Quantification du risque opérationnel

La quantification des risques opérationnels désigne l'ensemble des méthodes statistiques et analytiques visant à évaluer et à modéliser les pertes financières potentielles d'une organisation liées au risque opérationnel, c'est-à-dire les pertes découlant soit de défaillances internes (fraudes, erreur de saisie, etc.), soit d'événements externes sur lesquels l'organisation n'a qu'une prise limitée ( catastrophes naturelles, épidémies, etc.). Ainsi, pour une banque, le risque qu'un emprunteur ne rembourse pas n'est pas un risque opérationnel (c'est un risque de crédit, qui soit être régulé par les processus internes de la banque), mais une erreur dans l'octroi d'un crédit (le conseiller bancaire se trompe et accepte un crédit qu'il voulait refuser) est un risque opérationnel.

La quantification des risques opérationnels est particulièrement développée dans le secteur financier. D'une part, il s'agit d'un des risques majeurs du domaine : les opérations de marché faites en contournement des processus de l'établissement peuvent conduire à des pertes se chiffrant en milliards d'euros et mettant en péril la survie d'un établissement. D'autre part, les pertes sont définies formellement dnas la règlementation internationale du Comité de Bâle sur le contrôle bancaire lors des accords de Bâle II (2004). Cette réglementation les définit comme « le risque de perte résultant de l'inadéquation ou de la défaillance de processus internes, de personnes et de systèmes, ou d'événements externes »[1], et impose leur quantification de manière afin d'évaluer une partie du du capital réglementaire et du capital économique (Pilier 2 / ICAAP), c'est-à-dire les montant de fonds propres que les institutions financières doivent déternir afin d'absorber un niveau suffisant de risques. Cette quantification sert aussi de base pour calibrer l'appétence au risque et évaluer la résilience opérationnelle, garantissant la capacité d'une institution à maintenir ses activités essentielles lors de chocs majeurs.

En pratique, les institutions s'appuient sur une combinaison d'approches qualitatives, comme l'auto-évaluation des risques et des contrôles (approches dites RCSA, Risk and Control Self-Assessment), et quantitatives, telles que l'approche de mesure standardisée (SMA, Standardized measurement approach) et l'approche par distribution des pertes (LDA, Loss Distribution Approach).

Depuis les années 2020, face à l'émergence de menaces systémiques liées aux risques climatiques et à la dépendance aux prestataires technologiques, ces méthodologies intègrent des analyses de scénarios prospectives. Ces pratiques sont encadrées par de nouvelles normes de supervision (telles que le règlement européen DORA, Digital Operational Resilience for the financial section and Amending regulations) et s'appuient techniquement sur l'apprentissage automatique et le traitement des données massives (Big data).

Typologie des approches méthodologiques

modifier

Les institutions financières emploient diverses approches méthodologiques pour quantifier leurs expositions au risque opérationnel. Le choix du modèle dépend de la profondeur de l'historique des données[2], des contraintes réglementaires[3] et des objectifs internes de l'établissement en matière de résilience[4].

Les modèles quantitatifs se divisent en deux grandes catégories. D'une part, les méthodes statistiques évaluent conjointement la fréquence et la sévérité des pertes historiques. D'autre part, les analyses de scénarios prospectives estiment l'impact d'événements rares mais critiques, tels que les cyberattaques, les litiges de conformité ou les défaillances de systèmes[5]. À titre d'illustration, la panne informatique mondiale liée au prestataire CrowdStrike en ou l'attaque par rançongiciel ayant paralysé la filiale américaine de la banque ICBC en constituent le type de chocs majeurs évalués par ces scénarios[6],[7]. Ces deux approches s'appuient fréquemment sur des techniques de modélisation, comme la simulation de Monte-Carlo, pour générer des distributions de pertes et calculer les exigences de capital à des niveaux de confiance très élevés (généralement fixés à 99,9 % par les régulateurs)[8].

La mise en œuvre de ces modèles mathématiques soulève toutefois plusieurs défis techniques, particulièrement documentés par les autorités de supervision[9] :

  • La rareté des données historiques et les biais de déclaration, particulièrement marqués pour les événements de perte extrême
  • L'hyper-sensibilité des exigences de capital aux hypothèses mathématiques, notamment concernant la forme de la queue de distribution et les structures de corrélation entre les risques
  • La complexité d'alignement entre les résultats statistiques purs et les évaluations qualitatives issues du terrain (comme le dispositif RCSA).

