Signaux de collatéral et externes

Le suivi du collatéral peut inclure l’ancienneté de la valorisation, la couverture, l’assurance, le lieu, le contrôle, l’état et la conversion en trésorerie. Une estimation de modèle ne détermine ni l’opposabilité ni la valeur réalisable. Les sources externes peuvent inclure les registres d’entreprises, les dossiers judiciaires, les sanctions, les prix des matières premières, les indicateurs sectoriels et les actualités vérifiées. La résolution d’entité, la qualité des sources, la juridiction et les autorisations doivent être documentées.

Contrat de données minimal

Les normes de collecte de données de la CBUAE exigent des données suffisamment granulaires et fréquentes, des événements mensuels de défaut et de recouvrement par segment de débiteur, des rôles documentés, un contrôle de type maker-checker, une automatisation lorsque cela est approprié, ainsi que des unités, devises et horodatages exacts [6]. Le contrat suivant adapte ces principes à une mise en œuvre.

Flux de travail opérationnel avant et après

Avant : reportings périodiques et rapprochement manuel

Le socle commun est une liste de surveillance sur tableur, alimentée par des reportings mensuels ou trimestriels. Les analystes courent après les documents, recalculent les ratios, examinent les e-mails, comparent les prévisions et préparent les supports du comité. Le jugement d'expert peut être solide. La traçabilité des preuves, la cohérence et les délais peuvent dépendre de la rigueur individuelle. Un même événement peut être saisi à plusieurs endroits avec des statuts différents.

Après : file d'attente gouvernée et fiche de preuve

Le flux de travail cible automatise une collecte et une validation encadrées, applique des règles et des modèles approuvés, classe les expositions par ordre de priorité pour revue humaine et consigne la décision. Chaque alerte ouvre une fiche de preuve plutôt qu'une conclusion. Elle affiche l'horizon de résultat, les événements sources, les valeurs des caractéristiques, les comparaisons, la version du modèle et du seuil, les motifs, l'incertitude, les alertes antérieures, les obligations en cours, le responsable, l'échéance et les actions autorisées.

Budget de capacité d’alertes

Le volume d’alertes est une variable de contrôle des risques. Un modèle peut augmenter le rappel en envoyant de nombreuses expositions en revue. Si l’équipe ne peut pas les examiner, de véritables alertes peuvent être noyées. La conception doit préciser les heures de revue disponibles, les alertes attendues, la répartition par gravité, les objectifs de niveau de service et l’escalade lorsque la file d’attente dépasse la capacité.

Le système doit mesurer l’acceptation des alertes, la suppression des doublons, le délai avant la première revue, le délai avant décision, l’ancienneté des alertes non résolues et les alertes expirées. Un faible taux d’acceptation peut refléter des seuils trop permissifs, une présentation insuffisante des éléments de preuve, une cible inadaptée ou le comportement des personnes chargées de la revue. Cela exige une enquête plutôt qu’un réglage automatique.

Architecture contrôlée et pile d'outils

Couches dissociables

L’architecture doit permettre de séparer les enregistrements de source, de stockage d’événements, de calcul des variables, de modèle, d’alerte, de revue et de décision. Cette séparation rend réalisables la traçabilité, la validation, le remplacement et la réponse aux incidents. Une plateforme fournisseur peut fournir plusieurs couches. La société reste responsable de documenter ce que fait le fournisseur, les éléments probants qu’il reçoit et la manière dont les défaillances sont gérées.

Base de référence avant la complexité

Une séquence de développement peut commencer par les engagements, les règles relatives aux données manquantes, des ratios simples et une base statistique transparente. La régression logistique, l'analyse de survie ou un modèle d'arbre contraint peuvent établir si une complexité supplémentaire procure un avantage substantiel. Lessmann et ses coauteurs évaluent plusieurs algorithmes de classification et montrent l'importance d'une comparaison étendue [19]. Brown et Mues examinent des données déséquilibrées de notation de crédit [20]. Barboza et ses coauteurs comparent des modèles d'apprentissage automatique pour la prédiction de faillite [21]. Le choix devrait suivre le résultat, la cohorte, le volume de données, l'explicabilité et le coût opérationnel.

Sadhwani et ses coauteurs démontrent une modélisation hypothécaire multipériode non linéaire dans une étude portant sur plus de 120 millions d'enregistrements de prêts hypothécaires américains [25]. Fuster et ses coauteurs examinent les effets distributionnels de l'apprentissage automatique sur les marchés du crédit [26]. Il s'agit d'études substantielles et de contextes différents. Un petit portefeuille de crédit privé GCC ne peut pas revendiquer des éléments probants équivalents. Des données externes ou l'apprentissage par transfert peuvent faciliter le développement ; un calibrage et une validation locaux restent nécessaires.

Pile de modèles

L'assistance en langage naturel est subordonnée

Un modèle de langage peut extraire un tableau de covenants, synthétiser un dossier emprunteur ou rédiger une note de revue. La sortie doit conserver des citations au niveau des passages et les scores de confiance. Les calculs numériques doivent s'exécuter dans un code déterministe. L'interprétation contractuelle, les conclusions juridiques et les appréciations finales en matière de crédit restent du ressort de professionnels habilités. Le système doit s'abstenir lorsque les éléments de preuve sont contradictoires ou sortent du schéma approuvé.

