Contenu du sommaire : Technologies et mutations de l'activité financière

Dans cet article, nous proposons une réflexion sur l'apport des techniques d'apprentissage automatique (machine learning) et des nouvelles sources de données (new data) pour la modélisation du risque de crédit. Le scoring de crédit fut historiquement l'un des premiers champs d'application des techniques de machine learning. Aujourd'hui, ces techniques permettent d'exploiter de « nouvelles » données rendues disponibles par la digitalisation de la relation clientèle et les réseaux sociaux. La conjonction de l'émergence de nouvelles méthodologies et de nouvelles données a ainsi modifié de façon structurelle l'industrie du crédit et favorisé l'émergence de nouveaux acteurs. Premièrement, nous analysons l'apport des algorithmes de machine learning à un ensemble d'information constant. Nous montrons qu'il existe des gains de productivité liés à ces nouvelles approches, mais que les gains de prévision du risque de crédit restent en revanche modestes. Deuxièmement, nous évaluons l'apport de cette « datadiversité », que ces nouvelles données soient exploitées ou non par des techniques de machine learning. Il s'avère que certaines de ces données permettent de révéler des signaux faibles qui améliorent sensiblement la qualité de l'évaluation de la solvabilité des emprunteurs. Au niveau microéconomique, ces nouvelles approches favorisent l'inclusion financière et l'accès au crédit des emprunteurs les plus fragiles. Cependant, le machine learning appliqué à ces données peut aussi conduire à des biais et à des phénomènes de discrimination. Classification JEL : C10, C38, C55, G21, G29.

Les services financiers, dont la gestion d'actifs, comme tous les secteurs économiques, seront profondément transformés par l'adoption des technologies digitales à horizon 2025 au bénéfice des clients et des acteurs. L'industrie française de la gestion d'actifs est une industrie clé de l'économie car elle prend le relais, aux côtés des banques, dans le financement des différentes étapes de la vie des entreprises. Ces acteurs, les sociétés de gestion de portefeuilles, sont environ 650, gèrent plus de 4 000 Md€ et représentent près de 100 000 emplois. Elles sont confrontées à d'importants enjeux stratégiques qui ont un impact sur la croissance de leur chiffre d'affaires et sur leurs marges. Comment y répondre ? Investir dans les technologies digitales. Les outils d'intelligence artificielle permettent d'améliorer la performance des fonds, de mieux connaître ses clients ou d'en capter de nouveaux, d'améliorer les processus opérationnels, de réduire le nombre d'intermédiaires, etc. Leur pénétration nécessitera de repenser la gestion de la donnée ainsi que la gestion du capital humain. Classification JEL : G23, O33.

Si l'intelligence artificielle (IA) a connu récemment de nombreux succès, il ne s'agit pas d'une discipline nouvelle, mais les outils fournis par les sciences des données l'ont amenée à un nouveau stade, qui lui permet de « résoudre des tâches complexes, sans être intelligente ». L'industrie de la finance de marché va être touchée par les innovations secondaires de l'IA dans trois directions : vers les clients et la fabrication de produits sur mesure, vers l'économie réelle et le nowcasting, et vers la gestion du risque. Ces innovations bousculent déjà l'organisation des acteurs de ce secteur, qui modularisent leurs services et s'organisent en plateformes. Dans un secteur à juste titre très régulé, certaines particularités des technologies de l'IA, à savoir l'importance des données et l'utilisation de librairies logicielles tierces, peuvent apparaître comme de nouvelles sources d'incertitude. Classification JEL : G23, G24, L22, O33, O36.

Avec 965 Md$ de chiffre d'affaires en 2018, la banque transactionnelle de gros, ou « global transaction banking », est un contributeur essentiel au mix de produits bancaires. Trois tendances font aujourd'hui bouger le paysage du marché de la banque transactionnelle, en se nourrissant les unes les autres : l'arrivée d'acteurs non traditionnels et aux modèles nouveaux, l'innovation technologique qui se poursuit à un rythme sans précédent et un glissement vers une segmentation de la clientèle en fonction des besoins. Sur les cinq à dix prochaines années, la technologie devrait rester un enjeu clé, avec des niveaux d'innovation et d'investissement dans les domaines en particulier des canaux numériques, des API, de l'intelligence artificielle et de la blockchain qui devraient avoir un impact rapide et conséquent sur les frontières et la structure de cette industrie. Classification JEL : G21, O33, O36.