Pour pallier ces limites, les établissements bancaires et assurantiels n'utilisent plus ces modèles de façon isolée. Ils intègrent désormais systématiquement les mesures quantitatives aux évaluations qualitatives au sein d'un dispositif global et multi-niveaux de gestion des risques[9].

L'Approche de mesure standardisée (SMA)

modifier

L'Approche de mesure standardisée (SMA) a été introduite par le Comité de Bâle sur le contrôle bancaire (BCBS) en lors de la finalisation des accords de Bâle III. Cette méthode vise à simplifier le calcul des exigences de fonds propres et à réduire la variabilité des modèles, garantissant ainsi une meilleure comparabilité entre les institutions financières[10]. La SMA remplace définitivement l'Approche de mesure avancée (AMA), qui octroyait auparavant aux banques une flexibilité jugée hétérogène. En Europe, cette norme est transposée par le règlement CRR 3, applicable dès 2025[11].

Le calcul de l'exigence de capital repose sur deux composantes clés[12] :

  • L'indicateur d'activité (BI) : il mesure la taille de la banque via ses revenus (intérêts, commissions). Un volume d'affaires élevé, comme celui issu de la fusion entre UBS et Credit Suisse actée en 2023, entraîne mécaniquement une hausse de l'exigence de fonds propres de base en raison de la taille systémique de la nouvelle entité et de la surveillance accrue du régulateur FINMA[13].
  • Le multiplicateur de pertes internes (ILM) : ce coefficient ajuste le capital selon l'historique réel des sinistres. Par exemple, une banque ayant subi des litiges juridiques massifs voit son ILM augmenter, l'obligeant à immobiliser davantage de capital pour couvrir d'éventuels futurs chocs opérationnels[11].

L'objectif est d'éliminer le risque de modèle. En imposant des paramètres prédéfinis, la supervision devient plus uniforme[14]. Toutefois, les autorités exigent que les banques complètent cette approche prescriptive par des scénarios prospectifs dans le cadre de leur processus d'évaluation interne (ICAAP)[15].

Approche par Distribution des Pertes (LDA)

modifier

L'Approche par Distribution des Pertes (LDA) est une méthode statistique utilisée pour estimer la distribution totale des pertes opérationnelles à partir des données historiques. Elle modélise séparément la fréquence des événements, souvent par des processus de Poisson ou de loi binomiale négative, et la sévérité des pertes, généralement ajustée à des distributions à queue épaisse telles que les lois Lognormale, Weibull ou Pareto[8],[16]. La simulation de Monte-Carlo est ensuite utilisée pour dériver les distributions de pertes agrégées et déterminer l'exigence de capital à un centile de 99,9 %[17].

Cette approche utilise la théorie des valeurs extrêmes (EVT) pour modéliser le comportement de la queue de distribution, se concentrant sur les événements de faible fréquence mais de très forte sévérité. L'utilisation des copules mathématiques permet d'intégrer les structures de dépendance entre les différentes catégories d'incidents[16]. Par ailleurs, l'approche bayésienne permet d'intégrer le jugement d'expert aux données empiriques pour pallier le manque de données historiques[18].

La mise en œuvre de la LDA requiert toutefois une base de données volumineuse, ce qui constitue une limite pour modéliser les événements rares. Un événement extrême unique peut rendre les modèles statistiques obsolètes. À titre d'exemple, la perte de 4,9 milliards d'euros subie par la Société Générale en 2008 (affaire Jérôme Kerviel) a démontré l'incapacité des modèles internes basés sur l'historique à anticiper un sinistre d'une telle ampleur, dépassant de loin tous les scénarios de sévérité modélisés jusqu'alors[19].

Ces faiblesses, notamment le postulat que le passé préfigure l'avenir, ont conduit les autorités de supervision à remplacer progressivement ces modèles internes par l'approche standardisée SMA[20].

Scénarios basés sur des experts

modifier

Depuis le , le règlement européen DORA (Digital Operational Resilience Act) impose aux institutions financières de modéliser des scénarios d'interruption totale de services critiques. Ces analyses ne partent plus des données passées mais de situations de rupture plausibles. L'analyse de scénarios fondés sur le jugement d'experts constitue une approche qualitative dans la quantification du risque opérationnel. Contrairement aux modèles strictement quantitatifs tels que la LDA ou la SMA, cette méthode ne se limite pas aux seules données historiques. Elle s'appuie sur les connaissances d'experts internes ou externes pour évaluer la probabilité et l'impact potentiel d'événements rares, émergents ou inédits, à l'image des cyberattaques majeures, des défaillances de prestataires critiques ou des chocs systémiques[21].

