Rwa density décryptage d'un indicateur à fort potentiel
LonardBrie
2,673 views
40 slides
Feb 10, 2016
Slide 1 of 40
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
About This Presentation
L’objectif de cet article est d’aborder l’étude des RWA density sous un angle différent. Créé et largement utilisé par les analystes financiers, ce ratio a longtemps été sous-estimé par les banques. Pourtant, il permet une gestion plus subtile des risques au sein d’un établissement ...
Slide Content
Chappuis Halder & Co.
RWA density | Décryptage d’un indicateur à
fort potentiel
30/01/2016
By Léonard BRIE & Hélène FRÉON
Supported by Benoit GENEST
Global Research & Analytics
1
1
Cet article est écrit par le Global Research & Analytics Dept. de Chappuis Halder & Co.
E-mail : [email protected]; [email protected]
RWA density | Décryptage d’un indicateur à
fort potentiel
30/01/2016
By Léonard BRIE & Hélène FRÉON
Supported by Benoit GENEST
Global Research & Analytics
1
1
Cet article est écrit par le Global Research & Analytics Dept. de Chappuis Halder & Co.
E-mail : [email protected]; [email protected]
© Global Research & Analytics Dept.| 2016 | All rights reserved
2
Table des matières
RESUME 4
INTRODUCTION 5
1. GENESE, DEFINITION ET INTRODUCTION DU RA TIO 6
Qu’est-ce que les RWA ? ............................................................................................................... 6
Un contexte réglementaire de plus en plus exigeant ................................................................... 7
1.2.1. De Bâle II à Bâle III 7
1.2.2. Les évolutions récentes : vers plus d’uniformité et de transparence 7
1.2.3. Définition et formule 8
1.2.4. Un nouvel indicateur de pilotage pour les banques 8
1.2.5. Controverse et remise en question des RWA density 9
2. AU-DELA DES RWA DENSITY , QUELLES EVOLUTIONS ET QUELS ENJEUX ? 10
Sensibilité du RWA density, application à des portefeuilles théoriques ................................. 10
Croisement des dimensions Risk et Profitabilité : que retenir des RoRWA ? ....................... 15
2.2.1. Présentation de l’échantillon 15
2.2.2. Qu’est-ce que le Return on RWA (RoRWA) ? 15
2.2.3. Décodages des RoRWA : comment interpréter ce ratio ? 17
3. RWA DENSITY EN THEOR IE, POSITION DU RATIO VIS-A-VIS D’AUTRES
INDICATEURS 20
RWA density contre les mesures de risques internes ou externes ........................................... 20
3.1.1. RWA density et notation externe 20
3.1.2. RWA density et coût du risque 21
RWA density – Ratio de solvabilité, à qui se fier ? ................................................................... 22
RWA density – les conclusions à tirer ........................................................................................ 23
4. LES RWA DENSITY MIS EN PRATIQUE : DISTRIBUTION ET CLES DE LECTURE 24
Méthodologie et partis pris ......................................................................................................... 24
Préalable à l’analyse .................................................................................................................... 24
4.2.1. Les RWA crédit, driver de la variation des RWA totaux 24
4.2.2. Les limites de l’analyse comparative des RWA density des banques 26
Analyse de la distribution historique des RWA density : les premiers enseignements ......... 28
4.3.1. Analyse préliminaire : comment se répartit l’échantillon sur la période ? 28
4.3.2. Que révèle la distribution des moyennes par type d’activités (groupe) ? 29
La distribution de l’échantillon sous différents angles d’analyse ............................................ 30
4.4.1. Apports de l’analyse par type d’activités 30
4.4.2. Distribution des moyennes par groupe et identification de sous-groupes 31
4.4.3. Aller plus loin : que révèlent les sous-groupes ? 33
2
Table des matières
RESUME 4
INTRODUCTION 5
1. GENESE, DEFINITION ET INTRODUCTION DU RA TIO 6
Qu’est-ce que les RWA ? ............................................................................................................... 6
Un contexte réglementaire de plus en plus exigeant ................................................................... 7
1.2.1. De Bâle II à Bâle III 7
1.2.2. Les évolutions récentes : vers plus d’uniformité et de transparence 7
1.2.3. Définition et formule 8
1.2.4. Un nouvel indicateur de pilotage pour les banques 8
1.2.5. Controverse et remise en question des RWA density 9
2. AU-DELA DES RWA DENSITY , QUELLES EVOLUTIONS ET QUELS ENJEUX ? 10
Sensibilité du RWA density, application à des portefeuilles théoriques ................................. 10
Croisement des dimensions Risk et Profitabilité : que retenir des RoRWA ? ....................... 15
2.2.1. Présentation de l’échantillon 15
2.2.2. Qu’est-ce que le Return on RWA (RoRWA) ? 15
2.2.3. Décodages des RoRWA : comment interpréter ce ratio ? 17
3. RWA DENSITY EN THEOR IE, POSITION DU RATIO VIS-A-VIS D’AUTRES
INDICATEURS 20
RWA density contre les mesures de risques internes ou externes ........................................... 20
3.1.1. RWA density et notation externe 20
3.1.2. RWA density et coût du risque 21
RWA density – Ratio de solvabilité, à qui se fier ? ................................................................... 22
RWA density – les conclusions à tirer ........................................................................................ 23
4. LES RWA DENSITY MIS EN PRATIQUE : DISTRIBUTION ET CLES DE LECTURE 24
Méthodologie et partis pris ......................................................................................................... 24
Préalable à l’analyse .................................................................................................................... 24
4.2.1. Les RWA crédit, driver de la variation des RWA totaux 24
4.2.2. Les limites de l’analyse comparative des RWA density des banques 26
Analyse de la distribution historique des RWA density : les premiers enseignements ......... 28
4.3.1. Analyse préliminaire : comment se répartit l’échantillon sur la période ? 28
4.3.2. Que révèle la distribution des moyennes par type d’activités (groupe) ? 29
La distribution de l’échantillon sous différents angles d’analyse ............................................ 30
4.4.1. Apports de l’analyse par type d’activités 30
4.4.2. Distribution des moyennes par groupe et identification de sous-groupes 31
4.4.3. Aller plus loin : que révèlent les sous-groupes ? 33
© Global Research & Analytics Dept.| 2016 | All rights reserved
3
Analyse des comportements de l’échantillon ............................................................................ 34
4.5.1. Méthodologie et définitions 34
4.5.2. Qu’est-ce que ces enseignements apportent à notre étude ? 35
Tendances entre le RWA density, les actifs totaux et le coût du risque .................................. 36
CONCLUSION 38
TABLE DES ILLUSTRATIONS 39
TABLEAUX 39
BIBLIOGRAPHY 40
3
Analyse des comportements de l’échantillon ............................................................................ 34
4.5.1. Méthodologie et définitions 34
4.5.2. Qu’est-ce que ces enseignements apportent à notre étude ? 35
Tendances entre le RWA density, les actifs totaux et le coût du risque .................................. 36
CONCLUSION 38
TABLE DES ILLUSTRATIONS 39
TABLEAUX 39
BIBLIOGRAPHY 40
© Global Research & Analytics Dept.| 2016 | All rights reserved
4
RWA density | Décryptage d’un indicateur à fort potentiel
Résumé
L’objectif de cet article est d’aborder l’étude des RWA density sous un angle différent. Créé et largement
utilisé par les analystes financiers, ce ratio a longtemps été sous-estimé par les banques. Pourtant, il
permet une gestion plus subtile des risques au sein d’un établissement financier comme tend à le
démontrer certaines analyses (détaillées plus loin).
Dans un premier temps, il s’agira donc de revenir sur les origines de ce ratio et sur l’évolution de ses
usages. Dans un second temps, des tests théoriques permettront d’en connaitre les caractéristiques et
d’en définir les traits de comportements (notamment en période de stress). Ensuite, des analyses croisées
avec d’autres indicateurs permettront de mettre en exergue la force informative et prédictive que le RWA
density suppose.
Enfin, les deux dernières parties tenteront de mettre à l’épreuve les caractéristiques théoriques mises en
avant dans les parties précédentes, au travers de l’étude du RWA density en Europe sur la période 2012-
2014.
Cette étude conclura sur les perspectives d’utilisation et pistes d’évolution pour compléter et enrichir le
ratio à des fins de pilotage des ressources rares.
Mots clés: stress testing, paramètres internes, institutions financières, gestion des risques, total des
actifs, réglementation baloise, Risk-Weighted Assets (RWA), RWA density, profit avant impôt, Return
on RWA (RoRWA)
Classification JEL : C1, G21, G28, G32
4
RWA density | Décryptage d’un indicateur à fort potentiel
Résumé
L’objectif de cet article est d’aborder l’étude des RWA density sous un angle différent. Créé et largement
utilisé par les analystes financiers, ce ratio a longtemps été sous-estimé par les banques. Pourtant, il
permet une gestion plus subtile des risques au sein d’un établissement financier comme tend à le
démontrer certaines analyses (détaillées plus loin).
Dans un premier temps, il s’agira donc de revenir sur les origines de ce ratio et sur l’évolution de ses
usages. Dans un second temps, des tests théoriques permettront d’en connaitre les caractéristiques et
d’en définir les traits de comportements (notamment en période de stress). Ensuite, des analyses croisées
avec d’autres indicateurs permettront de mettre en exergue la force informative et prédictive que le RWA
density suppose.
Enfin, les deux dernières parties tenteront de mettre à l’épreuve les caractéristiques théoriques mises en
avant dans les parties précédentes, au travers de l’étude du RWA density en Europe sur la période 2012-
2014.
Cette étude conclura sur les perspectives d’utilisation et pistes d’évolution pour compléter et enrichir le
ratio à des fins de pilotage des ressources rares.
Mots clés: stress testing, paramètres internes, institutions financières, gestion des risques, total des
actifs, réglementation baloise, Risk-Weighted Assets (RWA), RWA density, profit avant impôt, Return
on RWA (RoRWA)
Classification JEL : C1, G21, G28, G32
© Global Research & Analytics Dept.| 2016 | All rights reserved
5
Introduction
Suite à la montée en puissance des enjeux réglementaires dans le pilotage de l’activité des banques, la
mise en place des Risk-Weighted Assets au sein de la gestion des risques a amené à la création d’un
nouvel indicateur synthétique, le RWA density. Son but est de piloter l’équilibre des risques dans la
gestion du bilan.
Au-delà des indicateurs classiques, le RWA density est considéré par les institutions financières, comme
par les marchés financiers, comme un mètre étalon de comparaison inter- et intra-banques.
Si de nombreuses critiques ont été soulevées quant à la justesse et à la pertinence de ces comparaisons,
les récentes évolutions réglementaires (notamment les nouvelles exigences Bâle III) tendent à en juguler
les biais et à promouvoir une meilleure comparabilité entre les acteurs de marché, tout du moins à un
niveau européen.
Considérant – en Europe justement – les efforts communs des banques et des régulateurs pour garantir
la mise en place d’un environnement d’évaluation des risques uniforme et transparent, il y a fort à parier
que le RWA density constituera un indicateur sur lequel les banques pourront s’appuyer dans les années
à venir tant dans le pilotage de leurs activités en interne, que dans la comparaison avec leurs pairs.
L’objectif de cet article est de comprendre tout ce que le ratio peut apporter. Il doit également permettre
de définir sa grille de lecture afin de mieux comprendre son potentiel, que ce soit dans un format de
benchmarking, de pilotage ou encore en combinaison avec d’autres indicateurs de ressources rares.
Après avoir introduit la genèse et le contexte du ratio, l’article se concentrera dans un premier temps sur
une analyse théorique et en laboratoire du ratio et confrontera dans un second temps les analyses
précédentes en l’observant dans la réalité du secteur financier européen entre 2012 et 2014.
5
Introduction
Suite à la montée en puissance des enjeux réglementaires dans le pilotage de l’activité des banques, la
mise en place des Risk-Weighted Assets au sein de la gestion des risques a amené à la création d’un
nouvel indicateur synthétique, le RWA density. Son but est de piloter l’équilibre des risques dans la
gestion du bilan.
Au-delà des indicateurs classiques, le RWA density est considéré par les institutions financières, comme
par les marchés financiers, comme un mètre étalon de comparaison inter- et intra-banques.
Si de nombreuses critiques ont été soulevées quant à la justesse et à la pertinence de ces comparaisons,
les récentes évolutions réglementaires (notamment les nouvelles exigences Bâle III) tendent à en juguler
les biais et à promouvoir une meilleure comparabilité entre les acteurs de marché, tout du moins à un
niveau européen.
Considérant – en Europe justement – les efforts communs des banques et des régulateurs pour garantir
la mise en place d’un environnement d’évaluation des risques uniforme et transparent, il y a fort à parier
que le RWA density constituera un indicateur sur lequel les banques pourront s’appuyer dans les années
à venir tant dans le pilotage de leurs activités en interne, que dans la comparaison avec leurs pairs.
L’objectif de cet article est de comprendre tout ce que le ratio peut apporter. Il doit également permettre
de définir sa grille de lecture afin de mieux comprendre son potentiel, que ce soit dans un format de
benchmarking, de pilotage ou encore en combinaison avec d’autres indicateurs de ressources rares.
Après avoir introduit la genèse et le contexte du ratio, l’article se concentrera dans un premier temps sur
une analyse théorique et en laboratoire du ratio et confrontera dans un second temps les analyses
précédentes en l’observant dans la réalité du secteur financier européen entre 2012 et 2014.
© Global Research & Analytics Dept.| 2016 | All rights reserved
6
1. Genèse, définition et introduction du ratio
Dans cette partie sont présentés les fondements de la création des RWA density comme outil de pilotage
des risques ainsi que ses limites.
En effet, du contexte réglementaire et de l’instauration des RWA, est née la nécessité d’uniformisation
et de mise en transparence des pratiques de gestion des risques dans les banques.
Qu’est-ce que les RWA ?
Les Risk-Weighted Assets (RWA), ou actifs pondérés par le risque correspondent au montant de
risque associé à un actif d’un établissement financier, ce montant est ensuite transformé en capital à
détenir afin de refléter la solidité financière de l’établissement. Pour chaque actif, on définit ainsi un
poids correspondant à son niveau de risque. Plus un actif est risqué, plus le poids est élevé et plus il faut
disposer de capital à allouer.
Les pondérations sont affectées dépendamment de l’approche,
– en « méthode standard » l’ensemble des pondérations est défini réglementairement et de façon
forfaitaire.
– en « méthode interne », les pondérations sont calculées par les banques en fonction des
paramètres de risques (CCF / PD / LGD) propres à chaque actif et déterminés en interne.
Ci-dessous la décomposition classique des RWA observée dans les banques :
Graphique 1 Décomposition des RWA
Source : GRA
FilialesPays
Banque | RWA
consolidés
Séparation aux
niveaux
RWA Opérationnel RWA Marché RWA Crédit
Méthode | IRBMéthode |Standard
Séparation aux
niveaux
Entreprises Etablissements Clientèle de détail
Administrations centrales
et banques centrales
Prêts Immobiliers Autres expositions
Expositions
renouvelables
6
1. Genèse, définition et introduction du ratio
Dans cette partie sont présentés les fondements de la création des RWA density comme outil de pilotage
des risques ainsi que ses limites.
En effet, du contexte réglementaire et de l’instauration des RWA, est née la nécessité d’uniformisation
et de mise en transparence des pratiques de gestion des risques dans les banques.
Qu’est-ce que les RWA ?
Les Risk-Weighted Assets (RWA), ou actifs pondérés par le risque correspondent au montant de
risque associé à un actif d’un établissement financier, ce montant est ensuite transformé en capital à
détenir afin de refléter la solidité financière de l’établissement. Pour chaque actif, on définit ainsi un
poids correspondant à son niveau de risque. Plus un actif est risqué, plus le poids est élevé et plus il faut
disposer de capital à allouer.
Les pondérations sont affectées dépendamment de l’approche,
– en « méthode standard » l’ensemble des pondérations est défini réglementairement et de façon
forfaitaire.
– en « méthode interne », les pondérations sont calculées par les banques en fonction des
paramètres de risques (CCF / PD / LGD) propres à chaque actif et déterminés en interne.
Ci-dessous la décomposition classique des RWA observée dans les banques :
Graphique 1 Décomposition des RWA
Source : GRA
FilialesPays
Banque | RWA
consolidés
Séparation aux
niveaux
RWA Opérationnel RWA Marché RWA Crédit
Méthode | IRBMéthode |Standard
Séparation aux
niveaux
Entreprises Etablissements Clientèle de détail
Administrations centrales
et banques centrales
Prêts Immobiliers Autres expositions
Expositions
renouvelables
© Global Research & Analytics Dept.| 2016 | All rights reserved
7
Un contexte réglementaire de plus en plus exigeant
1.2.1. De Bâle II à Bâle III
Renforcer la solidité financière des établissements est devenue une priorité du comité de Bâle depuis
l’instauration des dispositifs prudentiels Bâlois. Ses recommandations sont revues régulièrement pour
devenir peu à peu une obligation harmonisée à l’ensemble des banques. De Bâle I à Bâle II, puis Bâle
III les évolutions sont majeures et de plus en plus strictes.
En conséquence les banques doivent anticiper les directives afin de respecter la règlementation
prudentielle à temps.
La mise en place des réformes Bâle III fait partie des initiatives prises pour renforcer le système financier
suite à la crise financière de 2007 et a pour vocation d’augmenter fortement la qualité des fonds propres
des banques.
Entre autres, cette réforme vise principalement à :
– renforcer le niveau et la qualité des fonds propres (« tier one et core tier one ») ;
– mettre en place un ratio de levier (« leverage ratio ») ;
– améliorer la gestion du risque de liquidité par la création de deux ratios de liquidité (ratio de
liquidité à un mois « LCR » et ratio de liquidité à un an « NFSR ») ;
– renforcer les exigences prudentielles concernant le risque de contrepartie ;
– renforcer le suivi des activités de marché.
La finalité de ces transformations est de permettre aux banques d’anticiper et d’absorber les chocs liés
à une future crise économique. Afin d’arriver à un tel objectif, il convient d’uniformiser et mettre
en transparence les méthodes d’évaluation des risques pour permettre ainsi une meilleure
comparaison des institutions financières par type d’activité et géographie, ce qui donne d’autant
plus d’importance à la consistance sous-jacente des RWA.
Dans un futur très proche, Bâle III a donc pour vocation à s’instaurer comme un référentiel international
de réglementation prudentielle.
1.2.2. Les évolutions récentes : vers plus d’uniformité et de transparence
Les évolutions nécessaires afin de converger vers un référentiel international de réglementation
prudentielle sont de deux natures différentes : l’uniformisation et la mise en transparence des méthodes
de gestion des risques.
Uniformiser les pratiques bancaires dans la gestion du risque
Cette volonté d’aligner les méthodes et de réduire les différences liées au choix des méthodes de calcul
et au calibrage des paramètres de calcul des RWA (LGD, EAD, PD) tend à proposer un paradigme
réglementaire uniforme, pour plus de transparence de la part des banques dans leur gestion des risques.
Rendre les banques plus transparentes
En 2012, le régulateur européen (l’EBA) a instauré un exercice d’analyse sur le thème de la
recapitalisation, faisant suite à la crise et en complémentarité avec des actions visant à restaurer la
confiance vis-à-vis des marchés financiers européens. Cette consultation a permis de mettre en avant la
faiblesse de certaines banques européennes vis-à-vis de leur capitalisation et la volonté du régulateur
d’avoir plus de transparence sur les pratiques de place.
En 2013 puis plus récemment en novembre 2015, l’EBA a poursuivi ces efforts avec les « transparency
exercises », agrégeant un large panel de données et proposant un exercice de transparence en publiant
des analyses comparées des banques du secteur européen.
Ainsi au niveau européen, ces exercices de transparence consistent en l’analyse et la comparaison des
indicateurs des banques sur des axes clés : gestion de bilan, profitabilité, liquidité, performance et qualité
des crédits. De plus en plus de banques y participent permettant aux places financières européennes de
disposer d’un panel de comparaison large sur des indicateurs communs et uniformisés.
7
Un contexte réglementaire de plus en plus exigeant
1.2.1. De Bâle II à Bâle III
Renforcer la solidité financière des établissements est devenue une priorité du comité de Bâle depuis
l’instauration des dispositifs prudentiels Bâlois. Ses recommandations sont revues régulièrement pour
devenir peu à peu une obligation harmonisée à l’ensemble des banques. De Bâle I à Bâle II, puis Bâle
III les évolutions sont majeures et de plus en plus strictes.
En conséquence les banques doivent anticiper les directives afin de respecter la règlementation
prudentielle à temps.
La mise en place des réformes Bâle III fait partie des initiatives prises pour renforcer le système financier
suite à la crise financière de 2007 et a pour vocation d’augmenter fortement la qualité des fonds propres
des banques.
Entre autres, cette réforme vise principalement à :
– renforcer le niveau et la qualité des fonds propres (« tier one et core tier one ») ;
– mettre en place un ratio de levier (« leverage ratio ») ;
– améliorer la gestion du risque de liquidité par la création de deux ratios de liquidité (ratio de
liquidité à un mois « LCR » et ratio de liquidité à un an « NFSR ») ;
– renforcer les exigences prudentielles concernant le risque de contrepartie ;
– renforcer le suivi des activités de marché.
La finalité de ces transformations est de permettre aux banques d’anticiper et d’absorber les chocs liés
à une future crise économique. Afin d’arriver à un tel objectif, il convient d’uniformiser et mettre
en transparence les méthodes d’évaluation des risques pour permettre ainsi une meilleure
comparaison des institutions financières par type d’activité et géographie, ce qui donne d’autant
plus d’importance à la consistance sous-jacente des RWA.
Dans un futur très proche, Bâle III a donc pour vocation à s’instaurer comme un référentiel international
de réglementation prudentielle.
1.2.2. Les évolutions récentes : vers plus d’uniformité et de transparence
Les évolutions nécessaires afin de converger vers un référentiel international de réglementation
prudentielle sont de deux natures différentes : l’uniformisation et la mise en transparence des méthodes
de gestion des risques.
Uniformiser les pratiques bancaires dans la gestion du risque
Cette volonté d’aligner les méthodes et de réduire les différences liées au choix des méthodes de calcul
et au calibrage des paramètres de calcul des RWA (LGD, EAD, PD) tend à proposer un paradigme
réglementaire uniforme, pour plus de transparence de la part des banques dans leur gestion des risques.
Rendre les banques plus transparentes
En 2012, le régulateur européen (l’EBA) a instauré un exercice d’analyse sur le thème de la
recapitalisation, faisant suite à la crise et en complémentarité avec des actions visant à restaurer la
confiance vis-à-vis des marchés financiers européens. Cette consultation a permis de mettre en avant la
faiblesse de certaines banques européennes vis-à-vis de leur capitalisation et la volonté du régulateur
d’avoir plus de transparence sur les pratiques de place.
En 2013 puis plus récemment en novembre 2015, l’EBA a poursuivi ces efforts avec les « transparency
exercises », agrégeant un large panel de données et proposant un exercice de transparence en publiant
des analyses comparées des banques du secteur européen.
Ainsi au niveau européen, ces exercices de transparence consistent en l’analyse et la comparaison des
indicateurs des banques sur des axes clés : gestion de bilan, profitabilité, liquidité, performance et qualité
des crédits. De plus en plus de banques y participent permettant aux places financières européennes de
disposer d’un panel de comparaison large sur des indicateurs communs et uniformisés.
© Global Research & Analytics Dept.| 2016 | All rights reserved
8
Cette tendance croissante à l’uniformisation pousse les banques à revoir leur méthode de calcul et leur
production des RWA ; et a incité les régulateurs et analystes financiers à trouver des indicateurs de
comparaison comme étalon commun à toutes les banques.
De la transparence à l’uniformisation des indicateurs pour une meilleure comparabilité
Le but de ces évolutions est de favoriser la comparabilité des banques à des fins réglementaires, ce que
le contexte actuel a prouvé avec la mise en place de la revue générale des banques (AQR, MQR) ou de
la création d’indicateurs croisés entre les banques à des fins de scoring (SREP). Ces initiatives
permettent de tendre vers des analyses globales réunissant tous les indicateurs réglementaires (COREP,
FINREP).
1.2.3. Définition et formule
Depuis une dizaine d’années, un nouvel indicateur est utilisé tant en interne par les banques, que par les
analystes financiers. Il s’agit du ratio RWA density ou RWAd composé des actifs pondérés par les risques
(somme des RWAcrédit, RWAmarché, RWAopérationnel) rapporté au total des actifs de la banque.
??????????????????
����??????��(??????) �� ??????????????????
�(??????)=
????????????�� ??????�??????�ℎ��� ??????�����
���??????�� (??????)
??????��??????��
���??????�� (??????)
Où pour une année a donnée :
????????????�� ??????�??????�ℎ��� ??????�����
���??????�� (??????) est le total des RWA crédit, marché et opérationnel pour l’année a
soient :
– ??????????????????
���??????��(??????) = ∑??????????????????
���?????�(??????)+ ??????????????????
�??????��ℎé(??????)+??????????????????
���?????�??????�����(??????)
– ??????��??????��
���??????�� (??????) est le total des actifs du bilan déclaré pour l’année a
Ce calcul apporte un ratio synthétique de la part de risques pris par une banque par rapport à ses actifs,
indicateur de comparaison des banques d’autant plus fiable dans le contexte de mise en transparence et
d’uniformisation des méthodes de calcul des risques imposés aux banques.