Sécurité et résilience

Les dossiers de crédit peuvent contenir des informations sur les clients, les employés, les fournisseurs, les prix, les comptes et des informations juridiques. Le moindre privilège, le chiffrement, la séparation des locataires, la résidence des données, la gestion des secrets, la journalisation, la sauvegarde, la restauration et la réponse aux incidents doivent être intégrés à la conception. Les modèles de fournisseurs et les services gérés exigent des restrictions d'utilisation des données, des conditions de conservation, l'examen des sous-traitants ultérieurs et une planification de la sortie. Le NIST AI Risk Management Framework fournit des fonctions volontaires de gouvernance, de cartographie, de mesure et de gestion [36]. Le rapport AI de l'IOSCO traite des cas d'utilisation et des risques sur les marchés de capitaux [37]. Ces sources éclairent la gouvernance selon leur applicabilité.

Évaluation : de l'exactitude à la capacité d'action

Métriques de prédiction

La détérioration du crédit est souvent déséquilibrée. L'exactitude peut rester élevée lorsqu'un modèle manque la plupart des événements rares. L'évaluation doit rendre compte de la discrimination et de la calibration sur l'horizon visé. Les courbes précision-rappel peuvent être plus informatives lorsque les événements positifs sont rares. La sélection du seuil doit intégrer la capacité des réviseurs et les conséquences des alertes manquées ou superflues.

Niculescu-Mizil et Caruana comparent les méthodes de calibration pour les modèles supervisés [30]. Brier fournit le score quadratique utilisé pour les prévisions probabilistes [31]. L’évaluation devrait inclure la calibration globale (calibration-in-the-large), la pente, les graphiques de fiabilité, les décomptes des résultats et les intervalles d’incertitude lorsque cela est faisable.

Explicabilité et stabilité des motifs

Lundberg et Lee développent une approche unifiée de l’attribution des caractéristiques à l’aide de SHAP [28]. Ribeiro, Singh et Guestrin développent des explications locales interprétables [29]. Les explications décrivent le comportement du modèle dans le cadre d’hypothèses énoncées. Elles ne prouvent ni la causalité, ni la qualité des données, ni l’équité. Une alerte de crédit devrait combiner les motifs du modèle avec les éléments probants issus des sources, un historique comparatif et le contexte de politique.

La stabilité des motifs est importante. De petites modifications non significatives des entrées ne devraient pas produire des narratifs contradictoires. Des variables corrélées peuvent redistribuer l’attribution. Les explications devraient être testées selon les versions, les segments et les perturbations. Un narratif généré ne devrait jamais remplacer la variable numérique et l’enregistrement source.

Dérive et surveillance continue

Gama et ses coauteurs passent en revue l’adaptation à la dérive de concept [32]. Sculley et ses coauteurs décrivent la dette technique cachée des systèmes d’apprentissage automatique, y compris les dépendances de données et les boucles de rétroaction [33]. La surveillance de la dérive devrait distinguer :

• dérive des données, où la distribution des entrées change ;
• dérive conceptuelle, où la relation entre les entrées et les résultats change ;
• dérive de politique, où les définitions, seuils ou actions changent ;
• dérive de population, où la composition sectorielle, géographique, de produits ou d'emprunteurs change ;
• dérive de pipeline, où la collecte ou la transformation change ; et
• dérive d'intervention, où les actions modifient les résultats observés.

Le modèle peut influencer ses propres données. Une intervention précoce peut éviter un défaut, ce qui peut faire apparaître comme fausse une alerte efficace. L'analyse des résultats devrait conserver l'historique des interventions et des traitements. Les affirmations causales nécessitent une conception qui les étaye.

Équité et performance par segment

Hardt, Price et Srebro formalisent l'égalité des chances en apprentissage supervisé [34]. Fuster et ses coauteurs examinent les effets distributionnels de l'apprentissage automatique sur le marché du crédit [26]. Un système doit définir les attributs protégés et sensibles conformément au droit applicable, éviter toute utilisation non autorisée, évaluer les tendances d'erreur et d'accès dans les segments pertinents, et examiner les variables proxy. Une mesure d'équité est un prisme analytique. La politique, le droit, la finalité du portefeuille et la responsabilité humaine déterminent la décision appropriée.

Tableau de bord de mise en production

Gouvernance des modèles, confidentialité et contrôles réglementaires

Gouvernance des modèles fondée sur les risques

La Réserve fédérale, la FDIC et l'OCC ont publié en avril 2026 des orientations révisées relatives au risque de modèle. Elles mettent l'accent sur une approche fondée sur les risques, adaptée au profil, à la taille et à la complexité du modèle, et couvrent le développement, la mise en œuvre, la validation, la gouvernance et l'utilisation des modèles [35]. Leur applicabilité directe dépend de l'établissement. Ces principes constituent une référence utile pour un système de surveillance du crédit privé, car un modèle défaillant peut modifier les décisions de portefeuille, les valorisations, les réserves et le traitement des emprunteurs.