La méthodologie repose sur le reverse stress testing : l'expert identifie le point de rupture (le scénario qui rendrait la banque insolvable ou incapable d'opérer) et travaille à rebours pour quantifier la probabilité d'occurrence[22]. Ces tests doivent couvrir un horizon de survie spécifique, souvent fixé à 30 jours pour les liquidités liées aux risques opérationnels. Les experts quantifient ces chocs via des distributions de probabilité dont le niveau de confiance est calé sur les exigences de Bâle III, soit 99,9 %. Cela signifie que l'institution doit être capable de résister à un choc opérationnel qui ne se produit statistiquement qu'une fois tous les 1000 ans[23].

En pratique, cette démarche s'articule autour d'ateliers structurés ou d'entretiens individuels réunissant des professionnels de la gestion des risques et des experts métiers. Leurs évaluations empiriques sont traduites sous forme de paires probabilité-sévérité, permettant de générer des distributions de pertes simulées. Cette flexibilité permet de capturer des risques extrêmes qui échapperaient aux modèles purement statistiques[5]. Par exemple, la généralisation des plans de continuité d'activité lors de la crise sanitaire de 2020 a illustré l'importance de ces scénarios pour maintenir les services essentiels malgré l'absence de données historiques comparables pour une pandémie moderne[24].

L'intégration de ces scénarios est une exigence réglementaire dans le cadre du processus d'évaluation de l'adéquation des fonds propres internes (ICAAP). Elle constitue le socle des tests de résistance et des plans de redressement. Les autorités de supervision, à l'instar de l'Autorité bancaire européenne (ABE) et de la Banque d'Angleterre, exigent désormais la quantification rigoureuse de ces tolérances d'impact pour s'assurer qu'elles s'alignent avec l'appétence au risque déclarée[25].

Pour affiner ces projections, ces modèles hybrides associent jugements qualitatifs et outils mathématiques, recourant fréquemment à la simulation de Monte-Carlo pour évaluer diverses configurations d'activité ou l'efficacité d'investissements de sécurité[26]. Ces analyses sont employées pour calibrer l'appétence au risque, tester les interdépendances entre défaillances et évaluer la faisabilité des plans de continuité selon les référentiels de résilience (tels que le dispositif PS6/21 au Royaume-Uni)[4].

Scénarios basés sur l'exposition

modifier

Les méthodologies fondées sur l'exposition ont été standardisées par l'association ORX, qui regroupe plus de 115 institutions financières mondiales, dans son rapport de référence d'[27]. Ces approches lient les pertes à des ressources productives identifiées.

À la différence des scénarios d'experts classiques, le modèle Exposition, Occurrence, Impact (XOI) décompose le risque selon des variables observables et auditables[28] :

  • L'Exposition (X) : elle quantifie le volume d'unités à risque. Par exemple, pour un risque de virement frauduleux, l'exposition correspond au nombre total de transactions traitées annuellement (ex : 10 millions de virements SWIFT)
  • L'Occurrence (O) : elle exprime la probabilité de défaillance par unité. Si le taux de fraude historique est de 0,001 %, cette fréquence est ajustée selon l'efficacité des contrôles anti-fraude actuels
  • L'Impact (I) : il définit la perte financière par unité touchée, par exemple un coût moyen de 15 000 euros par incident, incluant les sanctions réglementaires et les frais de remédiation.

La perte totale estimée est le produit de ces facteurs : $Perte = X x O x I$. Pour capturer l'incertitude, les institutions utilisent la simulation de Monte-Carlo avec un minimum de 100 000 itérations[29]. Ce procédé permet de générer une courbe de distribution où le point à 99,9 % de confiance définit le capital économique nécessaire pour couvrir une perte extrême millénale.

Cette méthode permet de définir des tolérances d'impact très précises. Par exemple, une banque peut établir qu'une indisponibilité de son système de paiement dépassant 120 minutes entraînerait une perte de capital dépassant son appétence au risque, déclenchant ainsi des investissements automatiques dans la redondance des infrastructures[4].