1.2.4. Un nouvel indicateur de pilotage pour les banques
Dans un contexte réglementaire exerçant une forte pression sur les banques pour améliorer leurs mesures
des risques, tant en termes de méthodologie de calcul que de calibrage des paramètres (PD et LGD), ces
dernières ont focalisé leurs efforts dans ce sens ces vingt dernières années.
Contrairement au RWA, le RWA density n’est pas un indicateur réglementaire mais une création des
analystes financiers à des fins de comparaison. Le ratio est d’autant plus utile, qu’il peut être modulé
pour apporter une vision sectorielle, géographique, business etc.
Une dimension business stratégique
La décomposition des RWA permet de calculer des RWA density par activité ou secteur, par pays, par
contrepartie, à condition d’ajuster le dénominateur par une exposition alignée sur le numérateur. Il est
par exemple possible de calculer un RWA density sectoriel comme suit :
?????????????????? ����??????�?????? ������??????�� (??????)=
?????????????????? ������??????��
���??????� (??????)
??????��??????� ��� ??????��??????�� ������??????��� (??????)
Une banque peut ainsi contextualiser son RWA density global en calculant pour chacune de ses activités
un RWA density ajusté, permettant de piloter les risques par ligne de business.
Ainsi, du fait de sa structure aisément décomposable, le RWA density, permet de faire des analyses
ciblées sur des problématiques clés pour les banques dans leur pilotage stratégique.
8
Cette tendance croissante à l’uniformisation pousse les banques à revoir leur méthode de calcul et leur
production des RWA ; et a incité les régulateurs et analystes financiers à trouver des indicateurs de
comparaison comme étalon commun à toutes les banques.
De la transparence à l’uniformisation des indicateurs pour une meilleure comparabilité
Le but de ces évolutions est de favoriser la comparabilité des banques à des fins réglementaires, ce que
le contexte actuel a prouvé avec la mise en place de la revue générale des banques (AQR, MQR) ou de
la création d’indicateurs croisés entre les banques à des fins de scoring (SREP). Ces initiatives
permettent de tendre vers des analyses globales réunissant tous les indicateurs réglementaires (COREP,
FINREP).
1.2.3. Définition et formule
Depuis une dizaine d’années, un nouvel indicateur est utilisé tant en interne par les banques, que par les
analystes financiers. Il s’agit du ratio RWA density ou RWAd composé des actifs pondérés par les risques
(somme des RWAcrédit, RWAmarché, RWAopérationnel) rapporté au total des actifs de la banque.
??????????????????
����??????��(??????) �� ??????????????????
�(??????)=
????????????�� ??????�??????�ℎ��� ??????�����
���??????�� (??????)
??????��??????��
���??????�� (??????)
Où pour une année a donnée :
????????????�� ??????�??????�ℎ��� ??????�����
���??????�� (??????) est le total des RWA crédit, marché et opérationnel pour l’année a
soient :
– ??????????????????
���??????��(??????) = ∑??????????????????
���?????�(??????)+ ??????????????????
�??????��ℎé(??????)+??????????????????
���?????�??????�����(??????)
– ??????��??????��
���??????�� (??????) est le total des actifs du bilan déclaré pour l’année a
Ce calcul apporte un ratio synthétique de la part de risques pris par une banque par rapport à ses actifs,
indicateur de comparaison des banques d’autant plus fiable dans le contexte de mise en transparence et
d’uniformisation des méthodes de calcul des risques imposés aux banques.
1.2.4. Un nouvel indicateur de pilotage pour les banques
Dans un contexte réglementaire exerçant une forte pression sur les banques pour améliorer leurs mesures
des risques, tant en termes de méthodologie de calcul que de calibrage des paramètres (PD et LGD), ces
dernières ont focalisé leurs efforts dans ce sens ces vingt dernières années.
Contrairement au RWA, le RWA density n’est pas un indicateur réglementaire mais une création des
analystes financiers à des fins de comparaison. Le ratio est d’autant plus utile, qu’il peut être modulé
pour apporter une vision sectorielle, géographique, business etc.
Une dimension business stratégique
La décomposition des RWA permet de calculer des RWA density par activité ou secteur, par pays, par
contrepartie, à condition d’ajuster le dénominateur par une exposition alignée sur le numérateur. Il est
par exemple possible de calculer un RWA density sectoriel comme suit :
?????????????????? ����??????�?????? ������??????�� (??????)=
?????????????????? ������??????��
���??????� (??????)
??????��??????� ��� ??????��??????�� ������??????��� (??????)
Une banque peut ainsi contextualiser son RWA density global en calculant pour chacune de ses activités
un RWA density ajusté, permettant de piloter les risques par ligne de business.
Ainsi, du fait de sa structure aisément décomposable, le RWA density, permet de faire des analyses
ciblées sur des problématiques clés pour les banques dans leur pilotage stratégique.
© Global Research & Analytics Dept.| 2016 | All rights reserved
9
Une évolution dans les leviers de pilotage des banques
Dans un contexte de pression réglementaire croissante sur les marchés financiers, les banques font face
à un exercice complexe : piloter leur activité sous les angles clés que sont la liquidité, la profitabilité et
le refinancement ; tout en gérant les exigences réglementaires en termes de solvabilité, de balance-sheet
et de risk management.
A ce titre, les RWA density apparaissent comme un ratio clé. Longtemps décrié et pourtant largement
utilisé par les investisseurs comme par les banques, ce ratio revêt ici tout son intérêt lorsqu’il est croisé
avec d’autres indicateurs externes (e.g. notations de crédit) et internes (e.g. ratio de solvabilité,
profitabilité).
Les analyses croisées proposées plus loin (cf. 3.) tendent à confirmer ce postulat, suggérant un avenir
prometteur pour les RWA density dans le pilotage des banques.
1.2.5. Controverse et remise en question des RWA density
Le RWA density a été rapidement choisi par les investisseurs comme un indicateur synthétique utile
pour orienter leurs investissements, ce que les banques ont d’ailleurs rapidement assimilé.
Cependant, ces dernières années, de nombreuses voix se sont levées remettant en question à la fois la
qualité du ratio et la pertinence des analyses résultantes.
Toutefois, l’objet de cet article n’est pas de remettre en question la construction du ratio et sa pertinence,
mais d’exploiter ses points forts, tout en maitrisant ses limites.
9
Une évolution dans les leviers de pilotage des banques
Dans un contexte de pression réglementaire croissante sur les marchés financiers, les banques font face
à un exercice complexe : piloter leur activité sous les angles clés que sont la liquidité, la profitabilité et
le refinancement ; tout en gérant les exigences réglementaires en termes de solvabilité, de balance-sheet
et de risk management.
A ce titre, les RWA density apparaissent comme un ratio clé. Longtemps décrié et pourtant largement
utilisé par les investisseurs comme par les banques, ce ratio revêt ici tout son intérêt lorsqu’il est croisé
avec d’autres indicateurs externes (e.g. notations de crédit) et internes (e.g. ratio de solvabilité,
profitabilité).
Les analyses croisées proposées plus loin (cf. 3.) tendent à confirmer ce postulat, suggérant un avenir
prometteur pour les RWA density dans le pilotage des banques.
1.2.5. Controverse et remise en question des RWA density
Le RWA density a été rapidement choisi par les investisseurs comme un indicateur synthétique utile
pour orienter leurs investissements, ce que les banques ont d’ailleurs rapidement assimilé.
Cependant, ces dernières années, de nombreuses voix se sont levées remettant en question à la fois la
qualité du ratio et la pertinence des analyses résultantes.
Toutefois, l’objet de cet article n’est pas de remettre en question la construction du ratio et sa pertinence,
mais d’exploiter ses points forts, tout en maitrisant ses limites.
© Global Research & Analytics Dept.| 2016 | All rights reserved
10
2. Au-delà des RWA density, quelles évolutions et quels enjeux ?
Si la partie précédente permet de comprendre la décomposition du RWA density, elle n’en propose ni
les caractéristiques théoriques ni comportementales. L’objet de la présente partie doit permettre de
comprendre les sous-jacents théoriques de ce ratio et d’en déterminer les effets, notamment en période
de stress.
Sensibilité du RWA density, application à des portefeuilles théoriques
Bien que le RWA density possède l’avantage d’être un paramètre de comparaison synthétique, reposant
sur un faible nombre d’indicateurs, cet avantage peut cependant se transformer en faiblesse. En effet, le
calcul des RWA crédit composant à 80% le RWA density (constaté en 4.2.1) repose sur les paramètres
internes tels que la probabilité de défaut (PD), la perte en cas de défaut (LGD) et l’exposition au défaut
(EAD). Ces paramètres une fois pris en compte dans le RWA density laisse supposer que les risques
pris par les établissements financiers sont comparables.
Or, il est possible que les risques pris par deux banques soient de natures différentes mais pour autant
convergent vers des niveaux de RWA density similaires. Cette partie a donc pour but de tester la
sensibilité des RWA density vis-à-vis des paramètres internes de risques.
Sachant que le RWA density repose en majorité sur les risques de crédit, notre étude se concentre sur
des portefeuilles de crédit de deux banques fictives pour des expositions retail, mais pourrait être étendue
à des expositions sur les entreprises, les établissements financiers ou souverains.
Description de la banque 1
La composition du portefeuille de la première banque est présentée ci-dessous.
Tableau 1 Composition du portefeuille de la banque 1
Source : GRA
Cette première banque possède une activité retail diversifiée avec une répartition similaire de ses
expositions, quel que soit leur périmètre (mortgage, revolving, other retail - secured ou - unsecured) et
favorise les bons clients dans son portefeuille. Pour chaque périmètre, les effectifs sont majoritairement
répartis dans les classes les moins risquées (classe de risque 1 à 5).
Les RWA de ce portefeuille (20 783 €) rapportés à la totalité des actifs de la banque (173 188 €)
donne un niveau de RWA density de 12%.
Mortgage
Classe Effectifs EAD PD LGD rw RWA RWA d
1 18% 3 600 0,15% 10,00% 3,43% 123 0,1%
2 23% 4 600 0,20% 10,00% 4,25% 196 0,1%
3 16% 3 200 0,40% 10,00% 7,05% 226 0,1%
4 16% 3 200 0,75% 10,00% 10,94% 350 0,2%
5 15% 3 000 0,90% 10,00% 12,38% 371 0,2%
6 6% 1 200 1,50% 10,00% 17,30% 208 0,1%
7 6% 1 200 2,20% 10,00% 21,95% 263 0,2%
Total 20 000 8,69% 1 738 1,0% Other retail - secured
Classe Effectifs EAD PD LGD rw RWA RWA d
1 17% 3 400 0,15% 10,00% 3,52% 120 0,07%
2 21% 4 200 0,20% 10,00% 4,29% 180 0,10%
3 21% 4 200 0,40% 10,00% 6,70% 281 0,16%
4 18% 3 600 0,75% 10,00% 9,45% 340 0,20%
5 14% 2 800 0,90% 10,00% 10,29% 288 0,17%
6 5% 1 000 1,50% 10,00% 12,57% 126 0,07%
7 4% 800 2,20% 10,00% 13,97% 112 0,06%
Total 20 000 7,23% 1 447 0,8% Other retail - unsecured
Classe Effectifs EAD PD LGD rw RWA RWA d
1 18% 3 600 0,15% 30,00% 10,56% 380 0,2%
2 23% 4 600 0,50% 30,00% 22,87% 1 052 0,6%
3 16% 3 200 0,75% 30,00% 28,34% 907 0,5%
4 12% 2 400 0,90% 30,00% 30,88% 741 0,4%
5 19% 3 814 2,00% 30,00% 40,98% 1 563 0,9%
6 6% 1 200 5,00% 30,00% 46,93% 563 0,3%
7 6% 1 200 7,50% 30,00% 49,56% 595 0,3%
Total 20 000 29,00% 5 801 3,3% Revolving
Classe Effectifs EAD PD LGD rw RWA RWA d
1 35% 7 000 0,90% 75,00% 28,07% 1 965 1,1%
2 25% 5 000 1,80% 75,00% 47,30% 2 365 1,4%
3 20% 4 000 3,30% 75,00% 73,01% 2 920 1,7%
4 15% 3 000 5,00% 75,00% 96,72% 2 901 1,7%
5 2% 425 7,30% 75,00% 123,06% 523 0,3%
6 2% 384 9,00% 75,00% 139,50% 535 0,3%
7 1% 282 20,00% 75,00% 208,44% 587 0,3%
Total 20 000 58,99% 11 798 6,8% Total RWA 20 783
Total Assets 173 188
RWA density 12,00%
10
2. Au-delà des RWA density, quelles évolutions et quels enjeux ?
Si la partie précédente permet de comprendre la décomposition du RWA density, elle n’en propose ni
les caractéristiques théoriques ni comportementales. L’objet de la présente partie doit permettre de
comprendre les sous-jacents théoriques de ce ratio et d’en déterminer les effets, notamment en période
de stress.
Sensibilité du RWA density, application à des portefeuilles théoriques
Bien que le RWA density possède l’avantage d’être un paramètre de comparaison synthétique, reposant
sur un faible nombre d’indicateurs, cet avantage peut cependant se transformer en faiblesse. En effet, le
calcul des RWA crédit composant à 80% le RWA density (constaté en 4.2.1) repose sur les paramètres
internes tels que la probabilité de défaut (PD), la perte en cas de défaut (LGD) et l’exposition au défaut
(EAD). Ces paramètres une fois pris en compte dans le RWA density laisse supposer que les risques
pris par les établissements financiers sont comparables.
Or, il est possible que les risques pris par deux banques soient de natures différentes mais pour autant
convergent vers des niveaux de RWA density similaires. Cette partie a donc pour but de tester la
sensibilité des RWA density vis-à-vis des paramètres internes de risques.
Sachant que le RWA density repose en majorité sur les risques de crédit, notre étude se concentre sur
des portefeuilles de crédit de deux banques fictives pour des expositions retail, mais pourrait être étendue
à des expositions sur les entreprises, les établissements financiers ou souverains.
Description de la banque 1
La composition du portefeuille de la première banque est présentée ci-dessous.
Tableau 1 Composition du portefeuille de la banque 1
Source : GRA
Cette première banque possède une activité retail diversifiée avec une répartition similaire de ses
expositions, quel que soit leur périmètre (mortgage, revolving, other retail - secured ou - unsecured) et
favorise les bons clients dans son portefeuille. Pour chaque périmètre, les effectifs sont majoritairement
répartis dans les classes les moins risquées (classe de risque 1 à 5).
Les RWA de ce portefeuille (20 783 €) rapportés à la totalité des actifs de la banque (173 188 €)
donne un niveau de RWA density de 12%.
Mortgage
Classe Effectifs EAD PD LGD rw RWA RWA d
1 18% 3 600 0,15% 10,00% 3,43% 123 0,1%
2 23% 4 600 0,20% 10,00% 4,25% 196 0,1%
3 16% 3 200 0,40% 10,00% 7,05% 226 0,1%
4 16% 3 200 0,75% 10,00% 10,94% 350 0,2%
5 15% 3 000 0,90% 10,00% 12,38% 371 0,2%
6 6% 1 200 1,50% 10,00% 17,30% 208 0,1%
7 6% 1 200 2,20% 10,00% 21,95% 263 0,2%
Total 20 000 8,69% 1 738 1,0% Other retail - secured
Classe Effectifs EAD PD LGD rw RWA RWA d
1 17% 3 400 0,15% 10,00% 3,52% 120 0,07%
2 21% 4 200 0,20% 10,00% 4,29% 180 0,10%
3 21% 4 200 0,40% 10,00% 6,70% 281 0,16%
4 18% 3 600 0,75% 10,00% 9,45% 340 0,20%
5 14% 2 800 0,90% 10,00% 10,29% 288 0,17%
6 5% 1 000 1,50% 10,00% 12,57% 126 0,07%
7 4% 800 2,20% 10,00% 13,97% 112 0,06%
Total 20 000 7,23% 1 447 0,8% Other retail - unsecured
Classe Effectifs EAD PD LGD rw RWA RWA d
1 18% 3 600 0,15% 30,00% 10,56% 380 0,2%
2 23% 4 600 0,50% 30,00% 22,87% 1 052 0,6%
3 16% 3 200 0,75% 30,00% 28,34% 907 0,5%
4 12% 2 400 0,90% 30,00% 30,88% 741 0,4%
5 19% 3 814 2,00% 30,00% 40,98% 1 563 0,9%
6 6% 1 200 5,00% 30,00% 46,93% 563 0,3%
7 6% 1 200 7,50% 30,00% 49,56% 595 0,3%
Total 20 000 29,00% 5 801 3,3% Revolving
Classe Effectifs EAD PD LGD rw RWA RWA d
1 35% 7 000 0,90% 75,00% 28,07% 1 965 1,1%
2 25% 5 000 1,80% 75,00% 47,30% 2 365 1,4%
3 20% 4 000 3,30% 75,00% 73,01% 2 920 1,7%
4 15% 3 000 5,00% 75,00% 96,72% 2 901 1,7%
5 2% 425 7,30% 75,00% 123,06% 523 0,3%
6 2% 384 9,00% 75,00% 139,50% 535 0,3%
7 1% 282 20,00% 75,00% 208,44% 587 0,3%
Total 20 000 58,99% 11 798 6,8% Total RWA 20 783
Total Assets 173 188
RWA density 12,00%
© Global Research & Analytics Dept.| 2016 | All rights reserved
11
Graphique 2 Répartition des RW et des RWA density - Banque 1
Source : GRA
Description de la banque 2
La composition du portefeuille de la seconde banque est présentée ci-dessous.
Tableau 2 Composition du portefeuille de la banque 2
Source : GRA
Contrairement à la première banque, cette deuxième banque voit son activité retail concentrée sur les
produits sécurisés (périmètre mortgage et other retail - secured) et cherche à minimiser ses taux de
pertes indépendamment de la répartition de ses clients dans ses classes de risques.
Les RWA de ce portefeuille (12 820 €) rapportés à la totalité des actifs de la banque (106 835 €)
donne un niveau de RWA density de 12%.
Mortgage
8,7%
Other retail
-secured
7,2%
Other retail
-unsecured
29,0%
Revolving
59,0%
Risk Weighted
Mortgage
1,0%
Other retail
-secured
0,8%
Other retail
-unsecured
3,3%
Revolving
6,8%
RWA density Mortgage
Classe Effectifs EAD PD LGD rw RWA RWA d
1 10% 4 000 0,10% 10,00% 2,52% 101 0,1%
2 18% 7 200 0,15% 10,00% 3,43% 247 0,2%
3 12% 4 800 0,40% 10,00% 7,05% 339 0,3%
4 10% 4 000 0,90% 10,00% 12,38% 495 0,5%
5 20% 8 000 1,50% 10,00% 17,30% 1 384 1,3%
6 20% 8 000 2,00% 10,00% 20,71% 1 657 1,6%
7 10% 4 000 5,00% 10,00% 34,91% 1 397 1,3%
Total 40 000 14,05% 5 619 5,3% Other retail - secured
Classe Effectifs EAD PD LGD rw RWA RWA d
1 9% 2 700 0,10% 10,00% 2,63% 71 0,1%
2 15% 4 500 0,15% 10,00% 3,52% 158 0,1%
3 15% 4 500 0,40% 10,00% 6,70% 301 0,3%
4 11% 3 300 0,90% 10,00% 10,29% 340 0,3%
5 25% 7 500 1,50% 10,00% 12,57% 943 0,9%
6 13% 3 900 2,00% 10,00% 13,66% 533 0,5%
7 12% 3 600 5,00% 10,00% 15,64% 563 0,5%
Total 30 000 9,70% 2 909 2,7% Other retail - unsecured
Classe Effectifs EAD PD LGD rw RWA RWA d
1 13% 650 0,15% 20,00% 7,04% 46 0,0%
2 23% 1 150 0,50% 20,00% 15,25% 175 0,2%
3 18% 900 1,00% 20,00% 21,56% 194 0,2%
4 10% 500 1,50% 20,00% 25,14% 126 0,1%
5 16% 800 3,00% 20,00% 29,58% 237 0,2%
6 10% 500 5,50% 20,00% 31,59% 158 0,1%
7 10% 500 8,00% 20,00% 33,49% 167 0,2%
Total 5 000 22,06% 1 103 1,0% Revolving
Classe Effectifs EAD PD LGD rw RWA RWA d
1 20% 1 000 0,75% 60,00% 19,50% 195 0,2%
2 22% 1 100 2,00% 60,00% 40,88% 450 0,4%
3 20% 1 000 3,50% 60,00% 60,83% 608 0,6%
4 14% 700 5,00% 60,00% 77,37% 542 0,5%
5 13% 650 7,00% 60,00% 95,93% 624 0,6%
6 8% 400 11,00% 60,00% 125,05% 500 0,5%
7 3% 150 25,00% 60,00% 180,49% 271 0,3%
Total 5 000 63,78% 3 189 3,0% Total RWA 12 820
Total Assets 106 835
RWA density 12,00%
11
Graphique 2 Répartition des RW et des RWA density - Banque 1
Source : GRA
Description de la banque 2
La composition du portefeuille de la seconde banque est présentée ci-dessous.
Tableau 2 Composition du portefeuille de la banque 2
Source : GRA
Contrairement à la première banque, cette deuxième banque voit son activité retail concentrée sur les
produits sécurisés (périmètre mortgage et other retail - secured) et cherche à minimiser ses taux de
pertes indépendamment de la répartition de ses clients dans ses classes de risques.
Les RWA de ce portefeuille (12 820 €) rapportés à la totalité des actifs de la banque (106 835 €)
donne un niveau de RWA density de 12%.
Mortgage
8,7%
Other retail
-secured
7,2%
Other retail
-unsecured
29,0%
Revolving
59,0%
Risk Weighted
Mortgage
1,0%
Other retail
-secured
0,8%
Other retail
-unsecured
3,3%
Revolving
6,8%
RWA density Mortgage
Classe Effectifs EAD PD LGD rw RWA RWA d
1 10% 4 000 0,10% 10,00% 2,52% 101 0,1%
2 18% 7 200 0,15% 10,00% 3,43% 247 0,2%
3 12% 4 800 0,40% 10,00% 7,05% 339 0,3%
4 10% 4 000 0,90% 10,00% 12,38% 495 0,5%
5 20% 8 000 1,50% 10,00% 17,30% 1 384 1,3%
6 20% 8 000 2,00% 10,00% 20,71% 1 657 1,6%
7 10% 4 000 5,00% 10,00% 34,91% 1 397 1,3%
Total 40 000 14,05% 5 619 5,3% Other retail - secured
Classe Effectifs EAD PD LGD rw RWA RWA d
1 9% 2 700 0,10% 10,00% 2,63% 71 0,1%
2 15% 4 500 0,15% 10,00% 3,52% 158 0,1%
3 15% 4 500 0,40% 10,00% 6,70% 301 0,3%
4 11% 3 300 0,90% 10,00% 10,29% 340 0,3%
5 25% 7 500 1,50% 10,00% 12,57% 943 0,9%
6 13% 3 900 2,00% 10,00% 13,66% 533 0,5%
7 12% 3 600 5,00% 10,00% 15,64% 563 0,5%
Total 30 000 9,70% 2 909 2,7% Other retail - unsecured
Classe Effectifs EAD PD LGD rw RWA RWA d
1 13% 650 0,15% 20,00% 7,04% 46 0,0%
2 23% 1 150 0,50% 20,00% 15,25% 175 0,2%
3 18% 900 1,00% 20,00% 21,56% 194 0,2%
4 10% 500 1,50% 20,00% 25,14% 126 0,1%
5 16% 800 3,00% 20,00% 29,58% 237 0,2%
6 10% 500 5,50% 20,00% 31,59% 158 0,1%
7 10% 500 8,00% 20,00% 33,49% 167 0,2%
Total 5 000 22,06% 1 103 1,0% Revolving
Classe Effectifs EAD PD LGD rw RWA RWA d
1 20% 1 000 0,75% 60,00% 19,50% 195 0,2%
2 22% 1 100 2,00% 60,00% 40,88% 450 0,4%
3 20% 1 000 3,50% 60,00% 60,83% 608 0,6%
4 14% 700 5,00% 60,00% 77,37% 542 0,5%
5 13% 650 7,00% 60,00% 95,93% 624 0,6%
6 8% 400 11,00% 60,00% 125,05% 500 0,5%
7 3% 150 25,00% 60,00% 180,49% 271 0,3%
Total 5 000 63,78% 3 189 3,0% Total RWA 12 820
Total Assets 106 835
RWA density 12,00%
© Global Research & Analytics Dept.| 2016 | All rights reserved
12
Graphique 3 Répartition des RW et des RWA density - Banque 2
Source : GRA
Description des scénarios de stress de l’étude
La composition des portefeuilles des deux banques est visiblement différente. Par conséquent elles
ne sont pas exposées aux mêmes risques bien que leur niveau de RWA density soit identique.
Afin d’observer la sensibilité des RWA density vis-à-vis des paramètres internes – et donc des risques
encourus par chaque banque – divers scénarios de stress sont appliqués et imputés de manière forfaitaire.
Chaque scénario est basé sur l’aggravation de la PD, LGD ou de la migration des effectifs, permettant
de mesurer le niveau de RWA density sous des conditions stressées.