L'inventaire des modèles doit inclure les règles, les modèles statistiques, les scores de fournisseurs, les extracteurs de documents et les feuilles de calcul significatives. Chaque enregistrement doit préciser la finalité, le responsable, les utilisateurs, les entrées, les sorties, les limites, le statut de validation, l'historique des modifications, les dépendances et le plan de mise hors service. Les ajustements d'experts significatifs doivent être documentés et testés.

La validation devrait couvrir la solidité conceptuelle, la qualité des données, la vérification des processus, l’analyse des résultats, la surveillance continue et la mise en œuvre. L’opacité d’un fournisseur ne dispense pas de la responsabilité de comprendre l’usage prévu, les limites et les performances. Un composant qui ne fournit pas suffisamment de preuves peut être limité à une assistance à faible risque ou rejeté.

AI gestion des risques

Le cadre de gestion des risques AI du NIST organise les activités autour de Gouverner, Cartographier, Mesurer et Gérer [36]. Une cartographie des contrôles peut utiliser ces fonctions comme suit :

• Gouverner : attribuer les responsabilités en matière de crédit, de données, de technologie, de confidentialité et de validation.
• Cartographier : définir les utilisateurs, les emprunteurs, les décisions, les préjudices, le contexte juridique et les dépendances.
• Mesurer : tester l’exactitude, la calibration, la dérive, la sécurité, la confidentialité, les segments et la charge opérationnelle.
• Gérer : approuver le périmètre, surveiller, répondre aux incidents, revenir en arrière et mettre hors service.

Le cadre est volontaire et général. Il ne remplace pas les exigences applicables en matière de services financiers, de protection des données, de contrats ou d’insolvabilité.

Confidentialité, consentement et finalité

Le cadre UAE fédéral de protection des données établit des contrôles pour le traitement des données personnelles [38]. Le DIFC et l’ADGM maintiennent leurs propres régimes de protection des données pour leurs juridictions [39-40]. Le régime approprié dépend des entités, de l’établissement, du traitement et des flux de données. Un avis juridique est requis pour une mise en œuvre spécifique.

Le registre des droits devrait consigner la personne concernée ou la source professionnelle, les rôles de responsable du traitement et de sous-traitant, la finalité, la base légale ou le droit contractuel, les destinataires autorisés, le lieu, la conservation, la suppression, les sous-traitants ultérieurs et le processus de gestion des incidents. Les données personnelles qui sont pratiques mais non nécessaires ne devraient pas entrer dans le magasin de caractéristiques. Les données sensibles nécessitent une analyse juridique et politique spécifique.

La finance ouverte de la CBUAE exige un consentement explicite, une communication sécurisée et une limitation de la finalité dans son périmètre, et restreint l’extraction de données [7]. Un produit destiné aux emprunteurs devrait séparer le partage facultatif de données de la relation de financement sous-jacente, documenter le retrait du consentement et maintenir un processus en mode dégradé.

Limites en matière d’insolvabilité et de restructuration

La loi UAE sur les finances et la faillite établit des mécanismes formels de restructuration financière et de faillite [8]. Un score d’alerte précoce ne peut déterminer le statut d’insolvabilité, les obligations de déclaration, les droits des créanciers, la priorité, l’exécution ou les obligations des dirigeants. Lorsqu’une alerte suggère une détresse financière, le manuel d’intervention devrait orienter la question vers des professionnels juridiques, de restructuration et d’insolvabilité dûment qualifiés.

Classes d’incidents

Manuels d'intervention et escalade

Les alertes exigent des actions encadrées

Une alerte doit correspondre à des actions que l'institution peut légalement et contractuellement entreprendre. Les réponses possibles incluent la validation des données, la demande d'informations, le renforcement de la surveillance, l'examen du collatéral, le test d'un covenant, la discussion d'une mesure corrective, l'examen d'une renonciation ou d'un avenant, l'ajustement d'une réserve, la limitation des tirages supplémentaires, le transfert de l'exposition à une équipe spécialisée ou la préparation d'une note au comité. Chaque action dépend de la documentation et des pouvoirs.

Les réponses peuvent inclure l'accélération des encaissements, le rapprochement des factures contestées, la révision des achats, la protection des fournisseurs critiques, la réduction de l'utilisation discrétionnaire de trésorerie, la préparation d'une prévision de trésorerie sur treize semaines, l'examen de la marge de manœuvre au titre des covenants, l'implication précoce des prêteurs, le renforcement de la gouvernance ou la recherche d'un conseil en restructuration. Une recommandation exige un jugement professionnel propre à l'emprunteur.

Les seuils de ce tableau sont des catégories, et non une politique approuvée. La politique effective doit définir des déclencheurs quantitatifs et qualitatifs, des jours fériés, des périodes de grâce, la suppression, les dérogations et le délai maximal de non-résolution.

Enregistrement minimal d'alerte

Un enregistrement d'alerte doit contenir :

1. identifiant d'alerte, emprunteur, facilité et portefeuille ;
2. horodatage de génération et d'expiration ;
3. horizon du résultat et gravité ;
4. versions des règles et des modèles ;
5. événements sources avec heure de disponibilité ;
6. valeurs des variables, comparateurs et données manquantes ;
7. codes de motif et incertitude ;
8. référence pertinente à une obligation ou à une politique ;
9. statut actuel et antérieur de l'alerte ;
10. réviseur affecté et niveau de service ;
11. évaluation du réviseur et contestation des éléments de preuve ;
12. justification de la dérogation, de la suppression ou de l'escalade ;
13. autorité de décision et action approuvée ; et
14. horodatages de l'action et du résultat.

