Planet-Fintech
L'actualité des sociétés qui disruptent l'industrie financière

Investir est ? la port?e de tous


La nouvelle solution d’analyse du risque de crédit de Scorable permet de prédire 87% des dégradations de note des émetteurs


Avec la crise du « Covid-19 », le risque de crédit monte en flèche alors que les "Fallen Angels" se multiplient. Le lancement de la deuxième version de la solution de Scorable doit permettre aux gestionnaires de portefeuilles obligataires d’améliorer le contrôle des risques obligataires dans un contexte de forte volatilité des marchés financiers. Pendant la crise, l’outil de Scorable a d’ailleurs pu prédire 87% des dégradations de notes de crédit.

Scorable annonce aujourd’hui le lancement de la deuxième version de son application pour renforcer et augmenter la portée de son analyse du risque de crédit, aidant ainsi les gestionnaires obligataires à prendre de meilleures décisions d'investissement. La solution basée sur le « Machine Learning » permet aux gestionnaires d'actifs d’augmenter leur recherche crédit, de surveiller la qualité de crédit des entreprises, de prédire les écarts de spread et d'anticiper les changements de notation avant qu'ils ne se produisent et avant même que les marchés ne les prennent en compte.

"La crise du Covid-19 a entrainé une première vague de dégradation et notre analyse indique qu'une seconde vague est à venir dans les semaines qui viennent. Entre mars et mi-avril, plusieurs dizaines d'entreprises de notre portefeuille d'analyse ont été dégradées – et notre modèle d’intelligence artificielle a prédit 87 % de ces dégradations de note de crédit. Cela montre que l'utilisation de Scorable peut aider les gestionnaires d'actifs à détecter très tôt la dynamique du marché, et donc à ajuster leurs portefeuilles si nécessaire", déclare Philippe Padrock, directeur général de Scorable.

La crise du Covid-19 et l'effondrement du prix du pétrole ont provoqué un bouleversement massif sur les marchés financiers, rendant la gestion des risques plus importante que jamais. Le nombre de d’abaissements de note de crédit de Investment Grade à High Yield est à son plus haut niveau depuis 2015, et cette tendance n’est pas près de s’arrêter. Au cours des prochains mois, le nombre de ces émetteurs - qu'on appelle les "Fallen Angels" - va continuer à augmenter.

"Depuis le début de la crise, nous constatons un risque de crédit sensiblement élevé dans près de la moitié des entreprises que nous analysons. Ce qui est particulièrement inquiétant pour les investisseurs, c'est que notre analyse montre une forte probabilité de dégradation de la notation pour plus de 15% des émetteurs notés BBB ou BBB-. Cette situation exige une surveillance étroite de la part des investisseurs, en particulier institutionnels. Grâce aux dernières mises à jour de notre modèle, les gérants de portefeuille peuvent désormais analyser les émetteurs obligataires avec encore plus de précision et anticiper les fluctuations du risque et de spread de crédit", déclare Oliver Kroll, Chief Product Officer (CPO) de Scorable et ancien gérant taux de portefeuilles de plusieurs milliards d’euros.

Contrairement aux modèles à boîte noire qui ne montrent que la relation entrée-sortie, l'approche « Explainable AI » de Scorable permet aux utilisateurs de comprendre intuitivement la logique qui sous-tend l'analyse et d’identifier les facteurs entraînant les changements dans le scoring de crédit.

Avec la nouvelle version de Scorable, les gérants de portefeuille bénéficient d'un suivi des risques encore plus précis et plus complet, les aidant ainsi à anticiper les évolutions de marché et à gérer leur portefeuille taux en cas de crise. Le système de « Machine Learning » de la société combine et contextualise désormais plus de 350 variables quantitatives et qualitatives, y compris des données sur les devises, sur les marchés des capitaux et des indices tels que le cours du pétrole, de l'or ainsi que des données macroéconomiques.

Scorable a récemment réalisé une simulation sur un portefeuille d'obligations d'entreprises Investment Grade libellées en euros, présentant un risque de crédit et un profil de maturité moyens. Cette simulation a démontré que l'utilisation des informations basées sur l'intelligence artificielle peut aider les gestionnaires d'actifs à surperformer le marché. Entre 2017 et 2019, la stratégie a permis d'obtenir un gain global de 8,74 % avec une rotation minimale du portefeuille.

"Imaginez, par rapport à certains indices obligataires de premier plan ayant des profils de risque similaires, notre portefeuille a réalisé une surperformance annualisée significative de plus de 30 points de base (bps). En tant qu'ancien gestionnaire de portefeuille, j'aurais été très heureux de réaliser cela dans le passé, surtout dans un environnement de rendement proche de zéro", dit Oliver Kroll.

Robin Jose, Chief Technology Officer (CTO) chez Scorable ajoute : "Notre récente simulation prouve que l'utilisation de Scorable donne un avantage aux gestionnaires de portefeuille en leur permettant d'identifier les évolutions de risque de crédit et les opportunités d'investissement avant le marché. Avec la quantité croissante de données, notre « Explainable AI » offre une réelle valeur ajoutée dans le processus de décision".

Lire aussi : La fintech allemande Scorable lance sa solution d’analyse du risque-crédit reposant sur l’intelligence artificielle en France

A propos de Scorable
La société berlinoise Scorable propose une application web qui automatise l’analyse du risque de crédit des obligations grâce à l'intelligence artificielle. L’intelligence artificielle de Scorable utilise diverses sources de données comme l’actualité financière, les rapports annuels, les cours du marché et les notations financières des grandes entreprises afin de déterminer leur impact sur la qualité du crédit. Le service de Scorable s'adresse actuellement aux gestionnaires d’actifs et aux investisseurs institutionnels à travers l'Europe, en particulier en Allemagne, au Royaume-Uni, en Autriche, en Suisse et en France.


Lundi 22 Juin 2020



Nouveau commentaire :