Le fondement de chacun des scénarios est présenté ci-dessous.
Le premier scénario représente l’impact d’une crise immobilière pour chaque banque. Le portefeuille
revolving n’est pas impacté car insensible au marché de l’immobilier.
Pour les autres portefeuilles, une migration des effectifs vers les classes les plus risquées est observée.
Pour les portefeuilles dont les taux de récupération dépendent de la valeur du bien immobilier (mortgage
et other retail – unsecured), une aggravation de la LGD est prise en compte ; pour le portefeuille other
retail – secured la LGD reste stable car le garant est dans l’obligation de payer.
Le second scénario représente une crise économique (hausse du taux de chômage et de l’inflation) où
seuls les portefeuilles revolving et other retail – unsecured sont impactés. Il se traduit donc par une
migration des effectifs dans les classes les plus risquées, une aggravation de la LGD et de la PD.
Le troisième scénario correspond à un stress des taux de récupération, se traduisant par une aggravation
de la LGD sur tous les portefeuilles.
Mortgage
14,0%
Other retail
-secured
9,7%
Other retail
-unsecured
22,1%
Revolving
63,8%
Risk Weighted
Mortgage
5,3%
Other retail
-secured
2,7%
Other retail
-unsecured
1,0%
Revolving
3,0%
RWA density Crise Immo –Impact portefeuille mortgage et Other retail
•Migration des effectifs dans des classes plus risquées
•Aggravation LGD –mortgage et other retail unsecured
•LGD stable –other retail secured
Scenario 1Migration - pop-2%-2%-1%1%1%2%1% LGD 20% Crise Eco –Impact portefeuille revolving et Other retail
•Migration des effectifs dans des classes plus risquées
•Aggravation de la PD
•Aggravation LGD
Scenario 2Migration - pop-5%-5%-2%2%3%5%2%
Aggravation PD0,3%0,3%0,3%0,5%0,4%0,0%0,0% LGD 10% Stress récupération -Impact sur tous les portefeuilles
•Aggravation LGD
Scenario 3LGD 10%
12
Graphique 3 Répartition des RW et des RWA density - Banque 2
Source : GRA
Description des scénarios de stress de l’étude
La composition des portefeuilles des deux banques est visiblement différente. Par conséquent elles
ne sont pas exposées aux mêmes risques bien que leur niveau de RWA density soit identique.
Afin d’observer la sensibilité des RWA density vis-à-vis des paramètres internes – et donc des risques
encourus par chaque banque – divers scénarios de stress sont appliqués et imputés de manière forfaitaire.
Chaque scénario est basé sur l’aggravation de la PD, LGD ou de la migration des effectifs, permettant
de mesurer le niveau de RWA density sous des conditions stressées.
Le fondement de chacun des scénarios est présenté ci-dessous.
Le premier scénario représente l’impact d’une crise immobilière pour chaque banque. Le portefeuille
revolving n’est pas impacté car insensible au marché de l’immobilier.
Pour les autres portefeuilles, une migration des effectifs vers les classes les plus risquées est observée.
Pour les portefeuilles dont les taux de récupération dépendent de la valeur du bien immobilier (mortgage
et other retail – unsecured), une aggravation de la LGD est prise en compte ; pour le portefeuille other
retail – secured la LGD reste stable car le garant est dans l’obligation de payer.
Le second scénario représente une crise économique (hausse du taux de chômage et de l’inflation) où
seuls les portefeuilles revolving et other retail – unsecured sont impactés. Il se traduit donc par une
migration des effectifs dans les classes les plus risquées, une aggravation de la LGD et de la PD.
Le troisième scénario correspond à un stress des taux de récupération, se traduisant par une aggravation
de la LGD sur tous les portefeuilles.
Mortgage
14,0%
Other retail
-secured
9,7%
Other retail
-unsecured
22,1%
Revolving
63,8%
Risk Weighted
Mortgage
5,3%
Other retail
-secured
2,7%
Other retail
-unsecured
1,0%
Revolving
3,0%
RWA density Crise Immo –Impact portefeuille mortgage et Other retail
•Migration des effectifs dans des classes plus risquées
•Aggravation LGD –mortgage et other retail unsecured
•LGD stable –other retail secured
Scenario 1Migration - pop-2%-2%-1%1%1%2%1% LGD 20% Crise Eco –Impact portefeuille revolving et Other retail
•Migration des effectifs dans des classes plus risquées
•Aggravation de la PD
•Aggravation LGD
Scenario 2Migration - pop-5%-5%-2%2%3%5%2%
Aggravation PD0,3%0,3%0,3%0,5%0,4%0,0%0,0% LGD 10% Stress récupération -Impact sur tous les portefeuilles
•Aggravation LGD
Scenario 3LGD 10%
© Global Research & Analytics Dept.| 2016 | All rights reserved
13
Le quatrième scénario correspond à un stress des taux de défaut, se traduisant par une aggravation de
la PD sur les classes les moins risquées et propre à chaque portefeuille.
Le cinquième scénario correspond à la combinaison du troisième et quatrième scénario.
Le dernier scénario correspond à un stress global impactant tous les portefeuilles et se traduisant par
une migration des effectifs dans les classes les plus risquées, une aggravation de la LGD et une
aggravation de la PD sur les classes les moins risquées propre à chaque portefeuille.
Analyse des résultats des scénarios de stress
Les niveaux de RWA density et variations obtenus pour chaque scénario sont décrits ci-après.
Tableau 3 RWA density par scénario
Source : GRA
On remarque que pour les scénarios les moins pénalisants (scénarios 1 à 4), les niveaux de RWA
density de la banque 1 subissent peu de variations par rapport au niveau initial ; contrairement à la
banque 2, dont le RWA density est largement impacté par les scénarios 1 et 3.
Cela s’explique par la diversification du portefeuille de la banque 1 qui la rend moins sensible aux
aggravations d’un paramètre en particulier ; contrairement à la banque 2 dont les aggravations de LGD
sur les portefeuilles sécurisés amènent à doubler les niveaux de RWA density.
Dans le cas de la banque 2, les scénarios impactant les périmètres non sécurisés ou aggravant seulement
les probabilités de défaut ont un effet minime sur le RWA density.
A l’observation des niveaux de RWA density des deux banques pour des scénarios globaux et
davantage sévères (scénarios 5 et 6), il apparait que la banque 1 est moins risquée que la banque 2.
En conséquence, partant du postulat que les deux banques ont des niveaux de risques équivalents,
l’analyse des différents scénarios de stress démontre que ce constat initial n’est pas forcément exact.
Le caractère synthétique du RWA density rend donc l’indicateur aveugle vis-à-vis de certaines
expositions aux risques ou stratégie d’investissement des établissements financiers.
En complément des scénarios de stress, une méthode simulant des stress de PD pour chaque classe de
risques de chacun des portefeuilles a été mise en place afin de vérifier la sensibilité du RWA density
face au stress.
Le stress de PD de chaque portefeuille est défini comme suit. Pour chaque classe de risques, le quantile
à 95% de la probabilité de défaut est calculé suivant la formule de Vasicek : Stress taux de défaut -Impact sur tous les portefeuilles
•Aggravation PD sur les classes les moins risquées
Scenario 4Aggravation PD - Immo 0,3%0,3%0,3%0,0%0,0%0,0%0,0%
Aggravation PD - Unsecured0,3%0,2%0,1%0,0%0,0%0,0%0,0%
Aggravation PD - Revolving 1,0%1,0%1,0%0,0%0,0%0,0%0,0% Stress taux de défaut et récupération -Impact sur tous les portefeuilles
•Aggravation PD sur les classes les moins risquées
•Aggravation LGD
Scenario 5Aggravation PD - Immo 0,3%0,3%0,3%0,0%0,0%0,0%0,0%
Aggravation PD - Unsecured0,3%0,2%0,1%0,0%0,0%0,0%0,0%
Aggravation PD - Revolving 1,0%1,0%1,0%0,0%0,0%0,0%0,0% LGD 10% Stress global -Impact sur tous les portefeuilles
•Migration des effectifs dans des classes plus risquées
•Aggravation PD sur les classes les moins risquées
•Aggravation LGD
Scenario 6LGD 10% Migration pop-5%-5%-2%2%3%5%2%
Aggravation PD - Immo 0,3%0,3%0,3%0,0%0,0%0,0%0,0%
Aggravation PD - Unsecured0,3%0,2%0,1%0,0%0,0%0,0%0,0%
Aggravation PD - Revolving 1,0%1,0%1,0%0,0%0,0%0,0%0,0% RWA d - InitialeRWA d Variation RWA d Variation RWA d Variation RWA d Variation RWA d Variation RWA d Variation
Banque 1 12% 17% 39% 17% 45% 16% 32% 15% 21% 19% 60% 21% 76%
Banque 2 12% 25% 106% 14% 17% 21% 75% 13% 12% 24% 96% 26% 114%
Scenario 6Scenario 1 Scenario 2 Scenario 3 Scenario 4 Scenario 5
13
Le quatrième scénario correspond à un stress des taux de défaut, se traduisant par une aggravation de
la PD sur les classes les moins risquées et propre à chaque portefeuille.
Le cinquième scénario correspond à la combinaison du troisième et quatrième scénario.
Le dernier scénario correspond à un stress global impactant tous les portefeuilles et se traduisant par
une migration des effectifs dans les classes les plus risquées, une aggravation de la LGD et une
aggravation de la PD sur les classes les moins risquées propre à chaque portefeuille.
Analyse des résultats des scénarios de stress
Les niveaux de RWA density et variations obtenus pour chaque scénario sont décrits ci-après.
Tableau 3 RWA density par scénario
Source : GRA
On remarque que pour les scénarios les moins pénalisants (scénarios 1 à 4), les niveaux de RWA
density de la banque 1 subissent peu de variations par rapport au niveau initial ; contrairement à la
banque 2, dont le RWA density est largement impacté par les scénarios 1 et 3.
Cela s’explique par la diversification du portefeuille de la banque 1 qui la rend moins sensible aux
aggravations d’un paramètre en particulier ; contrairement à la banque 2 dont les aggravations de LGD
sur les portefeuilles sécurisés amènent à doubler les niveaux de RWA density.
Dans le cas de la banque 2, les scénarios impactant les périmètres non sécurisés ou aggravant seulement
les probabilités de défaut ont un effet minime sur le RWA density.
A l’observation des niveaux de RWA density des deux banques pour des scénarios globaux et
davantage sévères (scénarios 5 et 6), il apparait que la banque 1 est moins risquée que la banque 2.
En conséquence, partant du postulat que les deux banques ont des niveaux de risques équivalents,
l’analyse des différents scénarios de stress démontre que ce constat initial n’est pas forcément exact.
Le caractère synthétique du RWA density rend donc l’indicateur aveugle vis-à-vis de certaines
expositions aux risques ou stratégie d’investissement des établissements financiers.
En complément des scénarios de stress, une méthode simulant des stress de PD pour chaque classe de
risques de chacun des portefeuilles a été mise en place afin de vérifier la sensibilité du RWA density
face au stress.
Le stress de PD de chaque portefeuille est défini comme suit. Pour chaque classe de risques, le quantile
à 95% de la probabilité de défaut est calculé suivant la formule de Vasicek : Stress taux de défaut -Impact sur tous les portefeuilles
•Aggravation PD sur les classes les moins risquées
Scenario 4Aggravation PD - Immo 0,3%0,3%0,3%0,0%0,0%0,0%0,0%
Aggravation PD - Unsecured0,3%0,2%0,1%0,0%0,0%0,0%0,0%
Aggravation PD - Revolving 1,0%1,0%1,0%0,0%0,0%0,0%0,0% Stress taux de défaut et récupération -Impact sur tous les portefeuilles
•Aggravation PD sur les classes les moins risquées
•Aggravation LGD
Scenario 5Aggravation PD - Immo 0,3%0,3%0,3%0,0%0,0%0,0%0,0%
Aggravation PD - Unsecured0,3%0,2%0,1%0,0%0,0%0,0%0,0%
Aggravation PD - Revolving 1,0%1,0%1,0%0,0%0,0%0,0%0,0% LGD 10% Stress global -Impact sur tous les portefeuilles
•Migration des effectifs dans des classes plus risquées
•Aggravation PD sur les classes les moins risquées
•Aggravation LGD
Scenario 6LGD 10% Migration pop-5%-5%-2%2%3%5%2%
Aggravation PD - Immo 0,3%0,3%0,3%0,0%0,0%0,0%0,0%
Aggravation PD - Unsecured0,3%0,2%0,1%0,0%0,0%0,0%0,0%
Aggravation PD - Revolving 1,0%1,0%1,0%0,0%0,0%0,0%0,0% RWA d - InitialeRWA d Variation RWA d Variation RWA d Variation RWA d Variation RWA d Variation RWA d Variation
Banque 1 12% 17% 39% 17% 45% 16% 32% 15% 21% 19% 60% 21% 76%
Banque 2 12% 25% 106% 14% 17% 21% 75% 13% 12% 24% 96% 26% 114%
Scenario 6Scenario 1 Scenario 2 Scenario 3 Scenario 4 Scenario 5
© Global Research & Analytics Dept.| 2016 | All rights reserved
14
q(PD;x%)=??????(
??????
−1
(PD)+√R∗??????
−1
(x%)
√1−R
)
– Où R est le coefficient de corrélation au carré, forfaitaire à 4% et 15% pour les portefeuilles
revolving et mortgage respectivement; et est calculé selon la formule baloise pour le portefeuille
other retail :
R=0.03(
1−e
−35∗PD
1−e
−35
)+0.16(1−
1−e
−35∗PD
1−e
−35
)
– La PD stressée de la classe de risques 1 est ensuite simulée suivant un tirage uniforme de loi
PDs(1) ~ U (PD(1), q(PD(1), 95%)).
– Pour toutes les autres classes de risques i ϵ {2, 3, 4, 5, 6,7}, la PD stressée est simulée suivant
un tirage uniforme de loi PDs(i) ~ U (max (PD(i), PDs(i-1)), q(PD(i), 95%)).
Les résultats des mille simulations de RWA density pour chacune des banques sont présentés ci-dessous.
Graphique 4 Distributions comparées des RWA density stressés par banque
Source : GRA
Tableau 4 Statistiques des RWA density stressés par banque
Source : GRA
Comme l’avait fait ressortir initialement le scénario 4 de l’étude précédente, la banque 1 est plus sensible
au stress de probabilité de défaut que la banque 2, ce qui se reflète directement dans les valeurs de RWA
density.
Connaissant le lien entre le RWA density et d’autres indicateurs financiers, tel que le rating externe (cf.
3.1.1), les variations de RWA density peuvent donc permettre à la banque 1 d’anticiper l’impact du
stress sur son rating externe.
De même avec la mise en place du SREP, qui correspond à un rating défini par la banque centrale afin
de noter les banques suivant une méthode uniforme, tout lien entre ce score et le RWA density
permettrait aux banques de piloter et d’anticiper leur changement de notation. 0,6%
2,8%
8,9%
20,9%
19,5%
20,6%
16,4%
7,3%
2,2%
0,6%
0,2%
[29%; 29,5%]
[29,5%; 30%]
[30%; 30,5%]
[30,5%; 31%]
[31%; 31,5%]
[31,5%; 32%]
[32%; 32,5%]
[32,5%; 33%]
[33%; 33,5%]
[33,5%; 34%]
[34%; 34,5%]
Banque 1 | Distribution des RWA density
stressés
0,1%
1,2%
4,9%
14,3%
23,7%
25,7%
20,4%
8,5%
1,1%
0,1%
0,0%
[20,5%; 21%]
[21%; 21,5%]
[21,5%; 22%]
[22%; 22,5%]
[22,5%; 23%]
[23%; 23,5%]
[23,5%; 24%]
[24%; 24,5%]
[24,5%; 25%]
[25%; 25,5%]
[25,5%; 26%]
Banque 2 | Distribution des RWA density
stressés moyenneécart typeIC empirique - 95%
Banque n°1 31,4% 0,8%[29,9%; 33,1%]
Banque n°2 23,1% 0,7%[21,7%; 24,4%]
RWA density
14
q(PD;x%)=??????(
??????
−1
(PD)+√R∗??????
−1
(x%)
√1−R
)
– Où R est le coefficient de corrélation au carré, forfaitaire à 4% et 15% pour les portefeuilles
revolving et mortgage respectivement; et est calculé selon la formule baloise pour le portefeuille
other retail :
R=0.03(
1−e
−35∗PD
1−e
−35
)+0.16(1−
1−e
−35∗PD
1−e
−35
)
– La PD stressée de la classe de risques 1 est ensuite simulée suivant un tirage uniforme de loi
PDs(1) ~ U (PD(1), q(PD(1), 95%)).
– Pour toutes les autres classes de risques i ϵ {2, 3, 4, 5, 6,7}, la PD stressée est simulée suivant
un tirage uniforme de loi PDs(i) ~ U (max (PD(i), PDs(i-1)), q(PD(i), 95%)).
Les résultats des mille simulations de RWA density pour chacune des banques sont présentés ci-dessous.
Graphique 4 Distributions comparées des RWA density stressés par banque
Source : GRA
Tableau 4 Statistiques des RWA density stressés par banque
Source : GRA
Comme l’avait fait ressortir initialement le scénario 4 de l’étude précédente, la banque 1 est plus sensible
au stress de probabilité de défaut que la banque 2, ce qui se reflète directement dans les valeurs de RWA
density.
Connaissant le lien entre le RWA density et d’autres indicateurs financiers, tel que le rating externe (cf.
3.1.1), les variations de RWA density peuvent donc permettre à la banque 1 d’anticiper l’impact du
stress sur son rating externe.
De même avec la mise en place du SREP, qui correspond à un rating défini par la banque centrale afin
de noter les banques suivant une méthode uniforme, tout lien entre ce score et le RWA density
permettrait aux banques de piloter et d’anticiper leur changement de notation. 0,6%
2,8%
8,9%
20,9%
19,5%
20,6%
16,4%
7,3%
2,2%
0,6%
0,2%
[29%; 29,5%]
[29,5%; 30%]
[30%; 30,5%]
[30,5%; 31%]
[31%; 31,5%]
[31,5%; 32%]
[32%; 32,5%]
[32,5%; 33%]
[33%; 33,5%]
[33,5%; 34%]
[34%; 34,5%]
Banque 1 | Distribution des RWA density
stressés
0,1%
1,2%
4,9%
14,3%
23,7%
25,7%
20,4%
8,5%
1,1%
0,1%
0,0%
[20,5%; 21%]
[21%; 21,5%]
[21,5%; 22%]
[22%; 22,5%]
[22,5%; 23%]
[23%; 23,5%]
[23,5%; 24%]
[24%; 24,5%]
[24,5%; 25%]
[25%; 25,5%]
[25,5%; 26%]
Banque 2 | Distribution des RWA density
stressés moyenneécart typeIC empirique - 95%
Banque n°1 31,4% 0,8%[29,9%; 33,1%]
Banque n°2 23,1% 0,7%[21,7%; 24,4%]
RWA density
© Global Research & Analytics Dept.| 2016 | All rights reserved
15
Pour conclure, ces deux études démontrent que l’analyse des variations de RWA density sous
différents scénarios de stress permet de renforcer la comparaison de la solidité des banques et peut
permettre à cet indicateur un pilotage de l’activité ou des stress. Contrairement aux RWA, les variations
de RWA density permettent d’identifier les établissements dont les risques paraissent équivalents et qui
finalement sont exposés à des risques différents, mais aussi de matérialiser des risques cachés non
anticipés par les banques.
Croisement des dimensions Risk et Profitabilité : que retenir des RoRWA ?
La profitabilité est une dimension clé à croiser avec la gestion des risques tant ces deux composantes
réunies résument bien les arbitrages qu’une banque doit faire au quotidien entre les risques pris et les
retours attendus.
Pour ce faire, le paragraphe suivant s’attachera à étudier deux jeux de données historiques.
(1) Le premier comprend 13 banques européennes pour lesquelles les données suivantes ont été
recueillies sur base annuelle sur la période 2006-2011 : total des actifs, Produit Net Bancaire
(PNB), Coût du Risque (CoR), Résultat Net. Ces 13 banques sont incluses dans le second jeu.
(2) Le second comprend les 20 banques de l’échantillon décrit ci-après (cf. 2.2.1) qui sera par
ailleurs utilisé pour les besoins des parties 3 et 4. Les données recueillies reprennent celle du
premier échantillon, complétées des données relatives au RoRWA (RWA et Résultat avant
Impôts) sur la période 2012-2014.
2.2.1. Présentation de l’échantillon
Dans cet article, l’échantillon étudié comprend les 20 premières banques européennes sur la base de leur
chiffre d’affaires 2014 communiqué. Les données récoltées sont issues des rapports annuels et comptes
de résultat des années 2012, 2013 et 2014 de ces 20 banques (données consolidées pour les groupes de
l’échantillon, toutes activités et filiales confondues).
Les banques de l’échantillon représentent respectivement au 31/12/2012 et 31/12/2014, 72% et 68% des
RWA des banques de la zone euro
2
.
Les 20 banques de l’échantillon sont codifiées comme suit :
– 2 banques suisses (CH1 ; CH2)
– 2 banques allemandes (DE1 ; DE2)
– 2 banques espagnoles (ES1 ; ES2)
– 5 banques françaises (FR1 ; FR2 ; FR3 ; FR4 ; FR5)
– 2 banques italiennes (IT1 ; IT2)
– 2 banques néerlandaises (NL1 ; NL2)
– 1 banque suédoise (SW1)
– 4 banques britanniques (UK1 ; UK2 ; UK3 ; UK4)
2.2.2. Qu’est-ce que le Return on RWA (RoRWA) ?
Comment le calculer ?
Le RoRWA est calculé comme suit :
??????�??????????????????(??????)=
??????������ ??????�??????�� ??????��ô�� (??????)
??????????????????
���??????��(??????)
Où pour un établissement donné et une année a :
– Revenus avant impôts (a) = Produit Net Bancaire (a) – Charges opérationnelles (a) + Coût du
risque (a) – Autres revenus et charges (a)
2
Données EBA transparency exercise (publications 2013 et 2015), comprenant sur les 20 banques de l’échantillon
17 banques pour l’exercice publié 2013 et 18 banques pour la publication 2015
15
Pour conclure, ces deux études démontrent que l’analyse des variations de RWA density sous
différents scénarios de stress permet de renforcer la comparaison de la solidité des banques et peut
permettre à cet indicateur un pilotage de l’activité ou des stress. Contrairement aux RWA, les variations
de RWA density permettent d’identifier les établissements dont les risques paraissent équivalents et qui
finalement sont exposés à des risques différents, mais aussi de matérialiser des risques cachés non
anticipés par les banques.
Croisement des dimensions Risk et Profitabilité : que retenir des RoRWA ?
La profitabilité est une dimension clé à croiser avec la gestion des risques tant ces deux composantes
réunies résument bien les arbitrages qu’une banque doit faire au quotidien entre les risques pris et les
retours attendus.
Pour ce faire, le paragraphe suivant s’attachera à étudier deux jeux de données historiques.
(1) Le premier comprend 13 banques européennes pour lesquelles les données suivantes ont été
recueillies sur base annuelle sur la période 2006-2011 : total des actifs, Produit Net Bancaire
(PNB), Coût du Risque (CoR), Résultat Net. Ces 13 banques sont incluses dans le second jeu.
(2) Le second comprend les 20 banques de l’échantillon décrit ci-après (cf. 2.2.1) qui sera par
ailleurs utilisé pour les besoins des parties 3 et 4. Les données recueillies reprennent celle du
premier échantillon, complétées des données relatives au RoRWA (RWA et Résultat avant
Impôts) sur la période 2012-2014.
2.2.1. Présentation de l’échantillon
Dans cet article, l’échantillon étudié comprend les 20 premières banques européennes sur la base de leur
chiffre d’affaires 2014 communiqué. Les données récoltées sont issues des rapports annuels et comptes
de résultat des années 2012, 2013 et 2014 de ces 20 banques (données consolidées pour les groupes de
l’échantillon, toutes activités et filiales confondues).
Les banques de l’échantillon représentent respectivement au 31/12/2012 et 31/12/2014, 72% et 68% des
RWA des banques de la zone euro
2
.
Les 20 banques de l’échantillon sont codifiées comme suit :
– 2 banques suisses (CH1 ; CH2)
– 2 banques allemandes (DE1 ; DE2)
– 2 banques espagnoles (ES1 ; ES2)
– 5 banques françaises (FR1 ; FR2 ; FR3 ; FR4 ; FR5)
– 2 banques italiennes (IT1 ; IT2)
– 2 banques néerlandaises (NL1 ; NL2)
– 1 banque suédoise (SW1)
– 4 banques britanniques (UK1 ; UK2 ; UK3 ; UK4)
2.2.2. Qu’est-ce que le Return on RWA (RoRWA) ?
Comment le calculer ?
Le RoRWA est calculé comme suit :
??????�??????????????????(??????)=
??????������ ??????�??????�� ??????��ô�� (??????)
??????????????????
���??????��(??????)
Où pour un établissement donné et une année a :
– Revenus avant impôts (a) = Produit Net Bancaire (a) – Charges opérationnelles (a) + Coût du
risque (a) – Autres revenus et charges (a)
2
Données EBA transparency exercise (publications 2013 et 2015), comprenant sur les 20 banques de l’échantillon
17 banques pour l’exercice publié 2013 et 18 banques pour la publication 2015
© Global Research & Analytics Dept.| 2016 | All rights reserved
16
– Où le coût du risque (a) représente les montants provisionnés en année a par la banque pour
couvrir les risques d’impayés sur ses portefeuilles de crédits
– ??????????????????