Dialogue avec l'emprunteur

Le système doit favoriser un dialogue ciblé et équitable. Un prêteur peut demander le contexte entourant un schéma factuel plutôt que présenter une conclusion automatisée. La fiche d'alerte doit distinguer les éléments de preuve observés de l'interprétation du modèle et du jugement humain. Le registre des communications doit indiquer quelles informations ont été demandées, ce que l'emprunteur a fourni et si l'alerte a changé.

Dérogations

Les dérogations sont des informations. Un réviseur peut connaître la saisonnalité, un refinancement achevé, une facture contestée, une opération sur titres ou un ajustement autorisé que le modèle ne prend pas en compte. Le système doit enregistrer le motif et le résultat ultérieur. Des taux de dérogation élevés peuvent révéler des données faibles, des seuils mal segmentés ou une discipline de révision inefficace. L'analyse des dérogations doit rester distincte des incitations à la performance qui pourraient décourager une contestation justifiée.

Exemples illustratifs

Chaque donnée saisie dans cette section est un hypothèses de modélisation hypothétiques. Les scénarios illustrent le flux de travail et la mesure. Ils ne décrivent pas Matchpoint, un client, un portefeuille ni un business case approuvé.

Scénario A : surveillance du portefeuille

Exemple illustratif. Un gestionnaire compte 40 emprunteurs actifs et une équipe de surveillance composée de deux analystes. Chaque exposition génère des données financières mensuelles, des rapports de covenant et certaines informations opérationnelles sélectionnées. Un pilote intègre le registre des engagements, le statut de reporting et un ensemble limité de variables validées de trésorerie et de ratios.

Hypothèses de modélisation fictives. L’équipe alloue 80 heures de révision par mois à la revue des alertes précoces. Le seuil du pilote est conçu pour générer au maximum 24 nouvelles alertes orange et six alertes de gravité élevée par mois. Ces chiffres ne constituent pas des recommandations. Ils créent une contrainte de capacité pour les tests.

Calcul illustratif. Le budget d'alertes consommerait `24 x 1.5 + 6 x 4 = 60` heures de revue, laissant 20 heures pour la gestion de la file d'attente, la contestation et les incidents. Le calcul teste la capacité. Il ne permet pas d'établir des gains de productivité ni des économies d'effectifs.

Le pilote en mode miroir comparerait les décisions actuelles de la liste de surveillance avec les sorties système corrigées dans le temps. Il enregistrerait les alertes acceptées, les fausses alarmes, les événements manqués, le délai médian de détection, l'effort de revue, les dérogations et les interventions. Les décisions de crédit continueraient d'être prises selon le processus existant jusqu'à l'approbation du jalon de mise en production.

Scénario B : auto-surveillance par l'emprunteur

Exemple illustratif. Un distributeur familial surveille les soldes bancaires, les encaissements hebdomadaires, les créances échues, les stocks, la concentration des principaux clients, les conditions fournisseurs et les obligations au titre des facilités. Le système calcule un coussin de liquidité glissant et valide les données chaque matin.

Hypothèses de modélisation hypothétiques. La société définit un signal de revue par la direction lorsque le coussin de trésorerie validé tombe sous 21 jours de décaissements engagés, que le délai de recouvrement dépasse sa fourchette corrigée des variations saisonnières et qu'une prévision de covenant montre une marge de manœuvre réduite. Le seuil est illustratif. Les documents financiers, du conseil d'administration et des prêteurs détermineraient la politique réelle.

La fiche de preuves destinée au propriétaire présenterait les soldes sous-jacents, les encaissements attendus, les décaissements engagés, la version de la prévision et le calcul du covenant. Un signal orange pourrait déclencher la résolution d'un litige de facturation, une prévision de trésorerie révisée et la préparation du dialogue avec les prêteurs. Il ne déclencherait pas une décision de financement autonome.

Scénario C : triage des opérations de surveillance

Exemple illustratif. Un modèle de qualité des données détecte un certificat de base d'emprunt tardif et une incohérence entre les unités monétaires de deux fichiers. Le système neutralise le score de crédit concerné, ouvre un incident de données et achemine le dossier vers les opérations. Le problème est résolu avant que l'analyste n'évalue la détérioration du crédit.

Ce scénario illustre un contrôle central : des données médiocres peuvent constituer le premier signal d'alerte tout en restant distinctes d'une conclusion sur le risque de l'emprunteur.

Limites des scénarios

Les scénarios omettent la documentation juridique, la fiscalité, la comptabilité, l'opposabilité du collatéral, le consentement de l'emprunteur, la construction de portefeuille, la valorisation, l'architecture des sûretés et la réglementation propre à chaque juridiction. Ils ne contiennent aucune base de référence approuvée ni résultat observé. Ils ne peuvent étayer une affirmation publique concernant les économies, les revenus, la prévention des pertes ou l'efficacité du modèle.