L'usage du paiement mobile s'est rapidement généralisé en Chine depuis son apparition au début des années 2010, et grâce aux applications fournies par deux fournisseurs de services numériques, Alipay et WeChat Pay, liés aux géants du numérique Alibaba et Tencent. Cet article revient sur l'émergence de ces services dans un environnement dominé par les paiements en espèces et tente d'élucider les raisons de la rapide adoption de nouvelles pratiques en Chine. À l'aide d'éléments d'analyse relevant de l'économie industrielle de la finance, il essaie de mieux comprendre pourquoi les deux intervenants clé du secteur ne sont pas entrés dans une concurrence plus frontale pour gagner le leadership du secteur. L'article présente aussi les conséquences des bouleversements intervenus dans le paiement sur l'intermédiation financière en Chine, et la position des organes de contrôle et de régulation. Il considère enfin le potentiel à l'exportation du modèle chinois. Classification JEL : E42, E44, G23.

L'article établit une distinction entre MDBC de gros (MDBCG), accessible aux seuls intermédiaires financiers, et MDDBC de détail (MDBCD), accessible à l'ensemble du public. Les deux émissions étant dissociables, il pourrait y avoir une, deux ou aucune MDBC. Leurs motifs, modalités et conséquences éventuels pour l'économie, le système financier, la politique monétaire et la stabilité financière sont présentés. L'émission d'une MDBC constituerait un choc d'offre qui soutiendrait la croissance à moyen et long terme et pourrait peser transitoirement sur les prix. Elle pourrait mettre un plancher aux taux des dépôts bancaires et, si elle est rémunérée, les accroître. Si la MDBCD n'est pas rémunérée, la borne effective des taux d'intérêt à la baisse pourrait être relevée à zéro et l'efficacité des achats d'actifs par la banque centrale se trouver réduite. Si elle l'est, les canaux des taux d'intérêt et du change pourraient être renforcés. La rémunération de la MDBCD serait ainsi à l'origine d'un arbitrage entre l'efficacité de la politique monétaire et le coût de l'intermédiation bancaire. Classification JEL : E40, E42, E52, E58.

Phénomène récent, les initial coin offerings (ICO) sont un mode de levée de fonds encore naissant, mais qui tend à se structurer, permettant l'émergence et le financement de nouvelles entreprises de secteurs technologiques et innovants. L'analyse du marché mondial met en avant le caractère encore marginal de ce mode de financement, mais également la création d'une nouvelle forme d'engagement dans un projet d'entreprise qui attire des investisseurs dont le nombre dépasse désormais le cercle fermé des spécialistes. L'analyse des projets d'ICO françaises, à l'aide d'une base de données originale, souligne l'intérêt croissant de ce mécanisme de levée de fonds par certains porteurs de projets, qui semblent plébisciter la possibilité de faire appel à une communauté d'investisseurs internationaux et l'introduire en sus d'autres canaux de financement plus traditionnels. Aux vues des risques liés à ce type d'investissement, l'article présente enfin la solution d'encadrement incitatif française, le visa optionnel des émissions de jetons délivré par l'Autorité des marchés financiers (AMF). Classification JEL : G12, G14, G24, 033.

Dans le domaine de l'assurance, la substitution de smart contracts aux contrats traditionnels offre des avantages évidents : transparence des prestations et des primes, rapidité des indemnisations, réduction des coûts de gestion, sécurisation des opérations. Toutefois leur mise en place nécessite de relever trois types de défis : construire l'événement couvert et vérifier l'appétence de l'assuré à cette nouvelle couverture dans un cadre automatisé, trouver et gérer la donnée sous-jacente indispensable au smart contract, et organiser une profonde mutation dans le pilotage de son activité et son organisation. Les assureurs pourront difficilement ne pas appliquer cette technologie, tout au moins à une partie de leur portefeuille de contrats. Classification JEL : G22, O33.