���??????��(??????) = ∑??????????????????
���?????�(??????)+ ??????????????????
�??????��ℎé(??????)+??????????????????
���?????�??????�����(??????)
Ce ratio permet de rapporter le montant des revenus d’un établissement avant impôts au total des RWA,
donnant un bon indicateur de la capacité d’une banque à dégager de la valeur par rapport aux risques
pris et comptabilisés sous forme de RWA.
On remarquera particulièrement que les revenus avant impôts sont préférés au résultat net, afin d’éviter
de biaiser l’analyse en intégrant le facteur de dépendance fiscalité, qui varie en fonction du pays
d’origine de la banque.
Pourquoi l’utiliser ?
Comme suggéré dans l’article Striking the right balance between risk and return (Bain & Company,
2013), cet indicateur est intéressant car il croise deux dimensions clés, objets du traditionnel arbitrage
risque / rendement.
Au-delà d’un ratio bidimensionnel, il est également important de noter que le coût du risque est une
composante indirecte du RoRWA puisqu’il représente un poste de coûts dans le calcul des revenus
avant impôts. Le graphique ci-dessous illustre notamment la répartition des postes de charges imputés
au PNB pour l’échantillon sur la période 2012-2014.
Facteur clé pour la suite de cet article, la part du coût du risque par rapport au PNB a en moyenne doublé
en 8 ans (cf. Graphique 6), pouvant représenter pour certaines banques jusqu’à 80% du PNB en période
de crise, comme ce fut le cas en 2008.
Graphique 5 Evolutions cumulées des revenus et des charges des 20 banques de
l’échantillon entre 2012 et 2014
Source : GRA
Etant donné la corrélation naturelle entre le coût du risque et les RWA (rappelé en 3.1.2), il devient
intéressant d’identifier la part que le coût du risque représente par rapport au PNB des banques. Plus
celle-ci sera importante, plus les revenus avant impôts seront indirectement corrélés aux RWA. Ce que
tend à démontrer l’étude suivante.
L’analyse historique d’un échantillon de 13 banques européennes entre 2006 et 2014 permet de
démontrer que la part du coût du risque a augmenté en moyenne de 63% passant de 6% à 10% quand le
coût du risque a augmenté en valeur de 52% entre 2006 et 2014.
Comme le montre le graphique ci-dessous, on constate aussi que la part du coût du risque a tendance à
augmenter fortement en période de stress (crise financière à partir de 2009). Le coût du risque a
notamment doublé en 1 an quand le PNB a seulement diminué en moyenne de 23%.
1403
383
175 188
1020
209
13
PNB Charges
opérationnelles
Coût du Risque Résultat net avant
impôts (RNI)
15% RNI
1% RNI
Résultatd'exploitation
(REX)
Autres charges et
produits
Résultat Brut
d'Exploitation (RBE)
16
– Où le coût du risque (a) représente les montants provisionnés en année a par la banque pour
couvrir les risques d’impayés sur ses portefeuilles de crédits
– ??????????????????
���??????��(??????) = ∑??????????????????
���?????�(??????)+ ??????????????????
�??????��ℎé(??????)+??????????????????
���?????�??????�����(??????)
Ce ratio permet de rapporter le montant des revenus d’un établissement avant impôts au total des RWA,
donnant un bon indicateur de la capacité d’une banque à dégager de la valeur par rapport aux risques
pris et comptabilisés sous forme de RWA.
On remarquera particulièrement que les revenus avant impôts sont préférés au résultat net, afin d’éviter
de biaiser l’analyse en intégrant le facteur de dépendance fiscalité, qui varie en fonction du pays
d’origine de la banque.
Pourquoi l’utiliser ?
Comme suggéré dans l’article Striking the right balance between risk and return (Bain & Company,
2013), cet indicateur est intéressant car il croise deux dimensions clés, objets du traditionnel arbitrage
risque / rendement.
Au-delà d’un ratio bidimensionnel, il est également important de noter que le coût du risque est une
composante indirecte du RoRWA puisqu’il représente un poste de coûts dans le calcul des revenus
avant impôts. Le graphique ci-dessous illustre notamment la répartition des postes de charges imputés
au PNB pour l’échantillon sur la période 2012-2014.
Facteur clé pour la suite de cet article, la part du coût du risque par rapport au PNB a en moyenne doublé
en 8 ans (cf. Graphique 6), pouvant représenter pour certaines banques jusqu’à 80% du PNB en période
de crise, comme ce fut le cas en 2008.
Graphique 5 Evolutions cumulées des revenus et des charges des 20 banques de
l’échantillon entre 2012 et 2014
Source : GRA
Etant donné la corrélation naturelle entre le coût du risque et les RWA (rappelé en 3.1.2), il devient
intéressant d’identifier la part que le coût du risque représente par rapport au PNB des banques. Plus
celle-ci sera importante, plus les revenus avant impôts seront indirectement corrélés aux RWA. Ce que
tend à démontrer l’étude suivante.
L’analyse historique d’un échantillon de 13 banques européennes entre 2006 et 2014 permet de
démontrer que la part du coût du risque a augmenté en moyenne de 63% passant de 6% à 10% quand le
coût du risque a augmenté en valeur de 52% entre 2006 et 2014.
Comme le montre le graphique ci-dessous, on constate aussi que la part du coût du risque a tendance à
augmenter fortement en période de stress (crise financière à partir de 2009). Le coût du risque a
notamment doublé en 1 an quand le PNB a seulement diminué en moyenne de 23%.
1403
383
175 188
1020
209
13
PNB Charges
opérationnelles
Coût du Risque Résultat net avant
impôts (RNI)
15% RNI
1% RNI
Résultatd'exploitation
(REX)
Autres charges et
produits
Résultat Brut
d'Exploitation (RBE)
© Global Research & Analytics Dept.| 2016 | All rights reserved
17
Graphique 6 Evolutions comparées des moyennes annuelles de 13 banques européennes
entre 2006 et 2014
Source : GRA
Une plus importante part du coût du risque dans les charges des banques laisse apparaître trois enjeux :
– un possible recul du résultat net et donc de la profitabilité si le PNB stagne (ce qui est le cas sur
la période 2012-2014),
– une corrélation plus forte avec les RWA et donc la gestion du risque d’un établissement,
– une plus grande sensibilité de la profitabilité en cas de stress sur les marchés, induite par la
corrélation avec le coût du risque.
2.2.3. Décodages des RoRWA : comment interpréter ce ratio ?
Le graphique ci-dessous répartit les RoRWA des 20 banques de l’échantillon sur la période 2012-2014.
Graphique 7 Evolution du RoRWA par banque et par an entre 2012 et 2014
Source : GRA
3 banques sortent du lot : UK3, IT1 et IT2. Ce sont celles dont l’amplitude des RWA est importante en
raison de revenus avant impôt négatifs.
Est-ce qu’une profitabilité négative peut-être corrélée à une gestion des risques sous-optimale ?
En effet, si on compare, dans le tableau ci-dessous, ces 3 établissements sur la période 2012-2014, on
constate que leur RWA density moyen sur la période est supérieur à la moyenne (34%).
On constate également que la banque UK1, malgré un RWA density largement supérieur à la moyenne
entre 2012 et 2014 (43%), affiche pourtant le meilleur rapport rendement / risques sur la période. 6% 7%
23% 23%
15%
16%
15%
17%
10%
31
31
24
33
36
34
32 32 32
0
5
10
15
20
25
30
35
40
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
50%
2006 2007 2008 2009 2010 2011 2012 2013 2014
Moyenne (Coût du risque / PNB) (%) Moyenne du PNB (Md€) -4%
-2%
0%
2%
4%
UK3IT1IT2UK4DE2DE1FR2UK2CH1ES2NL2FR3CH2FR4FR1NL1ES1FR5SW1UK1
201220132014
17
Graphique 6 Evolutions comparées des moyennes annuelles de 13 banques européennes
entre 2006 et 2014
Source : GRA
Une plus importante part du coût du risque dans les charges des banques laisse apparaître trois enjeux :
– un possible recul du résultat net et donc de la profitabilité si le PNB stagne (ce qui est le cas sur
la période 2012-2014),
– une corrélation plus forte avec les RWA et donc la gestion du risque d’un établissement,
– une plus grande sensibilité de la profitabilité en cas de stress sur les marchés, induite par la
corrélation avec le coût du risque.
2.2.3. Décodages des RoRWA : comment interpréter ce ratio ?
Le graphique ci-dessous répartit les RoRWA des 20 banques de l’échantillon sur la période 2012-2014.
Graphique 7 Evolution du RoRWA par banque et par an entre 2012 et 2014
Source : GRA
3 banques sortent du lot : UK3, IT1 et IT2. Ce sont celles dont l’amplitude des RWA est importante en
raison de revenus avant impôt négatifs.
Est-ce qu’une profitabilité négative peut-être corrélée à une gestion des risques sous-optimale ?
En effet, si on compare, dans le tableau ci-dessous, ces 3 établissements sur la période 2012-2014, on
constate que leur RWA density moyen sur la période est supérieur à la moyenne (34%).
On constate également que la banque UK1, malgré un RWA density largement supérieur à la moyenne
entre 2012 et 2014 (43%), affiche pourtant le meilleur rapport rendement / risques sur la période. 6% 7%
23% 23%
15%
16%
15%
17%
10%
31
31
24
33
36
34
32 32 32
0
5
10
15
20
25
30
35
40
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
50%
2006 2007 2008 2009 2010 2011 2012 2013 2014
Moyenne (Coût du risque / PNB) (%) Moyenne du PNB (Md€) -4%
-2%
0%
2%
4%
UK3IT1IT2UK4DE2DE1FR2UK2CH1ES2NL2FR3CH2FR4FR1NL1ES1FR5SW1UK1
201220132014
© Global Research & Analytics Dept.| 2016 | All rights reserved
18
Tableau 5 Comparaison des indicateurs moyens des banques UK1, UK3, IT1 et IT2
Source : GRA
A RWA density quasi-équivalent, pourquoi le RoRWA varie-t-il autant ? Qu’est-ce que cela révèle
de la gestion d’une banque ?
L’analyse des RoRWA des 4 banques ci-dessus est intéressante à plusieurs titres.
Tout d’abord parce que cela permet de remettre en question un certain nombre d’idées reçues sur ce que
révèle le niveau des RWA density de la gestion et de la capacité d’une banque à dégager de la valeur.
Comme le démontre l’analyse des stress tests en 2.1, ce n’est pas tant la part de risques pris par une
banque dans son bilan qui prime que la constitution et la robustesse de son portefeuille.
On constate notamment que la banque UK3, disposant pourtant d’un RWA density moyen par rapport
à la moyenne européenne a connu les plus mauvaises performances sur la période, par rapport à d’autres
établissements, dont les RWA sont pourtant plus importants.
Pour approfondir cette analyse, il faudrait trouver un indicateur de Risk Management révélant la qualité
des actifs risqués détenus par une banque. A ce titre, le coût du risque rapporté au PNB est pertinent
d’une part car c’est un indicateur qualitatif du risque détenu par les banques ; d’autre part car rapporté
au PNB (stable sur la période) il constitue un ratio de consommation du revenu bancaire, pouvant amener
à une profitabilité négative.
A noter que les variations CoR / PNB sur la période sont largement dirigées par les variations du coût
du risque (cf. tableau ci-dessous) qui priment sur les variations du PNB.
Tableau 6 Variations comparées PNB, coût du risque entre 2012 et 2014
Graphique 8 Evolution de la part du coût du risque par rapport au PNB entre 2012 et
2014
Source : GRA
En analysant l’évolution de de ce ratio sur la période pour l’échantillon en général, et les 4 banques
identifiées en particulier (cf. graphique ci-dessus), on constate qu’à RWA density équivalents, les
banques dont le RoRWA est négatif ont un RWA density élevé combiné à une contribution du coût du Banques RoRWA moyen
RWA density
moyen
UK3 -0,96% 35%
IT1 -0,83% 48%
IT2 0,12% 47%
UK1 3,05% 43% Banques Var(PNB) Var(CoR)
UK3 7,47% -128,17%
IT1 -6,65% -54,62%
IT2 -6,28% -4,58%
UK1 -1,54% -49,51% 0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
35,00%
40,00%
45,00%
CH1CH2DE1SW1UK1UK4FR5FR4FR1FR2NL1UK2FR3DE2NL2ES1ES2UK3IT2IT1
201220132014
18
Tableau 5 Comparaison des indicateurs moyens des banques UK1, UK3, IT1 et IT2
Source : GRA
A RWA density quasi-équivalent, pourquoi le RoRWA varie-t-il autant ? Qu’est-ce que cela révèle
de la gestion d’une banque ?
L’analyse des RoRWA des 4 banques ci-dessus est intéressante à plusieurs titres.
Tout d’abord parce que cela permet de remettre en question un certain nombre d’idées reçues sur ce que
révèle le niveau des RWA density de la gestion et de la capacité d’une banque à dégager de la valeur.
Comme le démontre l’analyse des stress tests en 2.1, ce n’est pas tant la part de risques pris par une
banque dans son bilan qui prime que la constitution et la robustesse de son portefeuille.
On constate notamment que la banque UK3, disposant pourtant d’un RWA density moyen par rapport
à la moyenne européenne a connu les plus mauvaises performances sur la période, par rapport à d’autres
établissements, dont les RWA sont pourtant plus importants.
Pour approfondir cette analyse, il faudrait trouver un indicateur de Risk Management révélant la qualité
des actifs risqués détenus par une banque. A ce titre, le coût du risque rapporté au PNB est pertinent
d’une part car c’est un indicateur qualitatif du risque détenu par les banques ; d’autre part car rapporté
au PNB (stable sur la période) il constitue un ratio de consommation du revenu bancaire, pouvant amener
à une profitabilité négative.
A noter que les variations CoR / PNB sur la période sont largement dirigées par les variations du coût
du risque (cf. tableau ci-dessous) qui priment sur les variations du PNB.
Tableau 6 Variations comparées PNB, coût du risque entre 2012 et 2014
Graphique 8 Evolution de la part du coût du risque par rapport au PNB entre 2012 et
2014
Source : GRA
En analysant l’évolution de de ce ratio sur la période pour l’échantillon en général, et les 4 banques
identifiées en particulier (cf. graphique ci-dessus), on constate qu’à RWA density équivalents, les
banques dont le RoRWA est négatif ont un RWA density élevé combiné à une contribution du coût du Banques RoRWA moyen
RWA density
moyen
UK3 -0,96% 35%
IT1 -0,83% 48%
IT2 0,12% 47%
UK1 3,05% 43% Banques Var(PNB) Var(CoR)
UK3 7,47% -128,17%
IT1 -6,65% -54,62%
IT2 -6,28% -4,58%
UK1 -1,54% -49,51% 0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
35,00%
40,00%
45,00%
CH1CH2DE1SW1UK1UK4FR5FR4FR1FR2NL1UK2FR3DE2NL2ES1ES2UK3IT2IT1
201220132014
© Global Research & Analytics Dept.| 2016 | All rights reserved
19
risque au PNB très élevé (supérieur à 30%, soit largement supérieur à la moyenne annuelle de 16% sur
la période).
A contrario, on constate que la banque UK1, à RWA density équivalent, dispose d’un ratio coût du
risque / PNB moins important et moins volatile sur la période.
Ceci suggère qu’à RWA density équivalent, c’est bien les Non-Performing Loans (NPL) qui grèvent la
profitabilité d’une banque. Une autre hypothèse s’une mauvaise politique d’octroi pourrait expliquer la
volatilité du coût du risque.
Que retenir de l’analyse des RoRWA ?
Tout d’abord, l’analyse des RWA density seule ne permet pas de dresser un profil quant à la stabilité ou
à la santé d’une banque.
Cependant, à RWA density équivalent, on constate que d’autres facteurs, comme la stabilité du coût du
risque et la part du CoR par rapport au PNB, sont plus différenciants.
Il serait intéressant d’affiner l’analyse en proposant de regrouper les banques par tranche de RWA
density, type d’activités, pays etc. pour compléter l’analyse croisée profitabilité / risques.
Cette analyse prospective permet de mettre en exergue les enseignements clés suivants :
(1) Un RWA density moyen ne garantit pas nécessairement qu’une banque soit en capacité de
maitriser son risque pour générer de la valeur.
(2) A contrario, une banque prenant beaucoup de risques comparativement à la taille de son bilan
peut parvenir à rester profitable à condition de maitriser la volatilité de son coût du risque.
(3) Comme suggéré par l’analyse en 2.1, le RWA density ne révèle pas forcément l’évolution de la
qualité des actifs d’un établissement financier, qui peut aisément gréver la profitabilité d’une
banque, étant donné la part croissante du CoR dans le calcul du résultat.
(4) Enfin le coût du risque devient une composante clé, d’une part de par sa contribution croissante
dans les charges imputées au PNB, d’autre part de par sa sensibilité en période de stress.
19
risque au PNB très élevé (supérieur à 30%, soit largement supérieur à la moyenne annuelle de 16% sur
la période).
A contrario, on constate que la banque UK1, à RWA density équivalent, dispose d’un ratio coût du
risque / PNB moins important et moins volatile sur la période.
Ceci suggère qu’à RWA density équivalent, c’est bien les Non-Performing Loans (NPL) qui grèvent la
profitabilité d’une banque. Une autre hypothèse s’une mauvaise politique d’octroi pourrait expliquer la
volatilité du coût du risque.
Que retenir de l’analyse des RoRWA ?
Tout d’abord, l’analyse des RWA density seule ne permet pas de dresser un profil quant à la stabilité ou
à la santé d’une banque.
Cependant, à RWA density équivalent, on constate que d’autres facteurs, comme la stabilité du coût du
risque et la part du CoR par rapport au PNB, sont plus différenciants.
Il serait intéressant d’affiner l’analyse en proposant de regrouper les banques par tranche de RWA
density, type d’activités, pays etc. pour compléter l’analyse croisée profitabilité / risques.
Cette analyse prospective permet de mettre en exergue les enseignements clés suivants :
(1) Un RWA density moyen ne garantit pas nécessairement qu’une banque soit en capacité de
maitriser son risque pour générer de la valeur.
(2) A contrario, une banque prenant beaucoup de risques comparativement à la taille de son bilan
peut parvenir à rester profitable à condition de maitriser la volatilité de son coût du risque.
(3) Comme suggéré par l’analyse en 2.1, le RWA density ne révèle pas forcément l’évolution de la
qualité des actifs d’un établissement financier, qui peut aisément gréver la profitabilité d’une
banque, étant donné la part croissante du CoR dans le calcul du résultat.
(4) Enfin le coût du risque devient une composante clé, d’une part de par sa contribution croissante
dans les charges imputées au PNB, d’autre part de par sa sensibilité en période de stress.
© Global Research & Analytics Dept.| 2016 | All rights reserved
20
3. RWA density en théorie, position du ratio vis-à-vis d’autres indicateurs
L’analyse comparée du RWA density avec d’autres indicateurs choisis peut révéler des informations
non détectables à première vue. Le but de cette partie est de mettre en lumière les liaisons qui existent
entre le RWA density et certains ratios de mesure des risques ou de solvabilité. Cela doit notamment
permettre de conclure sur l’importance et la pertinence du RWA density.
Ces analyses comparatives ont-elles le même pouvoir explicatif qu’une analyse du ratio seul ?
Enfin, quelles interprétations et quels avantages peut-on tirer du RWA density ?
RWA density contre les mesures de risques internes ou externes
Deux mesures de risques sont comparées au RWA density dans cette section :
– tout d’abord la notation financière externe d’un établissement (indicateur externe), reflétant
la vision du risque qu’un investissement comporte, et constituant ainsi pour les investisseurs
une estimation de la solidité de l’établissement.
– puis, le ratio Coût du Risque / Total des Actifs (indicateur externe), soit le coût du risque
attendu d’un établissement suivant ses propres investissement et données internes.
3.1.1. RWA density et notation externe
A partir de l’échantillon des 20 banques européennes couvrant les années 2012 à 2014 (cf. 2.2.1), le
RWA density moyen ainsi que ses valeurs minimums et maximums sont calculés pour chaque rating
(notation S&P). Cela permet ainsi d’évaluer l’intensité de la liaison entre le RWA density et la notation
externe par note.
Graphique 9 Répartition des RWA density par notation externe entre 2012 et 2014
Source : GRA
Le graphique ci-dessus permet de mettre en exergue un lien entre le RWA density et la notation externe,
bien que la liaison ne soit pas directe à chaque rating. On note cependant que les banques dont le rating
est compris entre AA- et A- ont un RWA density moyen inférieur à 40% ; en revanche, les banques dont
le rating est supérieur ou égal BBB+ ont systématiquement des niveaux de RWA largement supérieurs
à 40%.
Ainsi et dans une certaine mesure, le RWA density peut apporter une information sur la qualité moyenne
de crédit d’un établissement. Dans notre échantillon, le RWA density permet notamment de faire la
distinction entre les établissements de qualité moyenne supérieure et inférieure. 30%
32%
28%
32%
51%
49%
48%
25%
16%
19%
24%
46%
44%
43%
33%
46%
37%
39%
56% 56%
53%
AA- A+ A A- BBB+ BBB BBB-
20
3. RWA density en théorie, position du ratio vis-à-vis d’autres indicateurs
L’analyse comparée du RWA density avec d’autres indicateurs choisis peut révéler des informations
non détectables à première vue. Le but de cette partie est de mettre en lumière les liaisons qui existent
entre le RWA density et certains ratios de mesure des risques ou de solvabilité. Cela doit notamment
permettre de conclure sur l’importance et la pertinence du RWA density.
Ces analyses comparatives ont-elles le même pouvoir explicatif qu’une analyse du ratio seul ?
Enfin, quelles interprétations et quels avantages peut-on tirer du RWA density ?
RWA density contre les mesures de risques internes ou externes
Deux mesures de risques sont comparées au RWA density dans cette section :
– tout d’abord la notation financière externe d’un établissement (indicateur externe), reflétant
la vision du risque qu’un investissement comporte, et constituant ainsi pour les investisseurs
une estimation de la solidité de l’établissement.
– puis, le ratio Coût du Risque / Total des Actifs (indicateur externe), soit le coût du risque
attendu d’un établissement suivant ses propres investissement et données internes.
3.1.1. RWA density et notation externe
A partir de l’échantillon des 20 banques européennes couvrant les années 2012 à 2014 (cf. 2.2.1), le
RWA density moyen ainsi que ses valeurs minimums et maximums sont calculés pour chaque rating
(notation S&P). Cela permet ainsi d’évaluer l’intensité de la liaison entre le RWA density et la notation
externe par note.
Graphique 9 Répartition des RWA density par notation externe entre 2012 et 2014
Source : GRA
Le graphique ci-dessus permet de mettre en exergue un lien entre le RWA density et la notation externe,
bien que la liaison ne soit pas directe à chaque rating. On note cependant que les banques dont le rating
est compris entre AA- et A- ont un RWA density moyen inférieur à 40% ; en revanche, les banques dont
le rating est supérieur ou égal BBB+ ont systématiquement des niveaux de RWA largement supérieurs
à 40%.
Ainsi et dans une certaine mesure, le RWA density peut apporter une information sur la qualité moyenne
de crédit d’un établissement. Dans notre échantillon, le RWA density permet notamment de faire la
distinction entre les établissements de qualité moyenne supérieure et inférieure. 30%
32%
28%
32%
51%
49%
48%
25%
16%
19%
24%
46%
44%
43%
33%
46%
37%
39%
56% 56%
53%
AA- A+ A A- BBB+ BBB BBB-
© Global Research & Analytics Dept.| 2016 | All rights reserved
21
Cette analyse est renforcée par la mesure du V de Cramer sur le tableau de contingence créée à partir de
l’échantillon d’étude.
Tableau 7 Contingence entre la qualité de crédit et le RWA density sur la période 2012
- 2014
Source : GRA
L’intensité de la liaison entre la notation externe et les regroupements de RWA density (inférieure ou
supérieure à 40%) est estimée à 90,2% (V de Cramer).
On peut donc conclure qu’il existe un lien important entre la qualité de crédit (déterminé d’un
point de vue externe) et les niveaux de RWA density. Il est alors cohérent de vérifier si ces relations
sont vérifiées d’un point de vue interne à l’établissement.
3.1.2. RWA density et coût du risque
Le coût du risque représente les provisions retenues par une banque pour couvrir les risques d’impayés,
soient les prêts octroyés et non remboursés. Il correspond à la différence des créances exigibles en défaut
et des sommes recouvrées.
Il s’agit donc d’une mesure directe et interne des risques de la banque. Les variations du coût du risque
sont notamment liées à la qualité des processus d’octroi (facteur interne) ou encore au contexte
économique (facteur externe).
Le but de ce paragraphe est de comparer le coût du risque avec le RWA density afin de déterminer la
capacité du RWA density à mesurer le niveau de risque interne d’un établissement.
Par souci de cohérence, le RWA density sera comparé au coût du risque rapporté au total des actifs. Les
résultats sont affichés dans les graphiques ci-dessous.