Productivité, revenus et attribution des pertes

La productivité est mesurée au niveau de la tâche acceptée

Le système peut améliorer la cohérence ou le contrôle sans libérer de trésorerie ni générer de revenus. Le temps libéré crée de la capacité. Les revenus exigent un travail accepté, un client, un contrat, une facture, un encaissement et une attribution défendable. La réduction des pertes exige un contrefactuel crédible et la preuve que l'alerte a permis une intervention ayant modifié le résultat.

Pont de perte attendue

Un portefeuille peut calculer la perte attendue comme mesure analytique à l'aide de la probabilité de défaut, de la perte en cas de défaut et de l'exposition en cas de défaut. Une modification d'une estimation de modèle ne prouve pas une réduction réalisée des pertes. Une intervention d'alerte précoce peut affecter la probabilité de défaut, la gravité de la perte ou l'exposition. L'effet doit être mesuré avec des définitions approuvées et un dispositif d'évaluation approprié.

Formule illustrative. Pour l'exposition `i`, une expression de base de la perte attendue est `EL_i = PD_i x LGD_i x EAD_i`. Une analyse d'intervention pourrait comparer la perte attendue approuvée avant et après une action tout en conservant la version du modèle et les hypothèses. La comparaison reste dépendante du modèle. Le recouvrement observé et un contrefactuel approuvé sont nécessaires pour une réduction des pertes attribuée.

Éléments probants externes circonscrits aux sources

Khandani, Kim et Lo rapportent des économies estimées dans leur étude sur le crédit à la consommation [22]. Ce résultat n'est pas transposé au crédit privé, aux PME GCC, à Matchpoint ni à un client. Lessmann et coauteurs, Brown et Mues, Barboza et coauteurs, Berg et coauteurs, Jagtiani et Lemieux, Sadhwani et coauteurs, ainsi que Fuster et coauteurs fournissent des éléments probants sur les modèles et les données dans leurs échantillons respectifs [19-27]. Aucun n'établit de dossier de justification économique.

registre de la valeur attribuée

Ces valeurs ne doivent changer qu'après que le responsable des éléments de preuve a approuvé la base de référence, l'observation, la méthode d'attribution et le résultat.

Feuille de route d’adoption à 90 jours

La feuille de route est un pilote à étapes conditionnées. Le calendrier constitue une structure de mise en œuvre, et non une garantie qu'une organisation donnée pourra achever chaque étape dans le délai indiqué.

Jours 0-15 : résultat attendu et autorité

• Sélectionnez un cas d'usage de portefeuille ou de suivi des emprunteurs.
• Approuver les définitions des résultats attendus et les horizons d'alerte.
• Cartographier les utilisateurs, les réviseurs et l'autorité décisionnelle.
• Consigner le périmètre juridique, contractuel, de confidentialité et des conflits d'intérêts.
• Définir le flux de travail de référence, la capacité et les critères de réussite.
• Établir un registre des créances avec la valeur attribuée à USD 0.

Jalon 1 : le responsable métier, l'autorité de crédit et les responsables des contrôles approuvent l'usage prévu et les usages interdits.

Jours 16-30 : données et obligations

• Créer le registre des obligations et du reporting.
• Recenser les systèmes sources, les responsables, les droits et les durées de conservation.
• Conserver l'horodatage des événements et de la disponibilité.
• Définir les entités, les facilités, les devises et les unités.
• Profiler l'absence de données, les révisions et la couverture historique.
• Reconstruire les étiquettes indépendamment des variables d'entrée du modèle.

Jalon 2 : les sources critiques sont traçables, autorisées et adaptées au résultat énoncé.

Jours 31-45 : base de référence

• Mettre en œuvre les règles de qualité des données et les règles contractuelles.
• Construire une base de référence statistique transparente.
• Établir les découpages cohorte, entraînement, validation et hors période.
• Mesurer la discrimination, la calibration, le délai d'anticipation et la charge d'alertes.
• Créer le prototype de fiche de preuves.
• Documenter les limites et l'incertitude.

Porte 3 : La complexité est différée, sauf si elle apporte une amélioration significative et explicable par rapport à la base de référence.

Jours 46-60 : validation indépendante

• Reproduire les variables et les scores.
• Remettre en question les fuites de données, la sélection de cohorte et les valeurs manquantes.
• Tester la calibration, les seuils, les segments et les périodes de stress.
• Tester les explications, la stabilité des motifs et la capture des dérogations.
• Examiner les contrôles relatifs à la confidentialité, à la sécurité, à la résidence et aux fournisseurs.
• Simuler les défaillances des sources, des modèles et du routage des alertes.

Jalon 4 : les constats significatifs sont résolus, acceptés avec des contrôles ou entraînent l’arrêt du pilote.

Jours 61-75 : exploitation en mode ombre

• Exploiter le système sans modifier les décisions de crédit existantes.
• Comparer les alertes aux résultats des analystes et du comité.
• Mesurer la taille de la file d’attente, le temps de revue, le taux d’acceptation et le délai de traitement.
• Recueillir le contexte de l’emprunteur, les dérogations et les événements manqués.
• Tester les playbooks et les processus de gestion des incidents.
• Vérifier si la fiche de preuves étaye un dialogue proportionné.

Jalon 5 : la capacité opérationnelle, les pouvoirs et la gestion des défaillances sont démontrés dans le périmètre convenu.