Les néobanques rassemblent un ensemble hétéroclite de nouveaux intermédiaires financiers, offrant des services bancaires en ligne ou via des applications mobiles. Leurs caractéristiques ont évolué depuis leur apparition dans les années 2000 ainsi que la nature de leurs relations avec les banques traditionnelles. Toutefois, leurs objectifs de rentabilité n'ont jusqu'à présent guère été atteints, en partie en raison de la difficulté et du coût d'acquisition de nouveaux clients. La nouvelle génération de néobanques, 100 % digitale et principalement accessible par des applications mobiles, est-elle de nature à bouleverser le paysage bancaire ? Classification JEL : G18, G21, G28.

L'article étudie comment les Fintech peuvent affecter la structure des marchés bancaires. Les Fintech possèdent plusieurs avantages concurrentiels sur les banques traditionnelles. Ils disposent de coûts plus réduits de par l'utilisation des technologies de l'information et de la communication au cœur de leur modèle d'affaires. Ils peuvent offrir des services de meilleure qualité comme une réactivité plus grande face à la demande d'un crédit. Il existe cependant des limites à l'impact des Fintech. Les banques traditionnelles peuvent bénéficier d'un avantage en termes de coûts financiers du fait de leur activité de collecte de dépôt. L'avantage technologique des Fintech est également plus ou moins important selon que l'information privée sur l'emprunteur joue un rôle important sur le marché du crédit. Classification JEL : G21, L13, O33.

La remise en question de la pérennité du modèle bancaire traditionnel prend une acuité nouvelle. Et ce dans un contexte conjoint de mutations technologiques majeures favorisant l'émergence de nouveaux modèles – comme celui des « néobanques » entièrement en ligne, des Fintech ou des GAFA qui arrivent dans le secteur bancaire – et de conditions macrofinancières très défavorables. Or il existe aujourd'hui une croyance forte que la seule possibilité de s'en sortir face aux nouveaux modèles serait un repli défensif, une réduction de la voilure des banques de détail sur leur territoire. En revenant aux fondamentaux de l'activité de banque de détail, cet article vise à démontrer qu'elles ont en fait des atouts structurels pouvant être mis en avant face aux nouveaux modèles émergents. Mais, pour cela, les banques doivent, dans une vision offensive de leur activité, apporter toujours plus de valeur ajoutée à leurs clients, dans un modèle renforcé de relation globale. Cela passe par des investissements significatifs dans la formation et le digital, et aussi, le cas échéant, parfois par des alliances avec les nouveaux acteurs du secteur bancaire. Classification JEL : G21, O33.

Cet article a pour objectif d'analyser les conséquences de l'émergence des Fintech sur les formes de l'intermédiation financière ainsi que sur le marché de la banque. L'idée selon laquelle les Fintech sont de nature à favoriser des types de financement décentralisés (à l'instar de ceux caractéristiques des marchés financiers) est discutée et relativisée. Par exemple, les plateformes de financement peuvent être analysées comme une forme de ré-intermédiation tant le rôle des banques y est important. Il est en outre montré que l'intermédiation de bilan conserve des spécificités telles que le développement des Fintech ne conduira pas à la disparition des modes d'intermédiation traditionnels. En revanche, les Fintech sont susceptibles de restructurer le marché de la banque en plaçant des firmes d'origine non bancaire – appelées Bigtech – dans une position concurrentielle privilégiée. Les Bigtech bénéficient de nouvelles économies d'envergure numériques liées à la production jointe de leurs activités de commerce électronique et de services bancaires. Enfin, les ressources des banques pour faire face à ces évolutions sont analysées. Classification JEL : G21, G22, G23, G24.