A noter que dans le graphique RWAd vs Coût du risque / TA 2014, seules 19 banques sont retenues,
contrairement aux graphiques 2012 et 2013 qui portent sur l’intégralité de l’échantillon (20 banques).
Graphique 10 Corrélations entre le RWA density et le Coût du risque / TA par an
Source : GRA
RWA density <= 40%RWA density > 40%
AA- 5 0
A+ 7 3
A 25 0
A- 8 0
BBB+ 0 3
BBB 0 6
BBB- 0 3
Qualité
moyenne
supérieure
Qualité
moyenne
inférieure y = 25,792x + 0,2263
R² = 0,7752
0%
10%
20%
30%
40%
50%
60%
0,0%0,2%0,4%0,6%0,8%1,0%1,2%1,4%
RWA d
Coût du risque / TA
RWAd vs Coût du risque / TA -2012
y = 18,185x + 0,2653
R² = 0,6617
0%
10%
20%
30%
40%
50%
60%
0,0% 0,5% 1,0% 1,5% 2,0%
RWA d
Coût du risque / TA
RWAd vs Coût du risque / TA -2013
y = 27,007x + 0,2738
R² = 0,5441
0%
10%
20%
30%
40%
50%
60%
0,0% 0,2% 0,4% 0,6% 0,8% 1,0%
RWA d
Coût du risque / TA
RWAd vs Coût du risque / TA -2014
21
Cette analyse est renforcée par la mesure du V de Cramer sur le tableau de contingence créée à partir de
l’échantillon d’étude.
Tableau 7 Contingence entre la qualité de crédit et le RWA density sur la période 2012
- 2014
Source : GRA
L’intensité de la liaison entre la notation externe et les regroupements de RWA density (inférieure ou
supérieure à 40%) est estimée à 90,2% (V de Cramer).
On peut donc conclure qu’il existe un lien important entre la qualité de crédit (déterminé d’un
point de vue externe) et les niveaux de RWA density. Il est alors cohérent de vérifier si ces relations
sont vérifiées d’un point de vue interne à l’établissement.
3.1.2. RWA density et coût du risque
Le coût du risque représente les provisions retenues par une banque pour couvrir les risques d’impayés,
soient les prêts octroyés et non remboursés. Il correspond à la différence des créances exigibles en défaut
et des sommes recouvrées.
Il s’agit donc d’une mesure directe et interne des risques de la banque. Les variations du coût du risque
sont notamment liées à la qualité des processus d’octroi (facteur interne) ou encore au contexte
économique (facteur externe).
Le but de ce paragraphe est de comparer le coût du risque avec le RWA density afin de déterminer la
capacité du RWA density à mesurer le niveau de risque interne d’un établissement.
Par souci de cohérence, le RWA density sera comparé au coût du risque rapporté au total des actifs. Les
résultats sont affichés dans les graphiques ci-dessous.
A noter que dans le graphique RWAd vs Coût du risque / TA 2014, seules 19 banques sont retenues,
contrairement aux graphiques 2012 et 2013 qui portent sur l’intégralité de l’échantillon (20 banques).
Graphique 10 Corrélations entre le RWA density et le Coût du risque / TA par an
Source : GRA
RWA density <= 40%RWA density > 40%
AA- 5 0
A+ 7 3
A 25 0
A- 8 0
BBB+ 0 3
BBB 0 6
BBB- 0 3
Qualité
moyenne
supérieure
Qualité
moyenne
inférieure y = 25,792x + 0,2263
R² = 0,7752
0%
10%
20%
30%
40%
50%
60%
0,0%0,2%0,4%0,6%0,8%1,0%1,2%1,4%
RWA d
Coût du risque / TA
RWAd vs Coût du risque / TA -2012
y = 18,185x + 0,2653
R² = 0,6617
0%
10%
20%
30%
40%
50%
60%
0,0% 0,5% 1,0% 1,5% 2,0%
RWA d
Coût du risque / TA
RWAd vs Coût du risque / TA -2013
y = 27,007x + 0,2738
R² = 0,5441
0%
10%
20%
30%
40%
50%
60%
0,0% 0,2% 0,4% 0,6% 0,8% 1,0%
RWA d
Coût du risque / TA
RWAd vs Coût du risque / TA -2014
© Global Research & Analytics Dept.| 2016 | All rights reserved
22
On constate qu’indépendamment de l’année, le RWA density est fortement corrélée avec le ratio Coût
du risque / TA; avec des coefficients de corrélation dépassant les 74%. Il existe donc un lien entre ces
deux ratios, il est donc cohérent d’assimiler le RWA density à une mesure capable d’estimer les risques
internes. Cette conclusion est d’autant plus naturelle que le numérateur (les RWA) est généralement
évalué à partir des paramètres de risques internes (PD/LGD/CCF).
Cependant, on note que l’intensité de la liaison diminue au fur et à mesure des années. Cela signifie que
de nouveaux paramètres sont pris en compte dans la mesure du coût du risque et que ceux-ci ne sont pas
reflétés dans le calcul du RWA density.
De la comparaison du RWA density avec la qualité de crédit ou le coût du risque d’un établissement,
ressort l’avantage du RWA density qui est d’être un outil global et synthétique de la mesure des risques
que ce soit d’un point de vue interne ou externe. Cependant étant donné le côté synthétique de
l’indicateur, tous les critères de risque ne sont pas captés et par conséquent celui-ci peut perdre en
précision ou information.
RWA density – Ratio de solvabilité, à qui se fier ?
Les banques se doivent d’être en permanence solvables en respectant les ratios de solvabilité imposés
par le régulateur. Ce ratio atteste de la solidité d’une banque et surtout de sa capacité à faire face à ses
engagements à tout moment.
Dans une optique de comparaison des banques, à quels ratios faut-il se fier : le ratio de solvabilité ou le
RWA density ?
Graphique 11 Comparaison Ratio de Solvaibilité vs. RWA density par banque en 2013
Source : rapports annuels
Le graphique ci-dessus compare le RWA density au ratio de solvabilité pour chaque banque, en 2013.
Premièrement, on remarque instantanément que les hiérarchisations ne sont pas respectées. En effet,
après avoir trié par ordre décroissant de RWA density, les ratios de solvabilité les plus faibles ne sont
pas forcément associés aux RWA density les plus importants.
Deuxièmement, on constate que l’ensemble des ratios de solvabilité observés sont sujets à moins de
variations que les valeurs de RWA density.
Les ratios de solvabilité sont compris entre [11,7%; 20,8%] soit un écart de 9,1% et un écart type de
2,8% alors que les niveaux de RWA density varient entre [18,6%; 55,6%] soit un écart de 36,9% et un
écart type de 9,8%.
Troisièmement, il en ressort que le RWA density permet de hiérarchiser plus distinctement les banques.
Qui plus est, contrairement au ratio de solvabilité, il permet de faire ressortir les banques en situation
économique défavorable (IT1, IT2, ES1, ES2, UK1).
Les variations étant plus distinctes dans l’étude du RWA density, cet indicateur est donc un
meilleur indicateur de risque systémique que le ratio de solvabilité et reflète mieux la réalité.
En conclusion, les deux ratios amènent à des conclusions différentes.
– L’avantage du RWA density vis-à-vis du ratio de solvabilité est d’apporter une indication
globale des expositions aux risques du portefeuille. 19%
12%
15%
16%
20%
16%
21%
20%
21%
16%
14%
13%
13%
19%
17%
18%
15%
14%
15%
13%
19%
23%
26% 26%
27%
28%
31% 31% 31% 32%
33% 33%
35% 35%
38%
41%
44%
50%
53%
56%
DE1 CH1 FR3 NL1 UK2 FR2 UK4 NL2 CH2 FR5 FR4 SW1 FR1 DE2 UK3 UK1 IT2 IT1 ES1 ES2
Ratio de solvabilitéRWA-d
22
On constate qu’indépendamment de l’année, le RWA density est fortement corrélée avec le ratio Coût
du risque / TA; avec des coefficients de corrélation dépassant les 74%. Il existe donc un lien entre ces
deux ratios, il est donc cohérent d’assimiler le RWA density à une mesure capable d’estimer les risques
internes. Cette conclusion est d’autant plus naturelle que le numérateur (les RWA) est généralement
évalué à partir des paramètres de risques internes (PD/LGD/CCF).
Cependant, on note que l’intensité de la liaison diminue au fur et à mesure des années. Cela signifie que
de nouveaux paramètres sont pris en compte dans la mesure du coût du risque et que ceux-ci ne sont pas
reflétés dans le calcul du RWA density.
De la comparaison du RWA density avec la qualité de crédit ou le coût du risque d’un établissement,
ressort l’avantage du RWA density qui est d’être un outil global et synthétique de la mesure des risques
que ce soit d’un point de vue interne ou externe. Cependant étant donné le côté synthétique de
l’indicateur, tous les critères de risque ne sont pas captés et par conséquent celui-ci peut perdre en
précision ou information.
RWA density – Ratio de solvabilité, à qui se fier ?
Les banques se doivent d’être en permanence solvables en respectant les ratios de solvabilité imposés
par le régulateur. Ce ratio atteste de la solidité d’une banque et surtout de sa capacité à faire face à ses
engagements à tout moment.
Dans une optique de comparaison des banques, à quels ratios faut-il se fier : le ratio de solvabilité ou le
RWA density ?
Graphique 11 Comparaison Ratio de Solvaibilité vs. RWA density par banque en 2013
Source : rapports annuels
Le graphique ci-dessus compare le RWA density au ratio de solvabilité pour chaque banque, en 2013.
Premièrement, on remarque instantanément que les hiérarchisations ne sont pas respectées. En effet,
après avoir trié par ordre décroissant de RWA density, les ratios de solvabilité les plus faibles ne sont
pas forcément associés aux RWA density les plus importants.
Deuxièmement, on constate que l’ensemble des ratios de solvabilité observés sont sujets à moins de
variations que les valeurs de RWA density.
Les ratios de solvabilité sont compris entre [11,7%; 20,8%] soit un écart de 9,1% et un écart type de
2,8% alors que les niveaux de RWA density varient entre [18,6%; 55,6%] soit un écart de 36,9% et un
écart type de 9,8%.
Troisièmement, il en ressort que le RWA density permet de hiérarchiser plus distinctement les banques.
Qui plus est, contrairement au ratio de solvabilité, il permet de faire ressortir les banques en situation
économique défavorable (IT1, IT2, ES1, ES2, UK1).
Les variations étant plus distinctes dans l’étude du RWA density, cet indicateur est donc un
meilleur indicateur de risque systémique que le ratio de solvabilité et reflète mieux la réalité.
En conclusion, les deux ratios amènent à des conclusions différentes.
– L’avantage du RWA density vis-à-vis du ratio de solvabilité est d’apporter une indication
globale des expositions aux risques du portefeuille. 19%
12%
15%
16%
20%
16%
21%
20%
21%
16%
14%
13%
13%
19%
17%
18%
15%
14%
15%
13%
19%
23%
26% 26%
27%
28%
31% 31% 31% 32%
33% 33%
35% 35%
38%
41%
44%
50%
53%
56%
DE1 CH1 FR3 NL1 UK2 FR2 UK4 NL2 CH2 FR5 FR4 SW1 FR1 DE2 UK3 UK1 IT2 IT1 ES1 ES2
Ratio de solvabilitéRWA-d
© Global Research & Analytics Dept.| 2016 | All rights reserved
23
– A contrario, le ratio de solvabilité reste un indicateur de solidité financière, apportant peu
d’informations sur la gestion des risques.
Raisonner seulement sur la base du ratio de solvabilité n’est pas suffisant. Il faut renforcer ses
conclusions à l’aide du RWA density, qui fournit une meilleure compréhension de la réglementation et
de l’évolution des risques. En effet, l’avantage de ce ratio est de proposer des valeurs comparables, dont
les variations sont amplifiées par rapport aux RWA bruts, ce qui reflète nettement la politique de gestion
des risques des banques.
RWA density – les conclusions à tirer
Par nature la composition des RWA est complexe, en conséquence l’utilisation du RWA density comme
outil de comparaison peut mener à des incohérences. Cependant il s’avère que malgré quelques
inconsistances, ce ratio est une mesure de risques acceptable comme peuvent le montrer les liaisons avec
d’autres indicateurs de risques.
Pour rendre la comparaison la plus pertinente et efficace possible, il conviendrait de prendre en compte
un maximum de critères de segmentation tel que : le type d’activité, la méthode de calcul des RWA
(standard, IRB), la zone géographique, etc.
A l’heure actuelle, le comité de Bâle cherche à uniformiser les pratiques de calcul de RWA afin d’éviter
les variations d’une banque à l’autre, dues à des pratiques d’évaluation ou de supervision des risques
différentes. Ce constat est renforcé par le graphique ci-dessous qui montre la volatilité observée dans la
distribution des RWA density. Bien qu’une partie des écarts soit liée aux critères de segmentations cités
ci-dessus, le restant s’explique par des politiques différentes de gestion des risques.
Graphique 12 Volatilité du RWA density par rapport à une valeur forfaitaire de 30%
(année 2013)
Source : GRA
Une uniformisation des pratiques de place d’envergure rendrait le RWA density plus pertinent car moins
sujet à l’interprétation des banques. Ainsi les variations de RWA density seraient exclusivement liées à
la nature de leurs actifs détenus, soit la vraie nature de leurs risques encourus.
Contrairement au ratio de solvabilité, qui est scruté par les investisseurs et que les banques peinent à
augmenter, le RWA density apparaît comme un indicateur sensible au contexte économique et capable
d’expliquer le niveau d’exposition aux risques d’une banque vis-à-vis de ses investissements.
-11,4%
-7,4%
-4,5%-3,9%-3,0%
-2,0%
1,2%1,3%1,4%1,9%
2,9%3,2%
4,6%4,7%
7,5%
10,9%
14,1%
20,1%
22,5%
25,6%
DE1CH1FR3NL1UK2FR2UK4NL2CH2FR5FR4SW1FR1DE2UK3UK1IT2IT1ES1ES2
23
– A contrario, le ratio de solvabilité reste un indicateur de solidité financière, apportant peu
d’informations sur la gestion des risques.
Raisonner seulement sur la base du ratio de solvabilité n’est pas suffisant. Il faut renforcer ses
conclusions à l’aide du RWA density, qui fournit une meilleure compréhension de la réglementation et
de l’évolution des risques. En effet, l’avantage de ce ratio est de proposer des valeurs comparables, dont
les variations sont amplifiées par rapport aux RWA bruts, ce qui reflète nettement la politique de gestion
des risques des banques.
RWA density – les conclusions à tirer
Par nature la composition des RWA est complexe, en conséquence l’utilisation du RWA density comme
outil de comparaison peut mener à des incohérences. Cependant il s’avère que malgré quelques
inconsistances, ce ratio est une mesure de risques acceptable comme peuvent le montrer les liaisons avec
d’autres indicateurs de risques.
Pour rendre la comparaison la plus pertinente et efficace possible, il conviendrait de prendre en compte
un maximum de critères de segmentation tel que : le type d’activité, la méthode de calcul des RWA
(standard, IRB), la zone géographique, etc.
A l’heure actuelle, le comité de Bâle cherche à uniformiser les pratiques de calcul de RWA afin d’éviter
les variations d’une banque à l’autre, dues à des pratiques d’évaluation ou de supervision des risques
différentes. Ce constat est renforcé par le graphique ci-dessous qui montre la volatilité observée dans la
distribution des RWA density. Bien qu’une partie des écarts soit liée aux critères de segmentations cités
ci-dessus, le restant s’explique par des politiques différentes de gestion des risques.
Graphique 12 Volatilité du RWA density par rapport à une valeur forfaitaire de 30%
(année 2013)
Source : GRA
Une uniformisation des pratiques de place d’envergure rendrait le RWA density plus pertinent car moins
sujet à l’interprétation des banques. Ainsi les variations de RWA density seraient exclusivement liées à
la nature de leurs actifs détenus, soit la vraie nature de leurs risques encourus.
Contrairement au ratio de solvabilité, qui est scruté par les investisseurs et que les banques peinent à
augmenter, le RWA density apparaît comme un indicateur sensible au contexte économique et capable
d’expliquer le niveau d’exposition aux risques d’une banque vis-à-vis de ses investissements.
-11,4%
-7,4%
-4,5%-3,9%-3,0%
-2,0%
1,2%1,3%1,4%1,9%
2,9%3,2%
4,6%4,7%
7,5%
10,9%
14,1%
20,1%
22,5%
25,6%
DE1CH1FR3NL1UK2FR2UK4NL2CH2FR5FR4SW1FR1DE2UK3UK1IT2IT1ES1ES2
© Global Research & Analytics Dept.| 2016 | All rights reserved
24
4. Les RWA density mis en pratique : distribution et clés de lecture
Après avoir abordé les aspects théoriques du ratio et la pertinence de son analyse croisée avec d’autres
ratios clés, il s’agit désormais d’en analyser la performance et l’apport analytique sur l’échantillon
choisi.
Méthodologie et partis pris
Pour cette analyse, le périmètre est circonscrit au même échantillon que celui déjà détaillé plus haut.
Pour mémoire, ce dernier est limité à la zone euro pour des raisons de pertinence dans les comparaisons
et d’homogénéité des normes prudentielles et comptables.
En préambule, seront présentés les limites et éléments préalables. L’analyse commence par la
description des distributions annuelles et cumulées des RWA density des banques de l’échantillon sur
la période 2012 à 2014 par tranche. Cette première étude permettra de mettre en exergue les mouvements
généraux et les éventuels regroupements au sein de l’échantillon.
Une analyse plus approfondie permettra d’ajuster l’étude en distinguant des groupes et sous-groupes au
sein de l’échantillon, présentant des comportements similaires sur la période.
Enfin, l’analyse des comportements (variations et évolutions) des banques sur la période permettra de
mettre en évidence l’influence des facteurs de dépendance sur les variations de certaines banques en
fonction de leur business model, de leur activité, de leur nationalité etc.
Préalable à l’analyse
Les préalables à l’analyse sont indispensables pour appréhender les forces et les faiblesses
fondamentales du ratio avant d’en approfondir l’étude.
Par ailleurs, l’avantage majeur de l’étude des RWA réside dans sa granularité. Ainsi l’indicateur se prête
aussi bien à une macroanalyse des RWA totaux consolidés par établissement qu’à une analyse plus fine
par type de RWA, contreparties, expositions, pays etc. Cette granularité illustre la diversification des
risques d’un établissement donné et permet également d’affiner la compréhension des variations
observées sur ses RWA totaux dans le temps.
4.2.1. Les RWA crédit, driver de la variation des RWA totaux
Le but de ce paragraphe est d’étudier la sensibilité de la variation des RWA totaux vis-à-vis de leur
décomposition.
On s’intéresse dans cette section au premier niveau de décomposition présentée en paragraphe 1.1, il
s’agit de la répartition des RWA opérationnel, marché et crédit dans les banques.
La répartition moyenne des banques par année de ces RWA est présentée ci-dessous. On notera
cependant que le total des parts de chaque RWA est égal à 97%, la catégorie RWAautres n’étant prise en
compte ni dans ce graphique, ni dans cet article. La part des RWAautres a augmenté de 1% à 3% entre
2012 et 2013 et est resté stable à 3% depuis 2013.
Graphique 13 Décomposition en moyenne des RWA par année
Source : GRA
80%
12%
7%
78%
13%
6%
78%
12%
7%
RWA crédit - %
total
RWA opérationnel
- % total
RWA marché - %
total
RWA crédit - %
total
RWA opérationnel
- % total
RWA marché - %
total
RWA crédit - %
total
RWA opérationnel
- % total
RWA marché - %
total
2012 2013 2014
Décomposition en moyenne des RWA des banques -par année
24
4. Les RWA density mis en pratique : distribution et clés de lecture
Après avoir abordé les aspects théoriques du ratio et la pertinence de son analyse croisée avec d’autres
ratios clés, il s’agit désormais d’en analyser la performance et l’apport analytique sur l’échantillon
choisi.
Méthodologie et partis pris
Pour cette analyse, le périmètre est circonscrit au même échantillon que celui déjà détaillé plus haut.
Pour mémoire, ce dernier est limité à la zone euro pour des raisons de pertinence dans les comparaisons
et d’homogénéité des normes prudentielles et comptables.
En préambule, seront présentés les limites et éléments préalables. L’analyse commence par la
description des distributions annuelles et cumulées des RWA density des banques de l’échantillon sur
la période 2012 à 2014 par tranche. Cette première étude permettra de mettre en exergue les mouvements
généraux et les éventuels regroupements au sein de l’échantillon.
Une analyse plus approfondie permettra d’ajuster l’étude en distinguant des groupes et sous-groupes au
sein de l’échantillon, présentant des comportements similaires sur la période.
Enfin, l’analyse des comportements (variations et évolutions) des banques sur la période permettra de
mettre en évidence l’influence des facteurs de dépendance sur les variations de certaines banques en
fonction de leur business model, de leur activité, de leur nationalité etc.
Préalable à l’analyse
Les préalables à l’analyse sont indispensables pour appréhender les forces et les faiblesses
fondamentales du ratio avant d’en approfondir l’étude.
Par ailleurs, l’avantage majeur de l’étude des RWA réside dans sa granularité. Ainsi l’indicateur se prête
aussi bien à une macroanalyse des RWA totaux consolidés par établissement qu’à une analyse plus fine
par type de RWA, contreparties, expositions, pays etc. Cette granularité illustre la diversification des
risques d’un établissement donné et permet également d’affiner la compréhension des variations
observées sur ses RWA totaux dans le temps.
4.2.1. Les RWA crédit, driver de la variation des RWA totaux
Le but de ce paragraphe est d’étudier la sensibilité de la variation des RWA totaux vis-à-vis de leur
décomposition.
On s’intéresse dans cette section au premier niveau de décomposition présentée en paragraphe 1.1, il
s’agit de la répartition des RWA opérationnel, marché et crédit dans les banques.
La répartition moyenne des banques par année de ces RWA est présentée ci-dessous. On notera
cependant que le total des parts de chaque RWA est égal à 97%, la catégorie RWAautres n’étant prise en
compte ni dans ce graphique, ni dans cet article. La part des RWAautres a augmenté de 1% à 3% entre
2012 et 2013 et est resté stable à 3% depuis 2013.
Graphique 13 Décomposition en moyenne des RWA par année
Source : GRA
80%
12%
7%
78%
13%
6%
78%
12%
7%
RWA crédit - %
total
RWA opérationnel
- % total
RWA marché - %
total
RWA crédit - %
total
RWA opérationnel
- % total
RWA marché - %
total
RWA crédit - %
total
RWA opérationnel
- % total
RWA marché - %
total
2012 2013 2014
Décomposition en moyenne des RWA des banques -par année
© Global Research & Analytics Dept.| 2016 | All rights reserved
25
Graphique 14 Moyenne des RWA density par année
Source : GRA
En premier lieu, on constate que les niveaux moyens de RWA sont stables sur les années 2012, 2013 et
2014. On peut donc s’attendre à ce que ces proportions ne varient que très peu dans le temps à moins de
changements drastiques dans le fonctionnement des banques et de l’économie.
En second lieu, il apparaît que le niveau des RWA crédit est le plus représentatif des RWA totaux. En
effet avec une proportion proche des 80% sur la période, on peut anticiper que les variations de RWA
density seront majoritairement dirigées par les variations de RWA crédit.
Ce postulat est validé par l’observation de la décomposition et de la variation des RWA density crédit /
marché et opérationnel par banque et type d’activité, présentée ci-dessous.
Graphique 15 Evolutions annuelles des composantes du RWA par banque sur la
période
Source : GRA
Comme observé précédemment, quelle que soit la banque, son type d’activité ou sa localisation
géographique, les niveaux de RWA opérationnel et marché sont stables sur la période de 2012 à 2014.
Ceci, combiné à la faible part de RWA marché dans les RWA totaux, renforce l’affirmation selon
laquelle les RWA marché ne sont pas un driver de la variation des RWA inter et intra banques.
En dernier lieu, les banques ayant une activité retail moins importante (contribution au PNB < 40%) ont
en majorité un RWA density total moindre de par leurs expositions plus limitées aux risques de crédit
et surtout à leur non-compensation par d’autres risques plus élevés.
Il faut donc comprendre que, quelle que soit l’activité des banques, le niveau de RWA crédit prime
et dirige le niveau de RWA total. Toutefois, bien que les RWA marché soient moins importants en
volume, leurs variations relatives par rapport au RWA density sont non négligeables comme le montre
le graphique ci-dessous. 26,8%
3,8%
2,1%
27,2%
4,1%
2,1%
27,4%
4,1%
2,2%
RWA credit densityRWA operationnal
density
RWA market
density
RWA credit densityRWA operationnal
density
RWA market
density
RWA credit densityRWA operationnal
density
RWA market
density
2012 2013 2014 0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
50%
2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014
CH1 CH2 DE1 FR2 UK2 UK3 DE2 FR1 FR3 IT1 NL2 SW1 UK1 UK4 ES1 ES2 FR4 FR5 IT2 NL1
1) Retail <40% du PNB 2) Retail 40%-60% du PNB 3) Retail > 60% du PNB
Decomposition de la RWA density par banque et type d'activité -2012 à 2014
RWA density - credit RWA density - market RWA density - Operationnal
25
Graphique 14 Moyenne des RWA density par année
Source : GRA
En premier lieu, on constate que les niveaux moyens de RWA sont stables sur les années 2012, 2013 et
2014. On peut donc s’attendre à ce que ces proportions ne varient que très peu dans le temps à moins de
changements drastiques dans le fonctionnement des banques et de l’économie.