Jours 76-90 : jalon de mise en production contrôlée

• Approuver le modèle, les règles, les seuils et le calendrier de surveillance.
• Définir le périmètre de production, les groupes d’utilisateurs et les automatisations interdites.
• Mettre en place la procédure de retour arrière, le repli manuel et le coupe-circuit.
• Former les réviseurs et les décideurs.
• Activer l’enregistrement des résultats et des interventions.
• Approuver les déclarations publiques et internes uniquement sur la base de preuves observées.

Jalon 6 : Les autorités désignées approuvent l’utilisation en production contrôlée. Le système reste soumis à une surveillance continue, à une validation et à une réponse aux incidents.

Registre des allégations et limitations

Déclarations autorisées et non étayées

Limites empiriques

Les données de crédit privé peuvent être rares, hétérogènes et observées de manière sélective. Les conditions contractuelles varient. Les défauts sont rares et influencés par des interventions. Les recouvrements se concrétisent lentement. La construction de portefeuille évolue avec le temps. Un modèle entraîné sur une zone géographique, un secteur ou un produit peut être moins performant ailleurs. Des études externes peuvent étayer les méthodes et les hypothèses, tandis que la validation locale détermine l'aptitude à l'utilisation.

Limites opérationnelles

L'architecture dépend des droits sur les données, de la continuité des sources, d'une cartographie correcte des entités, de la capacité des évaluateurs et de la rigueur décisionnelle. Un flux manquant, une unité incorrecte ou une obligation obsolète peuvent fausser les résultats. La fatigue d'alerte peut affaiblir la réaction. Les dérogations humaines peuvent corriger le contexte et introduire des incohérences. La gouvernance doit mesurer à la fois le modèle et le processus humain.

Limites juridiques et réglementaires

Les obligations en matière de crédit, de confidentialité, d'insolvabilité, de consommation, d'emploi, de sanctions et d'externalisation, ainsi que les obligations AI, dépendent de l'activité et de la juridiction. Le document ne détermine pas le statut juridique ni le périmètre réglementaire. Les sources de la CBUAE, du DIFC, de l'ADGM, UAE fédéral, de Bâle, de l'EBA, de la Réserve fédérale, du NIST et de l'IOSCO ont une autorité et une applicabilité différentes [1-8,35-40].

Limites causales

La prédiction identifie une association. Une intervention peut modifier un résultat et les données d’entraînement ultérieures. L’attribution d’une perte évitée exige un contrefactuel crédible, un registre des interventions et une méthodologie approuvée. Un score plus élevé ne prouve pas qu’une action spécifique doit être entreprise.

Conclusion

AI peut rendre le suivi du crédit plus réactif et plus cohérent lorsqu’il est intégré à un système gouverné allant du signal à l’intervention. La capacité durable réside dans la chaîne traçable allant des éléments probants autorisés, en passant par l’horodatage des événements, les variables, les règles, les modèles, les alertes, la revue, l’autorité, l’action et le résultat.

les fonds de crédit privé peuvent utiliser cette chaîne pour améliorer la surveillance de portefeuille, la gestion des covenants, la rigueur de la liste de surveillance et l’escalade vers des spécialistes. GCC Les propriétaires de PME et d’entreprises familiales peuvent utiliser des signaux connexes pour comprendre plus tôt la liquidité, les recouvrements, la concentration et les obligations. Une logique de signaux partagée ne fusionne pas les droits sur les données ni l’autorité de décision.

La séquence de mise en œuvre devrait commencer par la définition des résultats, les obligations contractuelles, les droits sur les données, des enregistrements chronologiquement exacts et des bases de référence transparentes. Les modèles complexes doivent justifier leur place par des preuves comparatives. Le jalon de mise en production devrait mesurer la calibration, le délai d’anticipation, la charge d’alertes, la stabilité, les segments, les explications, les dérogations et la capacité d’action. L’autorité humaine en matière de crédit et l’autorité des emprunteurs restent explicites.

Le dossier commercial doit suivre la même discipline en matière de preuves. Le temps libéré est une capacité tant qu’il n’est pas utilisé. Le chiffre d’affaires est attribué après contrat, encaissement et preuves causales. La réduction des pertes est attribuée après un contrefactuel approuvé et un résultat observé. Pour , le Matchpoint attribué ou le chiffre d’affaires client, la réduction des coûts décaissés, la réduction des pertes et l’alpha restent USD 0.

Références

[1] Comité de Bâle sur le contrôle bancaire. (2025). Principes pour la gestion du risque de crédit. Banque des règlements internationaux. https://www.bis.org/bcbs/publ/d595.htm

[2] Comité de Bâle sur le contrôle bancaire. (2024). Principes fondamentaux pour un contrôle bancaire efficace, Principe 18 : Actifs problématiques, provisions et réserves. Banque des règlements internationaux. https://www.bis.org/basel_framework/chapter/BCP/40.htm

[3] Autorité bancaire européenne. (2020). Lignes directrices sur l’octroi et le suivi des prêts. EBA/GL/2020/06. https://www.eba.europa.eu/activities/single-rulebook/regulatory-activities/credit-risk/guidelines-loan-origination-and-monitoring

[4] Fondation IFRS. (2024). IFRS 9 Instruments financiers. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-9-financial-instruments/