Les transitions numérique, environnementale et sociale bouleversent dans un processus schumpétérien les risques financiers des établissements financiers. Ces bouleversements impliquent des risques financiers exogènes, consécutifs à la dégradation de la solvabilité des contreparties, des sources systémiques, révélés par les réponses des pouvoir publics nationaux et supranationaux aux effets de la transitions, et endogènes, liés à l'arrivée de nouveaux acteurs moins gênés par l'héritage des risques et l'importance systémique de leurs décisions. Ces transformations remettent en cause les principes fondamentaux des processus actuels de gestion des risques, s'appuyant sur une stationnarité des cycles économiques. Ils militent pour la création de nouveaux outils, démarches et algorithmes, par l'introduction notamment de nouvelles approches pour collecter, structurer, analyser et prédire à partir des grandes quantités de données. Les résultats de l'application d'algorithmes d'analyse sémantiques, de la reconnaissance d'image et de l'analyse d'inférence, atteignent d'ores et déjà des niveaux suffisamment satisfaisants pour tester leur employabilité dans le secteur financier. Cependant, cette transition doit suivre une démarche progressive, compte tenu des enjeux économiques et de l'importante des acteurs et de l'impact économique de la gestion de l'héritage des risques. Cette publication identifie les principaux enjeux pour les risques financiers soulevés par les transitions. Elle explicite trois domaines d'application des technologies d'apprentissage automatique et d'apprentissage profond pour répondre aux nouveaux enjeux des risques financiers. Enfin, elle conclut sur les pistes de recherche pour adapter ces nouveaux outils technologiques aux spécificités des établissements financiers pour réussir des transitions inclusives. Classification JEL : G11, C80.

La révolution numérique a pour corollaire l'apparition de nouveaux risques. Face à la montée de la menace cyber, les contrats d'assurance représentent un outil fondamental pour la résilience de nos sociétés. Si le marché de l'assurance cyber est en rapide expansion, la quantification des risques économiques associés est encore balbutiante. Elle nécessite en effet la conception de modèles prédictifs sophistiqués – afin de traduire la complexité des phénomènes et leur grande volatilité, notamment le risque d'accumulation de sinistres – tout en tenant compte de la faiblesse des informations utilisées pour les calibrer. Dans cet article, nous mettons en évidence les difficultés rencontrées pour la collecte de données pertinentes, et l'impact des comportements des agents sur l'évaluation du risque. Nous exposons également un certain nombre de pistes méthodologiques explorées pour surmonter ces difficultés. Classification JEL : G11, G22, O33.

La structure des comptes nationaux indique clairement que le flux annuel d'épargne des ménages a trois emplois : les remboursements d'emprunts, la contribution à l'apport personnel pour les investissements immobiliers et les placements financiers. Malheureusement, cette décomposition du flux d'épargne n'est encore nulle part documentée. La raison principale de cette surprenante ignorance est que, pour le financement de ces différentes opérations, les ménages ne recourent pas seulement au crédit et à l'épargne courante, mais aussi à une épargne préalable. Cette dernière ressource correspond à l'une de ces opérations de gestion de patrimoine dont la connaissance ne peut résulter que d'enquêtes spécifiques, aujourd'hui inexistantes. Pour un pays comme la France, en s'appuyant sur plusieurs conjectures, on observe que cette affectation du flux d'épargne pourrait être variable en fonction des caractéristiques de l'année considérée (niveau du taux d'épargne, importance du recours au crédit). Toutefois, la part des placements financiers apparaît comme élevée et stable (autour de la moitié du flux total). Celle des remboursements serait importante, mais instable (entre 25 % et 40 %). Celle des contributions aux apports personnels serait elle aussi instable, mais à un niveau beaucoup plus modeste (moins de 20 %). Pour des pays comme les États-Unis ou le Royaume-Uni, la part des remboursements dans l'épargne courante pourrait être nettement plus faible, en raison de remboursements tardifs, faisant largement appel à une épargne préalable. Ce pourrait être l'une des raisons de la permanente faiblesse de leur taux d'épargne des ménages par rapport à des pays comme la France. Classification JEL : E21, G51.

En utilisant un échantillon de vingt-six pays sur la période 1990-2013, nous examinons empiriquement le lien entre la taille du système bancaire de l'ombre et celle des institutions financières traditionnelles, à savoir les banques et les investisseurs institutionnels. Nous effectuons tout d'abord une étude sur l'ensemble de l'échantillon ainsi que sur les pays de la zone euro et nous procédons ensuite à un examen pays par pays. Il s'agit de savoir si la finance de l'ombre et la finance conventionnelle doivent être considérées comme des compléments ou des substituts. Nos résultats tendent à montrer que le système bancaire de l'ombre complète plutôt qu'il ne remplace les activités des institutions financières traditionnelles, notamment des banques. Le parrainage par les banques des activités bancaires parallèles a clairement renforcé ce lien. Classification JEL : G20, G21, G23, G24, G28.