En second lieu, il apparaît que le niveau des RWA crédit est le plus représentatif des RWA totaux. En
effet avec une proportion proche des 80% sur la période, on peut anticiper que les variations de RWA
density seront majoritairement dirigées par les variations de RWA crédit.
Ce postulat est validé par l’observation de la décomposition et de la variation des RWA density crédit /
marché et opérationnel par banque et type d’activité, présentée ci-dessous.
Graphique 15 Evolutions annuelles des composantes du RWA par banque sur la
période
Source : GRA
Comme observé précédemment, quelle que soit la banque, son type d’activité ou sa localisation
géographique, les niveaux de RWA opérationnel et marché sont stables sur la période de 2012 à 2014.
Ceci, combiné à la faible part de RWA marché dans les RWA totaux, renforce l’affirmation selon
laquelle les RWA marché ne sont pas un driver de la variation des RWA inter et intra banques.
En dernier lieu, les banques ayant une activité retail moins importante (contribution au PNB < 40%) ont
en majorité un RWA density total moindre de par leurs expositions plus limitées aux risques de crédit
et surtout à leur non-compensation par d’autres risques plus élevés.
Il faut donc comprendre que, quelle que soit l’activité des banques, le niveau de RWA crédit prime
et dirige le niveau de RWA total. Toutefois, bien que les RWA marché soient moins importants en
volume, leurs variations relatives par rapport au RWA density sont non négligeables comme le montre
le graphique ci-dessous. 26,8%
3,8%
2,1%
27,2%
4,1%
2,1%
27,4%
4,1%
2,2%
RWA credit densityRWA operationnal
density
RWA market
density
RWA credit densityRWA operationnal
density
RWA market
density
RWA credit densityRWA operationnal
density
RWA market
density
2012 2013 2014 0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
50%
2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014 2012 2013 2014
CH1 CH2 DE1 FR2 UK2 UK3 DE2 FR1 FR3 IT1 NL2 SW1 UK1 UK4 ES1 ES2 FR4 FR5 IT2 NL1
1) Retail <40% du PNB 2) Retail 40%-60% du PNB 3) Retail > 60% du PNB
Decomposition de la RWA density par banque et type d'activité -2012 à 2014
RWA density - credit RWA density - market RWA density - Operationnal
© Global Research & Analytics Dept.| 2016 | All rights reserved
26
Graphique 16 Variation moyenne des RWA density entre 2012 et 2013 puis 2013 et
2014
Source : GRA
4.2.2. Les limites de l’analyse comparative des RWA density des banques
Avant d’aborder l’analyse comparative de l’évolution des RWA density au sein des banques, il est
important de considérer deux points :
– Les « zones grises » pouvant limiter l’étude des variations ;
– Les facteurs de dépendance pouvant influencer les variations et donc biaiser les analyses
comparatives par exemple entre deux banques de pays ne présentant pas les mêmes règles
comptables ou conjoncture économique.
Les “zones grises”
Les « zones grises » sont définies dans cet article comme des composantes dont la prise en compte est
inexistante ou discutable. De ce fait, une zone grise constitue une faiblesse du ratio.
Les défauts dans la construction du ratio : un numérateur et un dénominateur non alignés
La première zone grise concerne le dénominateur. Comme décrit en paragraphe 1.2.3, le dénominateur
comprend seulement les actifs du bilan.
Or les exigences en fonds propres au titre des RWAcrédit sont directement impactées par des expositions
hors bilan non prises en compte dans le dénominateur du ratio.
Un ajustement de la définition a été proposé pour corriger ce point (Bruno, Nocera et Resti, 2014). Il
s’agit de l’indicateur RWAEAD. Il est défini, pour une année a, comme :
??????????????????�??????� (??????)=
??????????????????
���?????�(??????)
�??????�
���?????�(??????)
Ce ratio ajusté permet de rapporter (au numérateur) un risque correspondant à une exposition prise en
compte sans « zone grise » (au dénominateur).
Le RWAEAD se concentre stratégiquement sur les risques et les expositions crédit, qui constituent près
de 80% des RWA au niveau européen et sont le principal vecteur de variation des RWA consolidés.
Les composantes du ratio
S’agissant d’un indicateur synthétique, il est logique que le RWA density ne puisse couvrir tous les axes
de pilotage d’un établissement. En effet il s’attache à expliciter la capacité d’une banque à gérer
l’équilibre entre son bilan (Balance-Sheet management) et la part des risques pondérés et inhérents à ces
actifs (Risk Management).
En revanche, le RWA density ne prend pas en compte de composantes de liquidité ou de profitabilité,
deux axes de pilotage particulièrement pertinents pour les banques à l’heure actuelle.
3%
1%
9%
6%
9%
-2%
2012-2013 2013-2014
RWA(Crédit) densityRWA(Marché) densityRWA(Opérationnel) density
26
Graphique 16 Variation moyenne des RWA density entre 2012 et 2013 puis 2013 et
2014
Source : GRA
4.2.2. Les limites de l’analyse comparative des RWA density des banques
Avant d’aborder l’analyse comparative de l’évolution des RWA density au sein des banques, il est
important de considérer deux points :
– Les « zones grises » pouvant limiter l’étude des variations ;
– Les facteurs de dépendance pouvant influencer les variations et donc biaiser les analyses
comparatives par exemple entre deux banques de pays ne présentant pas les mêmes règles
comptables ou conjoncture économique.
Les “zones grises”
Les « zones grises » sont définies dans cet article comme des composantes dont la prise en compte est
inexistante ou discutable. De ce fait, une zone grise constitue une faiblesse du ratio.
Les défauts dans la construction du ratio : un numérateur et un dénominateur non alignés
La première zone grise concerne le dénominateur. Comme décrit en paragraphe 1.2.3, le dénominateur
comprend seulement les actifs du bilan.
Or les exigences en fonds propres au titre des RWAcrédit sont directement impactées par des expositions
hors bilan non prises en compte dans le dénominateur du ratio.
Un ajustement de la définition a été proposé pour corriger ce point (Bruno, Nocera et Resti, 2014). Il
s’agit de l’indicateur RWAEAD. Il est défini, pour une année a, comme :
??????????????????�??????� (??????)=
??????????????????
���?????�(??????)
�??????�
���?????�(??????)
Ce ratio ajusté permet de rapporter (au numérateur) un risque correspondant à une exposition prise en
compte sans « zone grise » (au dénominateur).
Le RWAEAD se concentre stratégiquement sur les risques et les expositions crédit, qui constituent près
de 80% des RWA au niveau européen et sont le principal vecteur de variation des RWA consolidés.
Les composantes du ratio
S’agissant d’un indicateur synthétique, il est logique que le RWA density ne puisse couvrir tous les axes
de pilotage d’un établissement. En effet il s’attache à expliciter la capacité d’une banque à gérer
l’équilibre entre son bilan (Balance-Sheet management) et la part des risques pondérés et inhérents à ces
actifs (Risk Management).
En revanche, le RWA density ne prend pas en compte de composantes de liquidité ou de profitabilité,
deux axes de pilotage particulièrement pertinents pour les banques à l’heure actuelle.
3%
1%
9%
6%
9%
-2%
2012-2013 2013-2014
RWA(Crédit) densityRWA(Marché) densityRWA(Opérationnel) density
© Global Research & Analytics Dept.| 2016 | All rights reserved
27
Les facteurs de dépendance
Une étude menée
3
sur les données historiques de 50 banques européennes entre 2008 et 2012 a permis
de démontrer que les facteurs suscités sont les facteurs présentant le plus de corrélation aux RWA
density sur cette période.
Ces facteurs de dépendance sont exposés de façon synthétique et non exhaustive ci-dessous.
Les facteurs internes de dépendance liés
– au business model dont la taille du bilan de la banque, la composition des actifs et les stratégies
de gestion d’actifs (e.g. deleveraging)
– à l’activité : part du chiffre d’affaires dépendant de l’activité retail, dépendance au marché
national
– à la méthodologie de calcul utilisé pour calculer les RWA : méthodes standard ou internes
Les facteurs externes ou idiosyncratiques de dépendance, soient :
– des facteurs prudentiels : impactant la valorisation comptable des actifs bilan / hors bilan
(dénominateur) ou la méthodologie de calcul des RWA (numérateur)
– des facteurs contextuels ou macro-économiques : tels les impacts de la conjoncture
économique (identifiée par le biais de l’analyse des variations de PNB y-o-y) ou de crise
nationale impactant les activités bancaires (e.g. crise de la dette souveraine impactant les
banques italiennes et espagnoles)
3
Bruno, Nocera, Resti (2014) The credibility of European banks’ risk-weighted capital : structural differences or
national segmentations, European Banking Authority
27
Les facteurs de dépendance
Une étude menée
3
sur les données historiques de 50 banques européennes entre 2008 et 2012 a permis
de démontrer que les facteurs suscités sont les facteurs présentant le plus de corrélation aux RWA
density sur cette période.
Ces facteurs de dépendance sont exposés de façon synthétique et non exhaustive ci-dessous.
Les facteurs internes de dépendance liés
– au business model dont la taille du bilan de la banque, la composition des actifs et les stratégies
de gestion d’actifs (e.g. deleveraging)
– à l’activité : part du chiffre d’affaires dépendant de l’activité retail, dépendance au marché
national
– à la méthodologie de calcul utilisé pour calculer les RWA : méthodes standard ou internes
Les facteurs externes ou idiosyncratiques de dépendance, soient :
– des facteurs prudentiels : impactant la valorisation comptable des actifs bilan / hors bilan
(dénominateur) ou la méthodologie de calcul des RWA (numérateur)
– des facteurs contextuels ou macro-économiques : tels les impacts de la conjoncture
économique (identifiée par le biais de l’analyse des variations de PNB y-o-y) ou de crise
nationale impactant les activités bancaires (e.g. crise de la dette souveraine impactant les
banques italiennes et espagnoles)
3
Bruno, Nocera, Resti (2014) The credibility of European banks’ risk-weighted capital : structural differences or
national segmentations, European Banking Authority
© Global Research & Analytics Dept.| 2016 | All rights reserved
28
Analyse de la distribution historique des RWA density : les premiers
enseignements
L’analyse préliminaire s’attache à décrire la distribution des banques au sein de l’échantillon sur la
période 2012-2014 étudiée, tout en mettant en évidence un premier axe de distinction : le type d’activité.
4.3.1. Analyse préliminaire : comment se répartit l’échantillon sur la période ?
Distribution 2012
On constate que l’échantillon est réparti autour
de la tranche 25-30%. Un groupe secondaire (5
banques) est réparti sur les tranches supérieures
à 40%.
L’amplitude
4
de l’échantillon est de 39%. Le
RWA density moyen est de 32,7%.
Distribution 2013
La tendance est haussière par rapport à 2012.
On constate une migration des banques dans les
tranches les plus élevées (30%-35%).
L’amplitude diminue à 37% et le RWA density
moyen augmente à 34,5%.
Distribution 2014
La tendance haussière s’infléchit. Les tranches
extrêmes se vident, confirmant les
mouvements vers les tranches intérieures
(25%-35% notamment).
L’amplitude diminue à 35%. Le RWA density
moyen augmente à 35%.
Distribution cumulée 2012 – 2014
Les RWA density ont varié à la hausse en
moyenne de 10,10%
5
de 2012 à 2014.
L’année 2013 a plus fortement contribué à cette
hausse (7,09%) que l’année 2014 qui marque
un ralentissement de la hausse au global
(2,95%). La moyenne des RWA density des 20
banques sur la période est de 34%.
L’analyse du graphique ci-dessus met en évidence que la distribution cumulée est proche de celle de
2014. Après une baisse généralisée au sein des banques européennes du RWA density entre 20008 et
2012 (Bruno, Nocera, Resti, 2014), cette tendance s’inverse en 2012-2013, semblant toutefois ralentir
en 2014.
4
Différence entre les extrema (maximum - minimum) de l’échantillon
5
Il s’agit ici de la moyenne des variations calculées comme suit : pour chaque banque, est calculée la variation des RWA
density (2012-2014) en % du RWA density (2012). Puis est calculée la moyenne de toutes les variations des banques de
l’échantillon. 1
4
6
3
1
2
1
2
0%-20%20%-25%25%-30%30%-35%35%-40%40%-45%45%-50%50%-60%
RWA density -distribution -2012
1 1
4
8
1
2
0
3
0%-20%20%-25%25%-30%30%-35%35%-40%40%-45%45%-50%50%-60%
RWA density -distribution -2013
0
2
5
6
2 2 2
1
0%-20%20%-25%25%-30%30%-35%35%-40%40%-45%45%-50%50%-60%
RWA density -distribution -2014
2
7
15
17
4
6
3
6
0%-20%20%-25%25%-30%30%-35%35%-40%40%-45%45%-50%50%-60%
RWA density -distribution -Total
Graphique 17 Distribution annuelle et
cumulée des RWA density
28
Analyse de la distribution historique des RWA density : les premiers
enseignements
L’analyse préliminaire s’attache à décrire la distribution des banques au sein de l’échantillon sur la
période 2012-2014 étudiée, tout en mettant en évidence un premier axe de distinction : le type d’activité.
4.3.1. Analyse préliminaire : comment se répartit l’échantillon sur la période ?
Distribution 2012
On constate que l’échantillon est réparti autour
de la tranche 25-30%. Un groupe secondaire (5
banques) est réparti sur les tranches supérieures
à 40%.
L’amplitude
4
de l’échantillon est de 39%. Le
RWA density moyen est de 32,7%.
Distribution 2013
La tendance est haussière par rapport à 2012.
On constate une migration des banques dans les
tranches les plus élevées (30%-35%).
L’amplitude diminue à 37% et le RWA density
moyen augmente à 34,5%.
Distribution 2014
La tendance haussière s’infléchit. Les tranches
extrêmes se vident, confirmant les
mouvements vers les tranches intérieures
(25%-35% notamment).
L’amplitude diminue à 35%. Le RWA density
moyen augmente à 35%.
Distribution cumulée 2012 – 2014
Les RWA density ont varié à la hausse en
moyenne de 10,10%
5
de 2012 à 2014.
L’année 2013 a plus fortement contribué à cette
hausse (7,09%) que l’année 2014 qui marque
un ralentissement de la hausse au global
(2,95%). La moyenne des RWA density des 20
banques sur la période est de 34%.
L’analyse du graphique ci-dessus met en évidence que la distribution cumulée est proche de celle de
2014. Après une baisse généralisée au sein des banques européennes du RWA density entre 20008 et
2012 (Bruno, Nocera, Resti, 2014), cette tendance s’inverse en 2012-2013, semblant toutefois ralentir
en 2014.
4
Différence entre les extrema (maximum - minimum) de l’échantillon
5
Il s’agit ici de la moyenne des variations calculées comme suit : pour chaque banque, est calculée la variation des RWA
density (2012-2014) en % du RWA density (2012). Puis est calculée la moyenne de toutes les variations des banques de
l’échantillon. 1
4
6
3
1
2
1
2
0%-20%20%-25%25%-30%30%-35%35%-40%40%-45%45%-50%50%-60%
RWA density -distribution -2012
1 1
4
8
1
2
0
3
0%-20%20%-25%25%-30%30%-35%35%-40%40%-45%45%-50%50%-60%
RWA density -distribution -2013
0
2
5
6
2 2 2
1
0%-20%20%-25%25%-30%30%-35%35%-40%40%-45%45%-50%50%-60%
RWA density -distribution -2014
2
7
15
17
4
6
3
6
0%-20%20%-25%25%-30%30%-35%35%-40%40%-45%45%-50%50%-60%
RWA density -distribution -Total
Graphique 17 Distribution annuelle et
cumulée des RWA density
© Global Research & Analytics Dept.| 2016 | All rights reserved
29
Au fil de l’analyse, ces évolutions seront interrogées :
– Quels en sont les principaux contributeurs de cette tendance (dénominateur ou numérateur) ?
– Qu’est-ce que cela indique sur la stratégie des banques ?
– S’agit-il d’évolutions subies ou choisies ?
Cet article amène également à s’interroger sur la capacité des RWA density à amplifier les résultats de
la politique de risques des banques, voire à les anticiper, ou tout du moins à les détecter. Notamment
parce que ce ratio fait ressortir des comportements extrêmes, comme le démontre la tranche de RWA
density [50%-60%], qui comprend en moyenne 10% de l’échantillon chaque année sur la période.
Ce dernier point rejoint la suggestion faite en 2.1 : le RWA density, de par sa sensibilité en situation
stressée, est un outil précieux dans l’analyse des résultats de stress.
4.3.2. Que révèle la distribution des moyennes par type d’activités (groupe) ?
Comme suggéré dans l’analyse de la distribution annuelle, deux groupes se distinguent dans l’analyse
de l’évolution des RWA density entre 2012 et 2014 :
– Les banques dont le RWA density annuel est dans la tranche inférieure à 40% de 2012 à 2014
avec une tendance généralisée à la hausse.
– Les banques dont le RWA density annuel est dans la tranche supérieure à 40% avec une
tendance stable à baissière.
On constate en effet qu’entre 2012 et 2014 toutes les banques dont le RWA density était supérieur à
40% sont restées dans ces tranches et inversement.
Graphique 18 Moyenne des RWA density (2012-2014) par tranche (> 40% ; 40%)
Source : GRA
Le graphique ci-dessus distingue ces deux ensembles et les compare à leur moyenne respective sur les
trois années étudiées.
Les banques dont le RWA density était ≤ 40% entre 2012 et 2014 (15 banques)
– La moyenne des RWA density sur la période est de 29%.
– L’amplitude 2012-2014 est de 23%, suggérant une dispersion importante de l’échantillon, ce
qui est notamment explicable par la diversité (nationalités des banques) et la taille de ce sous-
ensemble.
Les banques dont les RWA density > 40% entre 2012 et 2014 (5 banques)
– La moyenne des RWA density sur la période est de 48%.
– L’amplitude toutes années confondues est de 15%.
On constate que les banques italiennes et espagnoles sont prédominantes dans ce sous-ensemble,
confirmant l’influence du facteur de dépendance concernant l’activité, identifié plus haut, attestant que
certaines banques sont particulièrement impactées par la conjoncture des pays où elles opèrent,
particulièrement si ces dernières ont une activité majoritairement locale, orientée retail. Ce qui est le cas
de ces 4 banques.
0%
20%
40%
60%
DE1CH1FR3NL1FR2CH2SW1NL2UK2FR5FR1UK4FR4DE2UK3UK1ES1IT2IT1ES2
RWA density <= 40% RWA density > 40%
29%
48%
29
Au fil de l’analyse, ces évolutions seront interrogées :
– Quels en sont les principaux contributeurs de cette tendance (dénominateur ou numérateur) ?
– Qu’est-ce que cela indique sur la stratégie des banques ?
– S’agit-il d’évolutions subies ou choisies ?
Cet article amène également à s’interroger sur la capacité des RWA density à amplifier les résultats de
la politique de risques des banques, voire à les anticiper, ou tout du moins à les détecter. Notamment
parce que ce ratio fait ressortir des comportements extrêmes, comme le démontre la tranche de RWA
density [50%-60%], qui comprend en moyenne 10% de l’échantillon chaque année sur la période.
Ce dernier point rejoint la suggestion faite en 2.1 : le RWA density, de par sa sensibilité en situation
stressée, est un outil précieux dans l’analyse des résultats de stress.
4.3.2. Que révèle la distribution des moyennes par type d’activités (groupe) ?
Comme suggéré dans l’analyse de la distribution annuelle, deux groupes se distinguent dans l’analyse
de l’évolution des RWA density entre 2012 et 2014 :
– Les banques dont le RWA density annuel est dans la tranche inférieure à 40% de 2012 à 2014
avec une tendance généralisée à la hausse.
– Les banques dont le RWA density annuel est dans la tranche supérieure à 40% avec une
tendance stable à baissière.
On constate en effet qu’entre 2012 et 2014 toutes les banques dont le RWA density était supérieur à
40% sont restées dans ces tranches et inversement.
Graphique 18 Moyenne des RWA density (2012-2014) par tranche (> 40% ; 40%)
Source : GRA
Le graphique ci-dessus distingue ces deux ensembles et les compare à leur moyenne respective sur les
trois années étudiées.
Les banques dont le RWA density était ≤ 40% entre 2012 et 2014 (15 banques)
– La moyenne des RWA density sur la période est de 29%.
– L’amplitude 2012-2014 est de 23%, suggérant une dispersion importante de l’échantillon, ce
qui est notamment explicable par la diversité (nationalités des banques) et la taille de ce sous-
ensemble.
Les banques dont les RWA density > 40% entre 2012 et 2014 (5 banques)
– La moyenne des RWA density sur la période est de 48%.
– L’amplitude toutes années confondues est de 15%.
On constate que les banques italiennes et espagnoles sont prédominantes dans ce sous-ensemble,
confirmant l’influence du facteur de dépendance concernant l’activité, identifié plus haut, attestant que
certaines banques sont particulièrement impactées par la conjoncture des pays où elles opèrent,
particulièrement si ces dernières ont une activité majoritairement locale, orientée retail. Ce qui est le cas
de ces 4 banques.
0%
20%
40%
60%
DE1CH1FR3NL1FR2CH2SW1NL2UK2FR5FR1UK4FR4DE2UK3UK1ES1IT2IT1ES2
RWA density <= 40% RWA density > 40%
29%
48%
© Global Research & Analytics Dept.| 2016 | All rights reserved
30
A ce stade, on peut constater que l’analyse des RWA density permet de mettre en exergue et de
distinguer les origines endogènes et exogènes de la variation des risques :
(1) La variation des RWA density permet de distinguer clairement et distinctement l’effet du risque
des banques pour lesquelles le risque systémique prime sur le risque idiosyncratique. Ces
établissements ont une moindre sensibilité aux actions internes de gestion et de contrôle du
risque (notamment en Italie et Espagne) du fait de leur forte dépendance à la conjoncture d’un
pays ou d’une région géographique. Les actions à mener pour juguler le risque sont donc
nécessairement plus violentes.
(2) La réciproque est également vraie. Les banques pour lesquelles le risque idiosyncratique prime
sur le risque systémique ont une plus grande sensibilité aux actions internes de gestion du risque
du fait de leur moindre dépendance au contexte macro-économique.
La distribution de l’échantillon sous différents angles d’analyse
Afin d’affiner l’analyse de la distribution, l’étude suivante tient compte du facteur « activité » dans la
distribution des RWA density de l’échantillon. Comme évoqué en 4.2.2, les facteurs « business model »
et « activité » sont des drivers importants de la distribution des RWA density : plus une banque dépend
de son activité retail, plus son RWA density a tendance à être élevé (i.e. supérieurs à 40%) et
inversement.
L’analyse qui suit s’appuie sur ces constats pour analyser les évolutions des RWA density des banques
en fonction de leur type d’activité : soit la contribution de l’activité retail à leur PNB.
4.4.1. Apports de l’analyse par type d’activités
Les banques sont réparties par type d’activité, définie sur la base de la contribution de l’activité retail à
leur PNB annuel. A noter qu’aucune banque de l’échantillon n’a changé de catégorie sur la période.
Les 3 catégories sont les suivantes :
– 1) contribution de l’activité retail au PNB < 40% (6 banques)
– 2) contribution de l’activité retail au PNB comprise entre 40% et 60% (8 banques)
– 3) contribution de l’activité retail au PNB > 60% (6 banques)
L’analyse des moyennes des RWA annuels sur 3 ans par groupe permet de confirmer que le business
model (part de l’activité retail dans le chiffre d’affaires) est un vecteur différenciant dans l’analyse des
RWA density.
Graphique 19 RWA density moyen par type d’activités et par année
Source : GRA
Après analyse du graphique ci-dessus, on constate que plus les banques ont une activité retail importante,
plus leur RWA density est élevé et moins il varie en moyenne dans le temps. On remarque notamment
que les RWA density ont en moyenne moins augmenté pour les banques de la catégorie 3 (+1 % en
moyenne entre 2012 et 2014) que pour les banques des catégorie 2 (2,2%) et 1 (+ 4,6%). 24,9%
33,3%
39,9%
27,5%
35,2%
40,5%
29,5%
35,5%
40,9%
1) Retail < 40% du PNB2) Retail 40%-60% du PNB3) Retail > 60% du PNB
2012 2013 2014
moyenne: 27%
moyenne :35%
moyenne : 40%
30
A ce stade, on peut constater que l’analyse des RWA density permet de mettre en exergue et de
distinguer les origines endogènes et exogènes de la variation des risques :
(1) La variation des RWA density permet de distinguer clairement et distinctement l’effet du risque
des banques pour lesquelles le risque systémique prime sur le risque idiosyncratique. Ces
établissements ont une moindre sensibilité aux actions internes de gestion et de contrôle du
risque (notamment en Italie et Espagne) du fait de leur forte dépendance à la conjoncture d’un
pays ou d’une région géographique. Les actions à mener pour juguler le risque sont donc
nécessairement plus violentes.
(2) La réciproque est également vraie. Les banques pour lesquelles le risque idiosyncratique prime
sur le risque systémique ont une plus grande sensibilité aux actions internes de gestion du risque
du fait de leur moindre dépendance au contexte macro-économique.