[5] Banque centrale des UAE. (2024). Règlement sur la gestion du risque de crédit, article 3 : Cadre de gestion du risque de crédit. C 3/2024. https://rulebook.centralbank.ae/en/rulebook/article-3-credit-risk-management-framework

[6] Banque centrale des UAE. (2024). Normes de gestion du risque de crédit et exigences de collecte de données. https://rulebook.centralbank.ae/en/rulebook/credit-risk-management-standards et https://rulebook.centralbank.ae/en/rulebook/53-data-collection

[7] Banque centrale des UAE. (2025). Règlement sur la finance ouverte. C 03/2025. https://rulebook.centralbank.ae/en/rulebook/open-finance-regulation

[8] Émirats arabes unis. (2023). Décret-loi fédéral n° 51 de 2023 promulguant la loi financière et sur la faillite. https://uaelegislation.gov.ae/en/legislations/2190

[9] Altman, E. I. (1968). Ratios financiers, analyse discriminante et prédiction de la faillite d’entreprise. Journal of Finance, 23(4), 589-609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x

[10] Beaver, W. H. (1966). Les ratios financiers comme prédicteurs de défaillance. Journal of Accounting Research, 4, 71-111. https://doi.org/10.2307/2490171

[11] Ohlson, J. A. (1980). Ratios financiers et prédiction probabiliste de la faillite. Journal of Accounting Research, 18(1), 109-131. https://doi.org/10.2307/2490395

[12] Merton, R. C. (1974). Sur l’évaluation de la dette d’entreprise : la structure des risques des taux d’intérêt. Journal of Finance, 29(2), 449-470. https://doi.org/10.1111/j.1540-6261.1974.tb03058.x

[13] Shumway, T. (2001). Prévoir la faillite avec plus de précision : un modèle de risque simple. Journal of Business, 74(1), 101-124. https://doi.org/10.1086/209665

[14] Chava, S., & Jarrow, R. A. (2004). Prévision de faillite avec effets sectoriels. Journal of Finance, 59(2), 537-569. https://doi.org/10.1111/j.1540-6261.2004.00682.x

[15] Duffie, D., Saita, L., & Wang, K. (2007). Prévision de défaut d'entreprise multi-périodes avec covariables stochastiques. Journal of Financial Economics, 83(3), 635-665. https://doi.org/10.1016/j.jfineco.2005.10.011

[16] Bharath, S. T., & Shumway, T. (2008). Prévision du défaut à l'aide du modèle de distance au défaut de Merton. Review of Financial Studies, 21(3), 1339-1369. https://doi.org/10.1093/rfs/hhn044

[17] Campbell, J. Y., Hilscher, J., & Szilagyi, J. (2008). À la recherche du risque de détresse. Journal of Finance, 63(6), 2899-2939. https://doi.org/10.1111/j.1540-6261.2008.01416.x

[18] Altman, E. I., & Sabato, G. (2007). Modélisation du risque de crédit pour les PME : données du marché américain. Abacus, 43(3), 332-357. https://doi.org/10.1111/j.1467-6281.2007.00234.x

[19] Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L. C. (2015). Évaluation comparative des algorithmes de classification de pointe pour le scoring de crédit : une mise à jour de la recherche. European Journal of Operational Research, 247(1), 124-136. https://doi.org/10.1016/j.ejor.2015.05.030

[20] Brown, I., & Mues, C. (2012). Une comparaison expérimentale d'algorithmes de classification pour des ensembles de données de scoring de crédit déséquilibrés. Expert Systems with Applications, 39(3), 3446-3453. https://doi.org/10.1016/j.eswa.2011.09.033

[21] Barboza, F., Kimura, H., & Altman, E. (2017). Modèles d'apprentissage automatique et prévision de faillite. Expert Systems with Applications, 83, 405-417. https://doi.org/10.1016/j.eswa.2017.04.006

[22] Khandani, A. E., Kim, A. J., & Lo, A. W. (2010). Modèles de risque de crédit à la consommation via des algorithmes d'apprentissage automatique. Journal of Banking & Finance, 34(11), 2767-2787. https://doi.org/10.1016/j.jbankfin.2010.06.001

[23] Berg, T., Burg, V., Gombovic, A., & Puri, M. (2020). Sur l'essor des FinTechs : le scoring de crédit à partir d'empreintes numériques. Review of Financial Studies, 33(7), 2845-2897. https://doi.org/10.1093/rfs/hhz099

[24] Jagtiani, J., & Lemieux, C. (2018). Les rôles des données alternatives et de l'apprentissage automatique dans le prêt fintech : données probantes issues de la plateforme LendingClub Consumer Platform. Document de travail 18-15 de la Federal Reserve Bank of Philadelphia. https://doi.org/10.21799/frbp.wp.2018.15

[25] Sadhwani, A., Giesecke, K., & Sirignano, J. (2021). Apprentissage profond pour le risque hypothécaire. Journal of Financial Econometrics, 19(2), 313-368. https://doi.org/10.1093/jjfinec/nbaa025

[26] Fuster, A., Goldsmith-Pinkham, P., Ramadorai, T., & Walther, A. (2022). Inégalité prévisible ? Les effets de l'apprentissage automatique sur les marchés du crédit. Journal of Finance, 77(1), 5-47. https://doi.org/10.1111/jofi.13090

