Les modèles ne sont pas conçus comme une boîte noire. Nous cherchons un équilibre entre puissance de détection et capacité à justifier les signaux devant un comité de risques.
Notre expérience des marchés nous a appris qu’aucun modèle ne remplace le jugement des équipes. Nous voyons l’IA comme un outil de tri et de mise en forme des signaux, pas comme un oracle. Cette conviction guide nos choix de conception et de gouvernance.
Nous avons tous vu des modèles performants sur le passé mais fragiles face à de nouveaux régimes. Notre philosophie est de viser la robustesse plutôt que la sophistication pour elle‑même : diversification des sources de données, tests de sensibilité, suivi des dérives et capacité assumée à remettre en question certaines briques. Les utilisateurs doivent pouvoir douter des modèles, les challenger et participer à leur évolution.
La plateforme n’a pas vocation à dicter des décisions, mais à structurer les échanges entre risques, trésorerie, recherche et direction. Nous concevons les signaux, les visualisations et la documentation comme des supports de discussion, permettant de revisiter les épisodes passés, de préparer les comités et de garder une mémoire partagée des débats autour du stress de change.
Nous identifions et connectons les flux de données macro haute fréquence, les indicateurs de marché et les signaux de transactions pertinents pour le suivi du stress de change, en mettant en place des contrôles de qualité et une historisation structurée.
Nous construisons des variables dérivées adaptées aux séries temporelles : variations, écarts à tendance, mesures de dispersion et indicateurs de corrélation, tout en veillant à conserver une interprétation économique claire.
Nous entraînons des modèles d’IA sur des épisodes historiques de stress de change, en évaluant leur capacité à détecter des signaux précurseurs tout en restant stables et explicables. Nous analysons les contributions des facteurs et les cas de faux signaux.
Nous déployons les modèles retenus dans un cadre de production surveillé, avec des indicateurs de performance, des revues périodiques et la possibilité d’ajuster les paramètres ou les univers de données avec les équipes clientes.
Nous documentons l’ensemble du processus, des données aux modèles, et organisons des sessions de revue avec les équipes risques et contrôle pour s’assurer que les signaux sont compris, challengés et intégrés aux processus internes.
Quelques épisodes de stress de change rejoués avec nos signaux pour illustrer leurs apports et leurs limites.
Nous analysons un épisode marqué de tensions de change et de liquidité. Les signaux de la plateforme sont rejoués sur cette période : nous observons à quel moment les indicateurs composites commencent à s’écarter de leur régime habituel, comment les facteurs macro et de flux contribuent à ces mouvements et quelle marge de manœuvre temporelle cela aurait laissé aux équipes risques.
Sur un autre épisode, plus progressif, nous étudions comment les signaux haute fréquence réagissent à une succession de surprises macro et de variations de liquidité. Les backtests montrent que certaines variables sont particulièrement utiles pour capter ces glissements lents, tandis que d’autres restent plus adaptées aux chocs brusques.
Nous examinons un cas où les marchés ont réagi très rapidement à un choc exogène. Les signaux de la plateforme sont confrontés à cette dynamique : nous mesurons les délais d’alerte, les faux signaux éventuels et la façon dont les comités auraient pu utiliser ces informations pour structurer leurs discussions, sans prétendre anticiper l’événement lui‑même.
Enfin, nous analysons un épisode plus récent pour vérifier si les relations entre variables observées par le passé restent pertinentes. Cette analyse nous aide à identifier les zones où les modèles doivent être ajustés, les nouvelles sources de données à intégrer et les points d’attention à partager avec les équipes clientes.