La distribution de l’échantillon sous différents angles d’analyse
Afin d’affiner l’analyse de la distribution, l’étude suivante tient compte du facteur « activité » dans la
distribution des RWA density de l’échantillon. Comme évoqué en 4.2.2, les facteurs « business model »
et « activité » sont des drivers importants de la distribution des RWA density : plus une banque dépend
de son activité retail, plus son RWA density a tendance à être élevé (i.e. supérieurs à 40%) et
inversement.
L’analyse qui suit s’appuie sur ces constats pour analyser les évolutions des RWA density des banques
en fonction de leur type d’activité : soit la contribution de l’activité retail à leur PNB.
4.4.1. Apports de l’analyse par type d’activités
Les banques sont réparties par type d’activité, définie sur la base de la contribution de l’activité retail à
leur PNB annuel. A noter qu’aucune banque de l’échantillon n’a changé de catégorie sur la période.
Les 3 catégories sont les suivantes :
– 1) contribution de l’activité retail au PNB < 40% (6 banques)
– 2) contribution de l’activité retail au PNB comprise entre 40% et 60% (8 banques)
– 3) contribution de l’activité retail au PNB > 60% (6 banques)
L’analyse des moyennes des RWA annuels sur 3 ans par groupe permet de confirmer que le business
model (part de l’activité retail dans le chiffre d’affaires) est un vecteur différenciant dans l’analyse des
RWA density.
Graphique 19 RWA density moyen par type d’activités et par année
Source : GRA
Après analyse du graphique ci-dessus, on constate que plus les banques ont une activité retail importante,
plus leur RWA density est élevé et moins il varie en moyenne dans le temps. On remarque notamment
que les RWA density ont en moyenne moins augmenté pour les banques de la catégorie 3 (+1 % en
moyenne entre 2012 et 2014) que pour les banques des catégorie 2 (2,2%) et 1 (+ 4,6%). 24,9%
33,3%
39,9%
27,5%
35,2%
40,5%
29,5%
35,5%
40,9%
1) Retail < 40% du PNB2) Retail 40%-60% du PNB3) Retail > 60% du PNB
2012 2013 2014
moyenne: 27%
moyenne :35%
moyenne : 40%
© Global Research & Analytics Dept.| 2016 | All rights reserved
31
A contrario, ce sont les banques dont l’activité retail est la moins importante qui affichent des RWA
density minimales soient les banques de la catégorie 1) contribution de l’activité retail au PNB < 40%,
dont le RWA density annuel moyen est de 27%.
Tableau 8 Comparaison des écarts types par type d’activités et par an
Source : GRA
Le tableau ci-dessus permet cependant d’identifier que les variations des RWA density des banques de
la catégorie 3 – soient celles dont la contribution des activités retail au PNB est la plus importante – sont
plus hétérogènes que les deux autres catégories.
L’analyse des banques composant la catégorie 3 montre que l’amplitude des RWA density moyens sur
la période 2012-2014 est de 32% (le minium sur la période étant de 24% et le maximum de 56%),
confirmant la suggestion faite plus haut.
On observe ici un résultat contre-intuitif lié au business model des banques. En effet, les RWA density
des banques dont l’activité est principalement retail sont les plus élevés. Ces banques ayant des activités
plus diversifiées, il est attendu que leurs risques en soient minorés. Au contraire, ce sont les banques
dont l’activité qui n’est pas tournée vers le retail qui enregistrent les RWA density les plus faibles.
On peut alors supposer que cela est dû à une mauvaise estimation de leur risque de concentration. En
effet, les formules baloises sont définies pour des portefeuilles diversifiés et si le risque de concentration
n’est pas pris en compte alors les RWA sont sous-évalués ce qui expliquerait en partie les fortes
variations observées d’une année à l’autre.
4.4.2. Distribution des moyennes par groupe et identification de sous-groupes
Pour approfondir les constats faits en 4.4.1 sur base des moyennes annuelles agrégées par an et par type
d’activités, le graphique ci-dessous s’attache à étudier la composition de chaque sous-ensemble par type
d’activités.
Graphique 20 Moyennes (2012-2014) des RWA density par banque et type d’activité
Source : GRA
# banques2012 2013 2014
1) Retail < 40% du PNB 6 6% 7% 7%
2) Retail 40%-60% du PNB8 8% 7% 8%
3) Retail > 60% du PNB 6 13% 12% 10%
échantillon complet 20 11% 10% 9% 0%
20%
40%
60%
DE1CH1FR2CH2UK2UK3FR3SW1NL2FR1UK4DE2UK1 IT1NL1FR5FR4ES1IT2ES2
1) Retail < 40% du PNB 2) Retail 40%-60% du PNB 3) Retail > 60% du PNB
27%
35%
40%
RWA density moyen > 40%RWA density moyen < 40%
31
A contrario, ce sont les banques dont l’activité retail est la moins importante qui affichent des RWA
density minimales soient les banques de la catégorie 1) contribution de l’activité retail au PNB < 40%,
dont le RWA density annuel moyen est de 27%.
Tableau 8 Comparaison des écarts types par type d’activités et par an
Source : GRA
Le tableau ci-dessus permet cependant d’identifier que les variations des RWA density des banques de
la catégorie 3 – soient celles dont la contribution des activités retail au PNB est la plus importante – sont
plus hétérogènes que les deux autres catégories.
L’analyse des banques composant la catégorie 3 montre que l’amplitude des RWA density moyens sur
la période 2012-2014 est de 32% (le minium sur la période étant de 24% et le maximum de 56%),
confirmant la suggestion faite plus haut.
On observe ici un résultat contre-intuitif lié au business model des banques. En effet, les RWA density
des banques dont l’activité est principalement retail sont les plus élevés. Ces banques ayant des activités
plus diversifiées, il est attendu que leurs risques en soient minorés. Au contraire, ce sont les banques
dont l’activité qui n’est pas tournée vers le retail qui enregistrent les RWA density les plus faibles.
On peut alors supposer que cela est dû à une mauvaise estimation de leur risque de concentration. En
effet, les formules baloises sont définies pour des portefeuilles diversifiés et si le risque de concentration
n’est pas pris en compte alors les RWA sont sous-évalués ce qui expliquerait en partie les fortes
variations observées d’une année à l’autre.
4.4.2. Distribution des moyennes par groupe et identification de sous-groupes
Pour approfondir les constats faits en 4.4.1 sur base des moyennes annuelles agrégées par an et par type
d’activités, le graphique ci-dessous s’attache à étudier la composition de chaque sous-ensemble par type
d’activités.
Graphique 20 Moyennes (2012-2014) des RWA density par banque et type d’activité
Source : GRA
# banques2012 2013 2014
1) Retail < 40% du PNB 6 6% 7% 7%
2) Retail 40%-60% du PNB8 8% 7% 8%
3) Retail > 60% du PNB 6 13% 12% 10%
échantillon complet 20 11% 10% 9% 0%
20%
40%
60%
DE1CH1FR2CH2UK2UK3FR3SW1NL2FR1UK4DE2UK1 IT1NL1FR5FR4ES1IT2ES2
1) Retail < 40% du PNB 2) Retail 40%-60% du PNB 3) Retail > 60% du PNB
27%
35%
40%
RWA density moyen > 40%RWA density moyen < 40%
© Global Research & Analytics Dept.| 2016 | All rights reserved
32
Importante hétérogénéité au sein des banques dont l’activité est la plus orientée retail
Cette analyse permet notamment de confirmer les premières observations faites en 4.4.1 concernant
l’hétérogénéité du sous-ensemble des banques les plus orientées retail (3).
Cette hétérogénéité suggère qu’un nouvel axe d’analyse permettrait de faire des groupes plus homogènes
(cf. dernier point de ce paragraphe).
Illustration du facteur de dépendance « pays » pour les banques italiennes et espagnoles
On constate que les maxima sont systématiquement obtenus dans chaque groupe par des banques
italiennes (IT1 et IT2), espagnoles (ES1 et ES2) et britanniques (UK1, UK2 et UK3).
Ceci permet notamment de mettre en exergue un des facteurs de dépendance évoqués précédemment, à
savoir la sensibilité des banques aux facteurs macro-économiques de leur pays d’origine,
particulièrement si leur activité est majoritairement nationale et orientée retail, telles les banques IT1,
IT2, ES1 et ES2.
Ces banques sont d’autant plus affectées par la croissance économique de leur pays : tout choc ou
récession économique se répercutant sur le RWA density.
Ce qui est notamment le cas en Europe, en Espagne et en Italie où la variation moyenne du PNB entre
2012 et 2014 est globalement négative (respectivement - 0,51% et - 0,46%) et où la crise de la dette
souveraine a été particulièrement impactante.
On remarquera cependant que cette explication ne suffit pas à expliquer les maxima constatés pour les
banques britanniques, dont la variation moyenne du PNB sur la période 2012 – 2014 est parmi les
meilleures de la zone euro.
Identification d’un deuxième axe pour créer des sous-groupes plus homogènes
Comme suggéré plus haut, la distribution des moyennes par banque et par type d’activités fait clairement
et distinctement ressortir les banques dont la moyenne des RWA density 2012-2014 est supérieure à
40% indépendamment de leur type d’activité.
On notera simplement que seules les banques dont l’activité retail contribue à moins de 60% de leur
activité (1 et 2) ne présentent pas cette distinction.
Ainsi en croisant les axes d’analyse « type d’activité » et « RWA density (> 40% ou 40%) », on obtient
2 groupes (sur base du RWA density) respectivement composés de 3 et 2 sous-groupes (sur base du type
d’activité), présentés dans le tableau ci-dessous.
Dans la suite de l’article, les groupes et sous-groupes identifiés ci-dessus seront désignés comme suit
par souci de simplification.
Tableau 9 Distinction des groupes et sous-groupes de l’échantillon
Source : analyse GRA
# banques
groupe 1 RWA density 40% 15
sous-groupe A1) Retail <40% du PNB 6
sous-groupe B2) Retail 40%-60% du PNB 6
sous-groupe C3) Retail > 60% du PNB 3
groupe 2 RWA density > 40% 5
sous-groupe D2) Retail 40%-60% du PNB 2
sous-groupe E3) Retail > 60% du PNB 3
20échantillon complet
32
Importante hétérogénéité au sein des banques dont l’activité est la plus orientée retail
Cette analyse permet notamment de confirmer les premières observations faites en 4.4.1 concernant
l’hétérogénéité du sous-ensemble des banques les plus orientées retail (3).
Cette hétérogénéité suggère qu’un nouvel axe d’analyse permettrait de faire des groupes plus homogènes
(cf. dernier point de ce paragraphe).
Illustration du facteur de dépendance « pays » pour les banques italiennes et espagnoles
On constate que les maxima sont systématiquement obtenus dans chaque groupe par des banques
italiennes (IT1 et IT2), espagnoles (ES1 et ES2) et britanniques (UK1, UK2 et UK3).
Ceci permet notamment de mettre en exergue un des facteurs de dépendance évoqués précédemment, à
savoir la sensibilité des banques aux facteurs macro-économiques de leur pays d’origine,
particulièrement si leur activité est majoritairement nationale et orientée retail, telles les banques IT1,
IT2, ES1 et ES2.
Ces banques sont d’autant plus affectées par la croissance économique de leur pays : tout choc ou
récession économique se répercutant sur le RWA density.
Ce qui est notamment le cas en Europe, en Espagne et en Italie où la variation moyenne du PNB entre
2012 et 2014 est globalement négative (respectivement - 0,51% et - 0,46%) et où la crise de la dette
souveraine a été particulièrement impactante.
On remarquera cependant que cette explication ne suffit pas à expliquer les maxima constatés pour les
banques britanniques, dont la variation moyenne du PNB sur la période 2012 – 2014 est parmi les
meilleures de la zone euro.
Identification d’un deuxième axe pour créer des sous-groupes plus homogènes
Comme suggéré plus haut, la distribution des moyennes par banque et par type d’activités fait clairement
et distinctement ressortir les banques dont la moyenne des RWA density 2012-2014 est supérieure à
40% indépendamment de leur type d’activité.
On notera simplement que seules les banques dont l’activité retail contribue à moins de 60% de leur
activité (1 et 2) ne présentent pas cette distinction.
Ainsi en croisant les axes d’analyse « type d’activité » et « RWA density (> 40% ou 40%) », on obtient
2 groupes (sur base du RWA density) respectivement composés de 3 et 2 sous-groupes (sur base du type
d’activité), présentés dans le tableau ci-dessous.
Dans la suite de l’article, les groupes et sous-groupes identifiés ci-dessus seront désignés comme suit
par souci de simplification.
Tableau 9 Distinction des groupes et sous-groupes de l’échantillon
Source : analyse GRA
# banques
groupe 1 RWA density 40% 15
sous-groupe A1) Retail <40% du PNB 6
sous-groupe B2) Retail 40%-60% du PNB 6
sous-groupe C3) Retail > 60% du PNB 3
groupe 2 RWA density > 40% 5
sous-groupe D2) Retail 40%-60% du PNB 2
sous-groupe E3) Retail > 60% du PNB 3
20échantillon complet
© Global Research & Analytics Dept.| 2016 | All rights reserved
33
Le type d’activités est un facteur d’analyse permettant de regrouper les banques par groupe, s’appuyant
notamment sur le constat fait dans les paragraphes précédents que les activités retail sont un facteur de
dépendance majeur et constitue un des drivers les plus importants de l’évolution des RWA density.
Le RWA density (tranche > 40% ; tranche 40%) permet de distinguer les groupes en sous-groupes,
et d’affiner l’analyse comparative des variations et évolutions avec des sous-groupes plus homogènes.
4.4.3. Aller plus loin : que révèlent les sous-groupes ?
L’analyse suivante s’attache à étudier les chiffres clés de la variation des banques de l’échantillon par
groupe (type d’activité) et sous-groupe (tranche de RWA density).
Tableau 10 Chiffres clés des RWA density étudiés par sous-groupe
Source : GRA
Il est important de noter que les sous-groupes n’étant pas de taille égale, il serait logique que l’amplitude
soit plus importante pour des groupes comprenant plus de banques (sous-groupes A et B). On note
cependant que le sous-groupe E – comptant seulement 3 banques – a pourtant une amplitude de 13%,
supposant un échantillon plus volatile qu’attendu.
Une tendance générale à la hausse
L’analyse des tendances de chaque sous-groupe confirme la tendance générale haussière décrite
paragraphe 4.3.1 sur l’échantillon complet entre 2012 et 2014. Ce constat est cependant nuancé pour le
sous-groupe E, dont les RWA density ont chuté en moyenne de 6% sur 3 ans.
L’analyse du Graphique 21 Comportements des banques par groupe et sous-groupe ci-après permettra
de mettre particulièrement en évidence que deux des trois banques de ce sous-groupe ont perdu plus de
10 points de RWA density sur la période 2012 à 2014.
2014 comme étalon de la répartition et du niveau moyen des RWA density sur la période
L’analyse croisée permet de confirmer le constat fait en 4.3.1 : la distribution et la tendance des RWA
density observées en 2014 est représentative de la période 2012-2014.
On constate que les sous-groupes A et E, pour lesquels la moyenne 2012-2014 s’éloigne le plus de la
moyenne 2014, présentent respectivement les amplitudes les plus importantes de l’échantillon. Cela
implique que les banques correspondantes ont des RWA density plus dispersés sur la période.
Ce point sera également adressé dans le paragraphe suivant.
#
banques
Moyenne
2012-2014
Moyenne
2014
AmplitudeVar. moyenne
2012-2014
groupe 1RWA density 40% 15 29% 31% 23% 14%
sous-groupe A1) Retail < 40% du PNB 6 27% 30% 23% 21%
sous-groupe B2) Retail 40%-60% du PNB 6 31% 32% 14% 7%
sous-groupe C3) Retail > 60% du PNB 3 30% 31% 9% 12%
groupe 2RWA density > 40% 5 48% 47% 15% 0%
sous-groupe D2) Retail 40%-60% du PNB 2 46% 47% 9% 8%
sous-groupe E3) Retail > 60% du PNB 3 50% 47% 13% -6%
20 34% 35% 39% 10%échantillon complet
33
Le type d’activités est un facteur d’analyse permettant de regrouper les banques par groupe, s’appuyant
notamment sur le constat fait dans les paragraphes précédents que les activités retail sont un facteur de
dépendance majeur et constitue un des drivers les plus importants de l’évolution des RWA density.
Le RWA density (tranche > 40% ; tranche 40%) permet de distinguer les groupes en sous-groupes,
et d’affiner l’analyse comparative des variations et évolutions avec des sous-groupes plus homogènes.
4.4.3. Aller plus loin : que révèlent les sous-groupes ?
L’analyse suivante s’attache à étudier les chiffres clés de la variation des banques de l’échantillon par
groupe (type d’activité) et sous-groupe (tranche de RWA density).
Tableau 10 Chiffres clés des RWA density étudiés par sous-groupe
Source : GRA
Il est important de noter que les sous-groupes n’étant pas de taille égale, il serait logique que l’amplitude
soit plus importante pour des groupes comprenant plus de banques (sous-groupes A et B). On note
cependant que le sous-groupe E – comptant seulement 3 banques – a pourtant une amplitude de 13%,
supposant un échantillon plus volatile qu’attendu.
Une tendance générale à la hausse
L’analyse des tendances de chaque sous-groupe confirme la tendance générale haussière décrite
paragraphe 4.3.1 sur l’échantillon complet entre 2012 et 2014. Ce constat est cependant nuancé pour le
sous-groupe E, dont les RWA density ont chuté en moyenne de 6% sur 3 ans.
L’analyse du Graphique 21 Comportements des banques par groupe et sous-groupe ci-après permettra
de mettre particulièrement en évidence que deux des trois banques de ce sous-groupe ont perdu plus de
10 points de RWA density sur la période 2012 à 2014.
2014 comme étalon de la répartition et du niveau moyen des RWA density sur la période
L’analyse croisée permet de confirmer le constat fait en 4.3.1 : la distribution et la tendance des RWA
density observées en 2014 est représentative de la période 2012-2014.
On constate que les sous-groupes A et E, pour lesquels la moyenne 2012-2014 s’éloigne le plus de la
moyenne 2014, présentent respectivement les amplitudes les plus importantes de l’échantillon. Cela
implique que les banques correspondantes ont des RWA density plus dispersés sur la période.
Ce point sera également adressé dans le paragraphe suivant.
#
banques
Moyenne
2012-2014
Moyenne
2014
AmplitudeVar. moyenne
2012-2014
groupe 1RWA density 40% 15 29% 31% 23% 14%
sous-groupe A1) Retail < 40% du PNB 6 27% 30% 23% 21%
sous-groupe B2) Retail 40%-60% du PNB 6 31% 32% 14% 7%
sous-groupe C3) Retail > 60% du PNB 3 30% 31% 9% 12%
groupe 2RWA density > 40% 5 48% 47% 15% 0%
sous-groupe D2) Retail 40%-60% du PNB 2 46% 47% 9% 8%
sous-groupe E3) Retail > 60% du PNB 3 50% 47% 13% -6%
20 34% 35% 39% 10%échantillon complet
© Global Research & Analytics Dept.| 2016 | All rights reserved
34
Analyse des comportements de l’échantillon
4.5.1. Méthodologie et définitions
L’analyse des variations des RWA density annuels par groupe et sous-groupe – observée et analysée ci-
dessous – permet de remettre en question ou de confirmer l’analyse apportée par les paragraphes
précédents.
Le graphique ci-dessous permet par ailleurs de contextualiser l’amplitude et les mouvements de chaque
banque respectivement par rapport à la moyenne (2012-2014) de leur sous-groupe et de l’échantillon
complet. Les banques y sont distinguées en groupes et sous-groupes :
– encadrées en rouge, les banques aux comportements irrationnels,
– les banques non encadrées ont des comportements jugés rationnels.
Dans ce paragraphe, les comportements sont définis comme suit :
Un comportement rationnel pour une banque correspond à une évolution homogène du RWA density
sur la période par rapport à son groupe et / ou son sous-groupe. Quelques exemples de comportements
rationnels : variation du RWA density autour ou tendant vers la moyenne de son groupe ou sous-groupe.
Un comportement irrationnel pour une banque, correspond des variations différentes (absence de
corrélation) ou contraires (corrélations négatives) à son groupe ou sous-groupe. Quelques exemples de
comportement irrationnels observables : amplitude supérieure à la moyenne sur la période, variations
tendant vers les extrema de l’échantillon, variation à l’opposé de la moyenne de son groupe et / ou sous-
groupe.
Graphique 21 Comportements des banques par groupe et sous-groupe
Source : GRA
Les comportements rationnels de l’échantillon observables sur la période
L’échantillon présente deux types de comportements rationnels sur la période, mis en évidence ci-
dessus :
(1) Les RWA density des banques ont évolué vers la moyenne de leur sous-groupe
On constate un effort des banques pour tendre vers la moyenne, ce qui est particulièrement le cas des
banques des sous-groupes B, C et D (à l’exception de DE2), dont la distribution respective par sous-
groupe en 2014 est globalement centrée autour de la moyenne.
On notera cependant que l’amplitude pour les banques présentant ce comportement varie largement d’un
établissement à un autre, pouvant atteindre jusqu’à 10%.
15%
20%
25%
30%
35%
40%
45%
50%
55%
60%
CH1DE1FR2CH2UK3UK2FR3FR1UK4NL2SW1DE2NL1FR4FR5UK1IT1IT2ES1ES2
sous-groupe A sous-groupe B sous-groupe Csous-groupe Dsous-groupe E
RWAd (2014)
amplitude 2012-2014 (max-min)
moyenne 2012-2014 de chaquesous-groupe
moyenne 2012-2014 de l'échantillon total
comportements"irrationnels"
34
Analyse des comportements de l’échantillon
4.5.1. Méthodologie et définitions
L’analyse des variations des RWA density annuels par groupe et sous-groupe – observée et analysée ci-
dessous – permet de remettre en question ou de confirmer l’analyse apportée par les paragraphes
précédents.
Le graphique ci-dessous permet par ailleurs de contextualiser l’amplitude et les mouvements de chaque
banque respectivement par rapport à la moyenne (2012-2014) de leur sous-groupe et de l’échantillon
complet. Les banques y sont distinguées en groupes et sous-groupes :
– encadrées en rouge, les banques aux comportements irrationnels,
– les banques non encadrées ont des comportements jugés rationnels.
Dans ce paragraphe, les comportements sont définis comme suit :
Un comportement rationnel pour une banque correspond à une évolution homogène du RWA density
sur la période par rapport à son groupe et / ou son sous-groupe. Quelques exemples de comportements
rationnels : variation du RWA density autour ou tendant vers la moyenne de son groupe ou sous-groupe.
Un comportement irrationnel pour une banque, correspond des variations différentes (absence de
corrélation) ou contraires (corrélations négatives) à son groupe ou sous-groupe. Quelques exemples de
comportement irrationnels observables : amplitude supérieure à la moyenne sur la période, variations
tendant vers les extrema de l’échantillon, variation à l’opposé de la moyenne de son groupe et / ou sous-
groupe.
Graphique 21 Comportements des banques par groupe et sous-groupe
Source : GRA
Les comportements rationnels de l’échantillon observables sur la période
L’échantillon présente deux types de comportements rationnels sur la période, mis en évidence ci-
dessus :
(1) Les RWA density des banques ont évolué vers la moyenne de leur sous-groupe
On constate un effort des banques pour tendre vers la moyenne, ce qui est particulièrement le cas des
banques des sous-groupes B, C et D (à l’exception de DE2), dont la distribution respective par sous-
groupe en 2014 est globalement centrée autour de la moyenne.
On notera cependant que l’amplitude pour les banques présentant ce comportement varie largement d’un
établissement à un autre, pouvant atteindre jusqu’à 10%.
15%
20%
25%
30%
35%
40%
45%
50%
55%
60%
CH1DE1FR2CH2UK3UK2FR3FR1UK4NL2SW1DE2NL1FR4FR5UK1IT1IT2ES1ES2
sous-groupe A sous-groupe B sous-groupe Csous-groupe Dsous-groupe E
RWAd (2014)
amplitude 2012-2014 (max-min)
moyenne 2012-2014 de chaquesous-groupe
moyenne 2012-2014 de l'échantillon total
comportements"irrationnels"
© Global Research & Analytics Dept.| 2016 | All rights reserved
35
(2) Les RWA density des banques ont connu des variations importantes tendant vers la
moyenne de l’échantillon global (39%)
Ce comportement est notamment illustré par les banques du sous-groupe A (telles CH1, UK2 et UK3)
et du sous-groupe E (IT2 et ES1). Ces banques présentent également les amplitudes les plus importantes
sur la période, démontrant pour certains cas, des efforts pour réduire (comme pour IT2 et ES2) ou pour
aligner (comme pour UK2 et CH2) leur RWA density sur la moyenne de l’échantillon global.
Les comportements irrationnels de l’échantillon observables sur la période
Les banques concernées sont CH1 et ES2, positionnées en 2014 aux extrema de l’échantillon.
Les variations des RWA density de ces banques sur la période sont jugées comme irrationnelles pour
deux raisons majeures :
– Etant déjà respectivement le maximum (ES2) et le minimum (CH1) de l’échantillon en 2012,
ces banques ont tendu à creuser les écarts par rapport au reste de l’échantillon en suivant
une variation – certes modérée – contraire à la tendance générale de leur sous-groupe.