[27] Berg, T., Fuster, A., & Puri, M. (2022). Prêt fintech. Annual Review of Financial Economics, 14, 187-207. https://doi.org/10.1146/annurev-financial-101521-112042

[28] Lundberg, S. M., & Lee, S.-I. (2017). Une approche unifiée de l'interprétation des prédictions de modèles. Advances in Neural Information Processing Systems 30. https://proceedings.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html

[29] Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). Pourquoi devrais-je vous faire confiance ? Expliquer les prédictions de tout classifieur. Actes de la conférence KDD 2016, 1135-1144. https://doi.org/10.1145/2939672.2939778

[30] Niculescu-Mizil, A., & Caruana, R. (2005). Prédire de bonnes probabilités avec l’apprentissage supervisé. Actes de la conférence ICML 2005, 625-632. https://doi.org/10.1145/1102351.1102430

[31] Brier, G. W. (1950). Vérification des prévisions exprimées en termes de probabilité. Monthly Weather Review, 78(1), 1-3. https://doi.org/10.1175/1520-0493(1950)078%3C0001:VOFITE%3E2.0.CO;2

[32] Gama, J., Zliobaite, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). Une étude sur l’adaptation à la dérive conceptuelle. ACM Computing Surveys, 46(4), Article 44. https://doi.org/10.1145/2523813

[33] Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). Dette technique cachée dans les systèmes d’apprentissage automatique. Advances in Neural Information Processing Systems 28. https://proceedings.neurips.cc/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html

[34] Hardt, M., Price, E., & Srebro, N. (2016). Égalité des chances en apprentissage supervisé. Advances in Neural Information Processing Systems 29. https://proceedings.neurips.cc/paper/2016/hash/9d2682367c3935defcb1f9e247a97c0d-Abstract.html

[35] Conseil des gouverneurs du Système fédéral de réserve, Federal Deposit Insurance Corporation, & Bureau du contrôleur de la monnaie. (2026). Orientations prudentielles sur la gestion du risque de modèle. SR 26-2. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[36] Institut national des normes et de la technologie. (2023). Cadre de gestion des risques liés à l’intelligence artificielle (AI RMF 1.0). NIST AI 100-1. https://doi.org/10.6028/NIST.AI.100-1

[37] Organisation internationale des commissions de valeurs. (2025). Intelligence artificielle sur les marchés de capitaux : cas d'usage, risques et défis. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[38] UAE Gouvernement. (2021). Décret-loi fédéral n° 45 de 2021 relatif à la protection des données personnelles. https://u.ae/en/about-the-uae/digital-uae/data/data-protection-laws

[39] Centre financier international de Dubaï. (2020). Loi sur la protection des données, loi du DIFC n° 5 de 2020. https://www.difc.com/business/laws-and-regulations/legal-database/difc-laws/data-protection-law-difc-law-no-5-2020

[40] Marché mondial d'Abu Dhabi. (2021). Réglementation sur la protection des données 2021 et lignes directrices. https://www.adgm.com/operating-in-adgm/office-of-data-protection/resources

Annexe A. Registre des hypothèses et des éléments probants

Annexe B. Ensemble minimal de modèles et d'évaluation

1. Utilisation prévue, utilisateurs, utilisations interdites et autorité décisionnelle.
2. Définition du résultat, horizon, cohorte et processus de confirmation.
3. Droits sur les sources, horodatage de l'événement, horodatage de disponibilité, lignage et qualité.
4. Définitions des variables, calculs, valeurs manquantes et révisions.
5. Modèle de référence, modèles candidats et résultats comparatifs.
6. Conception des jeux d'entraînement, de validation, hors période et de période de tension.
7. Discrimination, précision, rappel, calibration et incertitude.
8. Délai d'anticipation, charge d'alertes, capacité des réviseurs et caractère exploitable.
9. Tests de segmentation, d'équité, d'explication et de stabilité des motifs.
10. Preuves de vérification de la mise en œuvre, de sécurité et de résilience.
11. Surveillance continue de la dérive, des résultats, des dérogations et des incidents.
12. Constats, limites et approbation de la validation indépendante.

Annexe C. Liste de contrôle de la revue des signaux d'alerte précoce

• Confirmer l'identité de l'emprunteur, de la ligne de crédit, du groupe et de la source.
• Confirmer que la source était autorisée et disponible à l'heure enregistrée.
• Examiner les données d'entrée manquantes, révisées, contradictoires et obsolètes.
• Examiner les définitions contractuelles et l'état actuel des dérogations.
• Comparer la valeur actuelle avec l'origine, la période précédente, le budget et la référence saisonnière.
• Examiner les codes de motif, l'incertitude et les variables corrélées.
• Vérifier les obligations liées, le collatéral, les garants et la concentration.
• Consigner le contexte de l'emprunteur et les éléments probants à l'appui.
• Contester l'alerte et documenter toute dérogation.
• Ne sélectionner que les actions relevant du périmètre d'autorité actuel.
• Orienter les questions juridiques, comptables, de restructuration ou d'insolvabilité vers des spécialistes.
• Consigner la décision, le responsable de l'action, l'échéance et la communication.
• Réexaminer l'alerte après la fenêtre de résultat.

Annexe D. Glossaire