– Par ailleurs, ces mouvements les ont d’autant plus éloignées des membres de leur sous-groupe
respectif.
Une analyse plus poussée de ces deux cas, tant d’un point de vue interne (autres indicateurs clés, bilans
& comptes de résultats) et externe (conjoncture, contexte réglementaire), devraient permettre de pouvoir
rationnaliser ces évolutions, ou à défaut de les contextualiser.
4.5.2. Qu’est-ce que ces enseignements apportent à notre étude ?
Si cette dernière étude permet à priori de rationaliser les évolutions des RWA density des banques entre
2012 et 2014, on constate que deux banques en particulier nécessiteraient une analyse plus approfondie
permettant de comprendre des comportements jugés ici « irrationnels » car non explicables à partir des
informations à disposition.
De ce fait, il est vrai qu’aussi subtil et utile soit-il, le RWA density ne peut tout expliquer mais permet
d’apporter une première grille de lecture pouvant être affinée par l’apport d’autres indicateurs.
35
(2) Les RWA density des banques ont connu des variations importantes tendant vers la
moyenne de l’échantillon global (39%)
Ce comportement est notamment illustré par les banques du sous-groupe A (telles CH1, UK2 et UK3)
et du sous-groupe E (IT2 et ES1). Ces banques présentent également les amplitudes les plus importantes
sur la période, démontrant pour certains cas, des efforts pour réduire (comme pour IT2 et ES2) ou pour
aligner (comme pour UK2 et CH2) leur RWA density sur la moyenne de l’échantillon global.
Les comportements irrationnels de l’échantillon observables sur la période
Les banques concernées sont CH1 et ES2, positionnées en 2014 aux extrema de l’échantillon.
Les variations des RWA density de ces banques sur la période sont jugées comme irrationnelles pour
deux raisons majeures :
– Etant déjà respectivement le maximum (ES2) et le minimum (CH1) de l’échantillon en 2012,
ces banques ont tendu à creuser les écarts par rapport au reste de l’échantillon en suivant
une variation – certes modérée – contraire à la tendance générale de leur sous-groupe.
– Par ailleurs, ces mouvements les ont d’autant plus éloignées des membres de leur sous-groupe
respectif.
Une analyse plus poussée de ces deux cas, tant d’un point de vue interne (autres indicateurs clés, bilans
& comptes de résultats) et externe (conjoncture, contexte réglementaire), devraient permettre de pouvoir
rationnaliser ces évolutions, ou à défaut de les contextualiser.
4.5.2. Qu’est-ce que ces enseignements apportent à notre étude ?
Si cette dernière étude permet à priori de rationaliser les évolutions des RWA density des banques entre
2012 et 2014, on constate que deux banques en particulier nécessiteraient une analyse plus approfondie
permettant de comprendre des comportements jugés ici « irrationnels » car non explicables à partir des
informations à disposition.
De ce fait, il est vrai qu’aussi subtil et utile soit-il, le RWA density ne peut tout expliquer mais permet
d’apporter une première grille de lecture pouvant être affinée par l’apport d’autres indicateurs.
© Global Research & Analytics Dept.| 2016 | All rights reserved
36
Tendances entre le RWA density, les actifs totaux et le coût du risque
Après avoir analysé les tendances et évolutions du RWA density de 2012 à 2014, il est intéressant de
comparer ces résultats vis-à-vis de l’évolution des tendances des actifs totaux et du coût du risque.
Ci-dessous sont présentées les évolutions des actifs totaux par banque puis par type d’activités.
Graphique 22 Evolutions comparées du total des actifs
Source : GRA
Pour les banques la plus faible orientation retail (catégorie 1), la tendance d’évolution des actifs totaux
est baissière. Cette baisse peut être interprétée soit comme une diversification d’activité, recentrée vers
le retail ou soit peut faire suite à une diminution de leur bilan dans le but de se débarrasser d’actifs
risqués (deleveraging).
Pour les banques dont l’activité est moyennement à majoritairement tournée vers le retail (catégories 2
et 3), les actifs totaux suivent une tendance stable voir croissante. Ces observations combinées peuvent
laisser supposer que ces établissements ont une volonté commune de diversification de leurs activités.
Pour approfondir l’analyse, la graphique ci-dessous permet de croiser pour chaque banque, l’évolution
du RWA density croisée, et l’évolution des actifs totaux afin d’identifier les stratégies d’une année sur
l’autre.
0
500
1 000
1 500
2 000
2 500
UK1FR1DE1FR2UK2UK3FR3ES1FR4NL1UK4CH2CH1IT1NL2SW1ES2IT2DE2FR5
Total des actifs (en Md €) par an et par banque entre 2012 et 2014
201220132014
1) Retail <40% du PNB 2) Retail 40%-60% du PNB 3) Retail > 60% du PNB
Moyenne des actifs (en Md €) par type d'activités et par an entre 2012 et 2014
201220132014
36
Tendances entre le RWA density, les actifs totaux et le coût du risque
Après avoir analysé les tendances et évolutions du RWA density de 2012 à 2014, il est intéressant de
comparer ces résultats vis-à-vis de l’évolution des tendances des actifs totaux et du coût du risque.
Ci-dessous sont présentées les évolutions des actifs totaux par banque puis par type d’activités.
Graphique 22 Evolutions comparées du total des actifs
Source : GRA
Pour les banques la plus faible orientation retail (catégorie 1), la tendance d’évolution des actifs totaux
est baissière. Cette baisse peut être interprétée soit comme une diversification d’activité, recentrée vers
le retail ou soit peut faire suite à une diminution de leur bilan dans le but de se débarrasser d’actifs
risqués (deleveraging).
Pour les banques dont l’activité est moyennement à majoritairement tournée vers le retail (catégories 2
et 3), les actifs totaux suivent une tendance stable voir croissante. Ces observations combinées peuvent
laisser supposer que ces établissements ont une volonté commune de diversification de leurs activités.
Pour approfondir l’analyse, la graphique ci-dessous permet de croiser pour chaque banque, l’évolution
du RWA density croisée, et l’évolution des actifs totaux afin d’identifier les stratégies d’une année sur
l’autre.
0
500
1 000
1 500
2 000
2 500
UK1FR1DE1FR2UK2UK3FR3ES1FR4NL1UK4CH2CH1IT1NL2SW1ES2IT2DE2FR5
Total des actifs (en Md €) par an et par banque entre 2012 et 2014
201220132014
1) Retail <40% du PNB 2) Retail 40%-60% du PNB 3) Retail > 60% du PNB
Moyenne des actifs (en Md €) par type d'activités et par an entre 2012 et 2014
201220132014
© Global Research & Analytics Dept.| 2016 | All rights reserved
37
Graphique 23 Analyse comparée des variations des RWA density (en %) et du total des
actifs (en Md €) par type d’activités, par banque et par an
Source : GRA
Les niveaux de RWA density sont en hausse entre 2012 et 2014. Cette tendance ne reflète pourtant pas
la stratégie de gestion de bilan des banques. De manière générale, si une banque diminue la totalité de
ses investissements, il est attendu qu’elle se sépare de ses actifs les plus risqués en priorité et qu’en
conséquence son niveau de RWA density diminue ou reste stable. A contrario, si les actifs totaux
augmentent et qu’en même temps le niveau de RWA density diminue ou reste stable alors la banque a
suivi une stratégie d’investissement minimisant ses risques.
La graphique ci-dessus laisse apercevoir des comportements non rationnels, qui supposent que les
augmentations de RWA density sont liées soient :
– à des changements de méthodologie interne,
– à un durcissement de la réglementation,
– à des critères d’octrois imprécis amenant une banque à octroyer un prêt à un client considéré
sans risque alors qu’il est générateur de risque selon ses modèles internes.
Ces constats sont renforcés par l’évolution des coûts du risque dans le temps (cf. graphique ci-dessous),
qui suit une tendance à la baisse de 2012 à 2014 ce qui est en contradiction avec l’augmentation des
RWA enregistrés sur ces deux dernières années.
Graphique 24 Evolution de la moyenne du coût du risque (M€) par type d’activités
Source : GRA
Ainsi, il est important de noter que l’augmentation des RWA entre 2012 et 2014 n’est pas tant due à une
augmentation des risques dans les bilans des banques mais qu’à un effet de transition prudentielle de
Bâle II vers Bâle III. -
500
1 000
1 500
2 000
2 500
0%
10%
20%
30%
40%
50%
60%
201220132014201220132014201220132014201220132014201220132014201220132014
NL1 FR5 FR4 ES1 IT2 ES2
3) Retail > 60% du PNB -
500
1 000
1 500
2 000
2 500
0%
10%
20%
30%
40%
50%
60%
201220132014201220132014201220132014201220132014201220132014201220132014
DE1 CH1 FR2 CH2 UK2 UK3
1) Retail <40% of NBI -
500
1 000
1 500
2 000
2 500
0%
10%
20%
30%
40%
50%
60%
201220132014201220132014201220132014201220132014201220132014201220132014201220132014201220132014
FR3 SW1 NL2 FR1 UK4 DE2 UK1 IT1
2) Retail 40%-60% of NBI 1) Retail < 40% du PNB 2) Retail 40% -60% du PNB
3) Retail > 60% du PNB
RWA density
2012
RWA density
2013
RWA density
2014
Total des actifs (Md €) -2 856
-4 366
-5 120
-3 282
-4 317
-5 112
-1 977
-2 428
-4 517
1) Retail <40% du PNB 2) Retail 40%-60% du PNB 3) Retail > 60% du PNB
31/12/201231/12/201331/12/2014
37
Graphique 23 Analyse comparée des variations des RWA density (en %) et du total des
actifs (en Md €) par type d’activités, par banque et par an
Source : GRA
Les niveaux de RWA density sont en hausse entre 2012 et 2014. Cette tendance ne reflète pourtant pas
la stratégie de gestion de bilan des banques. De manière générale, si une banque diminue la totalité de
ses investissements, il est attendu qu’elle se sépare de ses actifs les plus risqués en priorité et qu’en
conséquence son niveau de RWA density diminue ou reste stable. A contrario, si les actifs totaux
augmentent et qu’en même temps le niveau de RWA density diminue ou reste stable alors la banque a
suivi une stratégie d’investissement minimisant ses risques.
La graphique ci-dessus laisse apercevoir des comportements non rationnels, qui supposent que les
augmentations de RWA density sont liées soient :
– à des changements de méthodologie interne,
– à un durcissement de la réglementation,
– à des critères d’octrois imprécis amenant une banque à octroyer un prêt à un client considéré
sans risque alors qu’il est générateur de risque selon ses modèles internes.
Ces constats sont renforcés par l’évolution des coûts du risque dans le temps (cf. graphique ci-dessous),
qui suit une tendance à la baisse de 2012 à 2014 ce qui est en contradiction avec l’augmentation des
RWA enregistrés sur ces deux dernières années.
Graphique 24 Evolution de la moyenne du coût du risque (M€) par type d’activités
Source : GRA
Ainsi, il est important de noter que l’augmentation des RWA entre 2012 et 2014 n’est pas tant due à une
augmentation des risques dans les bilans des banques mais qu’à un effet de transition prudentielle de
Bâle II vers Bâle III. -
500
1 000
1 500
2 000
2 500
0%
10%
20%
30%
40%
50%
60%
201220132014201220132014201220132014201220132014201220132014201220132014
NL1 FR5 FR4 ES1 IT2 ES2
3) Retail > 60% du PNB -
500
1 000
1 500
2 000
2 500
0%
10%
20%
30%
40%
50%
60%
201220132014201220132014201220132014201220132014201220132014201220132014
DE1 CH1 FR2 CH2 UK2 UK3
1) Retail <40% of NBI -
500
1 000
1 500
2 000
2 500
0%
10%
20%
30%
40%
50%
60%
201220132014201220132014201220132014201220132014201220132014201220132014201220132014201220132014
FR3 SW1 NL2 FR1 UK4 DE2 UK1 IT1
2) Retail 40%-60% of NBI 1) Retail < 40% du PNB 2) Retail 40% -60% du PNB
3) Retail > 60% du PNB
RWA density
2012
RWA density
2013
RWA density
2014
Total des actifs (Md €) -2 856
-4 366
-5 120
-3 282
-4 317
-5 112
-1 977
-2 428
-4 517
1) Retail <40% du PNB 2) Retail 40%-60% du PNB 3) Retail > 60% du PNB
31/12/201231/12/201331/12/2014
© Global Research & Analytics Dept.| 2016 | All rights reserved
38
Conclusion
En conclusion, le RWA density est un indicateur souvent en retrait dans les reporting des banques. La
composition du numérateur, dont les méthodes de calcul sont variables d’un établissement à l’autre, peut
être un élément d’explication. Cependant, une fois les limites et contraintes liées aux RWA density
maitrisées, son utilisation devient plus évidente, et ses conclusions d’autant plus pertinentes. En effet,
ce ratio permet d’identifier en amont – principe de détection – les banques européennes ayant une
activité plus exposée au contexte macroéconomique et/ou leur stratégie d’investissement. Par ailleurs,
il s’avère être un outil complémentaire au ratio de solvabilité, dont l’analyse combinée permet de
traduire la philosophie de gestion des risques des banques – principe de transparence.
D’autre part, dans un contexte réglementaire tendant à l’uniformisation des pratiques de gestion du
risque, le RWA density gagnera certainement en popularité puisque ses principales faiblesses en seraient
corrigées (forte réduction de la sensibilité de l’indicateur vis-à-vis des paramètres de risques internes).
De plus d’un point de vue interne, cette même sensibilité rend le ratio particulièrement réactif aux
scénarios de dégradation conjoncturelle – principe d’anticipation – et pourrait donc être utilisé comme
un outil de stress-testing.
Enfin, si la pertinence de l’indicateur est démontrée, elle pourrait s’en trouver renforcée en combinaison
avec d’autres indicateurs de liquidité, rentabilité, solvabilité ou gestions des risques – principe de
complémentarité – afin de décrypter parfaitement les stratégies des banques et de les mettre à la même
échelle du point de vue des investisseurs – principe de comparabilité.
38
Conclusion
En conclusion, le RWA density est un indicateur souvent en retrait dans les reporting des banques. La
composition du numérateur, dont les méthodes de calcul sont variables d’un établissement à l’autre, peut
être un élément d’explication. Cependant, une fois les limites et contraintes liées aux RWA density
maitrisées, son utilisation devient plus évidente, et ses conclusions d’autant plus pertinentes. En effet,
ce ratio permet d’identifier en amont – principe de détection – les banques européennes ayant une
activité plus exposée au contexte macroéconomique et/ou leur stratégie d’investissement. Par ailleurs,
il s’avère être un outil complémentaire au ratio de solvabilité, dont l’analyse combinée permet de
traduire la philosophie de gestion des risques des banques – principe de transparence.
D’autre part, dans un contexte réglementaire tendant à l’uniformisation des pratiques de gestion du
risque, le RWA density gagnera certainement en popularité puisque ses principales faiblesses en seraient
corrigées (forte réduction de la sensibilité de l’indicateur vis-à-vis des paramètres de risques internes).
De plus d’un point de vue interne, cette même sensibilité rend le ratio particulièrement réactif aux
scénarios de dégradation conjoncturelle – principe d’anticipation – et pourrait donc être utilisé comme
un outil de stress-testing.
Enfin, si la pertinence de l’indicateur est démontrée, elle pourrait s’en trouver renforcée en combinaison
avec d’autres indicateurs de liquidité, rentabilité, solvabilité ou gestions des risques – principe de
complémentarité – afin de décrypter parfaitement les stratégies des banques et de les mettre à la même
échelle du point de vue des investisseurs – principe de comparabilité.
© Global Research & Analytics Dept.| 2016 | All rights reserved
39
Table des illustrations
Graphiques
Graphique 1 Décomposition des RWA ................................................................................................... 6
Graphique 2 Répartition des RW et des RWA density - Banque 1 ....................................................... 11
Graphique 3 Répartition des RW et des RWA density - Banque 2 ....................................................... 12
Graphique 4 Distributions comparées des RWA density stressés par banque ...................................... 14
Graphique 5 Evolutions cumulées des revenus et des charges des 20 banques de l’échantillon entre
2012 et 2014 .......................................................................................................................................... 16
Graphique 6 Evolutions comparées des moyennes annuelles de 13 banques européennes entre 2006 et
2014 ....................................................................................................................................................... 17
Graphique 7 Evolution du RoRWA par banque et par an entre 2012 et 2014 ...................................... 17
Graphique 8 Evolution de la part du coût du risque par rapport au PNB entre 2012 et 2014 ............... 18
Graphique 9 Répartition des RWA density par notation externe entre 2012 et 2014 ........................... 20
Graphique 10 Corrélations entre le RWA density et le Coût du risque / TA par an ............................. 21
Graphique 11 Comparaison Ratio de Solvaibilité vs. RWA density par banque en 2013 .................... 22
Graphique 12 Volatilité du RWA density par rapport à une valeur forfaitaire de 30% (année 2013) .. 23
Graphique 13 Décomposition en moyenne des RWA par année .......................................................... 24
Graphique 14 Moyenne des RWA density par année............................................................................ 25
Graphique 15 Evolutions annuelles des composantes du RWA par banque sur la période .................. 25
Graphique 16 Variation moyenne des RWA density entre 2012 et 2013 puis 2013 et 2014 ................ 26
Graphique 17 Distribution annuelle et cumulée des RWA density ....................................................... 28
Graphique 18 Moyenne des RWA density (2012-2014) par tranche (> 40% ; 40%) ........................ 29
Graphique 19 RWA density moyen par type d’activités et par année ................................................... 30
Graphique 20 Moyennes (2012-2014) des RWA density par banque et type d’activité ....................... 31
Graphique 21 Comportements des banques par groupe et sous-groupe ................................................ 34
Graphique 22 Evolutions comparées du total des actifs ........................................................................ 36
Graphique 23 Analyse comparée des variations des RWA density (en %) et du total des actifs (en Md
€) par type d’activités, par banque et par an .......................................................................................... 37
Graphique 24 Evolution de la moyenne du coût du risque (M€) par type d’activités ........................... 37
Tableaux
Tableau 1 Composition du portefeuille de la banque 1 ......................................................................... 10
Tableau 2 Composition du portefeuille de la banque 2 ......................................................................... 11
Tableau 3 RWA density par scénario .................................................................................................... 13
Tableau 4 Statistiques des RWA density stressés par banque ............................................................... 14
Tableau 5 Comparaison des indicateurs moyens des banques UK1, UK3, IT1 et IT2 ......................... 18
Tableau 6 Variations comparées PNB, coût du risque entre 2012 et 2014 ........................................... 18
Tableau 7 Contingence entre la qualité de crédit et le RWA density sur la période 2012 - 2014 ......... 21
Tableau 8 Comparaison des écarts types par type d’activités et par an................................................. 31
Tableau 9 Distinction des groupes et sous-groupes de l’échantillon ..................................................... 32
Tableau 10 Chiffres clés des RWA density étudiés par sous-groupe .................................................... 33
39
Table des illustrations
Graphiques
Graphique 1 Décomposition des RWA ................................................................................................... 6
Graphique 2 Répartition des RW et des RWA density - Banque 1 ....................................................... 11
Graphique 3 Répartition des RW et des RWA density - Banque 2 ....................................................... 12
Graphique 4 Distributions comparées des RWA density stressés par banque ...................................... 14
Graphique 5 Evolutions cumulées des revenus et des charges des 20 banques de l’échantillon entre
2012 et 2014 .......................................................................................................................................... 16
Graphique 6 Evolutions comparées des moyennes annuelles de 13 banques européennes entre 2006 et
2014 ....................................................................................................................................................... 17
Graphique 7 Evolution du RoRWA par banque et par an entre 2012 et 2014 ...................................... 17
Graphique 8 Evolution de la part du coût du risque par rapport au PNB entre 2012 et 2014 ............... 18
Graphique 9 Répartition des RWA density par notation externe entre 2012 et 2014 ........................... 20
Graphique 10 Corrélations entre le RWA density et le Coût du risque / TA par an ............................. 21
Graphique 11 Comparaison Ratio de Solvaibilité vs. RWA density par banque en 2013 .................... 22
Graphique 12 Volatilité du RWA density par rapport à une valeur forfaitaire de 30% (année 2013) .. 23
Graphique 13 Décomposition en moyenne des RWA par année .......................................................... 24
Graphique 14 Moyenne des RWA density par année............................................................................ 25
Graphique 15 Evolutions annuelles des composantes du RWA par banque sur la période .................. 25
Graphique 16 Variation moyenne des RWA density entre 2012 et 2013 puis 2013 et 2014 ................ 26
Graphique 17 Distribution annuelle et cumulée des RWA density ....................................................... 28
Graphique 18 Moyenne des RWA density (2012-2014) par tranche (> 40% ; 40%) ........................ 29
Graphique 19 RWA density moyen par type d’activités et par année ................................................... 30
Graphique 20 Moyennes (2012-2014) des RWA density par banque et type d’activité ....................... 31
Graphique 21 Comportements des banques par groupe et sous-groupe ................................................ 34
Graphique 22 Evolutions comparées du total des actifs ........................................................................ 36
Graphique 23 Analyse comparée des variations des RWA density (en %) et du total des actifs (en Md
€) par type d’activités, par banque et par an .......................................................................................... 37
Graphique 24 Evolution de la moyenne du coût du risque (M€) par type d’activités ........................... 37
Tableaux
Tableau 1 Composition du portefeuille de la banque 1 ......................................................................... 10
Tableau 2 Composition du portefeuille de la banque 2 ......................................................................... 11
Tableau 3 RWA density par scénario .................................................................................................... 13
Tableau 4 Statistiques des RWA density stressés par banque ............................................................... 14
Tableau 5 Comparaison des indicateurs moyens des banques UK1, UK3, IT1 et IT2 ......................... 18
Tableau 6 Variations comparées PNB, coût du risque entre 2012 et 2014 ........................................... 18
Tableau 7 Contingence entre la qualité de crédit et le RWA density sur la période 2012 - 2014 ......... 21
Tableau 8 Comparaison des écarts types par type d’activités et par an................................................. 31
Tableau 9 Distinction des groupes et sous-groupes de l’échantillon ..................................................... 32
Tableau 10 Chiffres clés des RWA density étudiés par sous-groupe .................................................... 33
© Global Research & Analytics Dept.| 2016 | All rights reserved
40
Bibliography
Le Leslé, Avramova (2012), Why do RWA differ across countries and what can be done about it ?, IMF
Working Paper
Bruno, Nocera, Resti (2014), The credibility of European banks’ risk-weighted capital: structural
differences or national segmentations, European Banking Authority
Arroyo, Colomer, Garcia-Baena, Gonzalez-Mosquera, Comparing Risk-Weighted Assets: the
importance of supervisory validation process, Banco di Espana
Cannata, Casellina, Guidi (2012), Inside the labyrinth of Basel risk-weighted assets: how not to get lost,
Banca d’Italia
Regulatory Consistent Assessment Programme (RCAP) (2013), Analysis of risk-weighted assets for
credit risk in the banking book, Basel Committee on Banking Supervision
Regulatory Consistent Assessment Programme (RCAP) (2013), Analysis of risk-weighted assets for
market risk, Basel Committee on Banking Supervision
Sinn, D’Acunto, Oldrini (2013), European Banking: Striking the right balance between risk and return,
Bain & Company
Nadal, Serrano (2012), The new importance of Risk-Weighted Assets across Europe, Accenture
40
Bibliography
Le Leslé, Avramova (2012), Why do RWA differ across countries and what can be done about it ?, IMF
Working Paper
Bruno, Nocera, Resti (2014), The credibility of European banks’ risk-weighted capital: structural
differences or national segmentations, European Banking Authority
Arroyo, Colomer, Garcia-Baena, Gonzalez-Mosquera, Comparing Risk-Weighted Assets: the
importance of supervisory validation process, Banco di Espana
Cannata, Casellina, Guidi (2012), Inside the labyrinth of Basel risk-weighted assets: how not to get lost,
Banca d’Italia
Regulatory Consistent Assessment Programme (RCAP) (2013), Analysis of risk-weighted assets for
credit risk in the banking book, Basel Committee on Banking Supervision
Regulatory Consistent Assessment Programme (RCAP) (2013), Analysis of risk-weighted assets for
market risk, Basel Committee on Banking Supervision
Sinn, D’Acunto, Oldrini (2013), European Banking: Striking the right balance between risk and return,
Bain & Company
Nadal, Serrano (2012), The new importance of Risk-Weighted Assets across Europe, Accenture
Download
Download Slideshow Get the original presentation fileQuick Actions
Statistics
- Views 2,673
- Slides 40
- Favorites 1
- Age 3582 days
Related Slideshows
1
MGV Residential Design projects for different clients, including a New Mexico Adobe project-1-.pdf
mannyvesa
26 views
16
EUNITED_Advocacy and Public Engagement through Visual Media
GeorgeDiamandis11
30 views
31
DESIGN THINKINGGG PPT 2 TOPIC IDEATION.pptx
HibaZaidi2
24 views
36
DESIGN THINKING CHAPTER 1 PPTT PPT 1.pptx
HibaZaidi2
27 views
112
Hinduism and Its History - PowerPoint Slides.pptx
ConorMcCormack10
23 views
20
Service Attributes of Manufactured Parts.pptx
MustafaEnesKrmac
24 views