Synthèse : matrice des applications

modifier

Le tableau suivant résume la manière dont chaque approche est généralement appliquée au sein d'un cadre de gestion du risque opérationnel[30] :

Application RCSA SMA LDA Scénario basé sur des experts Scénario basé sur l'exposition (XOI)
Capital réglementaire (Pilier 1) ✓ ✓
Capital économique (ICAAP / Pilier 2) ✓ ✓ ✓
Appétence au risque et tolérances ✓ ✓ ✓
Résilience opérationnelle ✓
Stress Testing (Tests de résistance) ✓ ✓

La SMA et la LDA sont principalement associées au calcul du capital. La SMA fournit l'exigence de fonds propres réglementaires au titre du Pilier 1, tandis que la LDA reste largement utilisée par les grandes institutions pour leurs estimations de capital interne (Pilier 2) en raison de sa structure statistique permettant de modéliser l'intégralité de la distribution des pertes[25].

L'analyse de scénarios, quant à elle, est employée pour les évaluations prospectives, notamment l'ICAAP, le calibrage de l'appétence au risque et les tests de résistance prudentiels. Elle permet de quantifier des événements à faible fréquence mais à forte sévérité, imparfaitement capturés par les données historiques[21].

Parallèlement, la méthode des scénarios structurés (telle que l'approche XOI) et les modèles fondés sur l'exposition renforcent cette dimension prospective en reliant les pertes potentielles à leurs déterminants opérationnels (processus internes, systèmes d'information ou dépendance aux prestataires)[28]. Ces approches s'intègrent aux dispositifs de résilience opérationnelle afin d'évaluer les seuils de tolérance et les capacités de reprise d'activité en cas de choc majeur[4].

De son côté, la démarche d'auto-évaluation (RCSA) nourrit indirectement les modèles quantitatifs. En recensant les expositions majeures et les vulnérabilités des dispositifs de contrôle à tous les niveaux de l'entreprise, le RCSA fournit les données d'entrée qualitatives nécessaires à l'élaboration des scénarios, au calcul du capital interne et à la définition de l'appétence au risque. Ce processus cartographie l'environnement de contrôle dans lequel s'appliquent ensuite les modèles statistiques[31].

En pratique, les institutions financières ne s'appuient jamais sur un outil unique, mais combinent conjointement ces différentes approches de manière intégrée. Cette complémentarité est requise par les superviseurs pour répondre aux exigences réglementaires, justifier l'adéquation des fonds propres et tester la résilience globale de l'établissement face à des scénarios de crise sévères mais plausibles[30].

Élargissement du champ de la quantification

modifier

L'évolution de la quantification du risque opérationnel reflète une convergence progressive entre la simplification réglementaire, la sophistication des modèles et une supervision désormais orientée vers la résilience. Depuis l'introduction du cadre de Bâle II, les méthodologies ont transité de formules basées sur des indicateurs de volume vers des approches prospectives intégrant des données endogènes et des vecteurs d'exposition exogènes[32].

Sous l'impulsion de la transformation numérique, le périmètre de la quantification intègre désormais des métriques de cybersécurité avancées. La modélisation ne se limite plus à l'indemnisation des pertes financières, mais s'étend à la mesure de la capacité de survie de l'institution. Cette évaluation s'appuie sur des indicateurs de performance standardisés tels que l'objectif de temps de récupération (RTO) et l'objectif de point de récupération (RPO). En Europe, le règlement DORA institutionnalise cette démarche en imposant des tests de pénétration fondés sur la menace pour valider ces seuils de tolérance. L'urgence de ces mesures est soulignée par l'augmentation continue du coût moyen d'une violation de données dans le secteur financier mondial, qui a atteint 5,9 millions de dollars en 2023, soit une hausse de 15 % par rapport à 2020[33]. À titre d'exemple, l'attaque par rançongiciel ayant visé le prestataire ION Trading en 2023 a paralysé les activités de compensation de dizaines de banques, illustrant la nécessité de quantifier précisément ces interdépendances technologiques[34].

Parallèlement, la taxonomie des risques opérationnels a formellement intégré la gestion des risques liés aux tiers, souvent désignée par l'acronyme TPRM (Third-Party Risk Management). L'externalisation massive vers des prestataires de services informatiques en nuage génère aujourd'hui un risque de concentration systémique majeur. En effet, environ 70 % des services de Cloud computing du secteur financier européen sont concentrés entre trois fournisseurs dominants : AWS, Microsoft Azure et Google Cloud[35]. Pour appréhender ce phénomène, la quantification recourt de plus en plus à la théorie des graphes afin d'identifier les points de rupture uniques (Single Points of Failure) au sein des chaînes de sous-traitance. Des incidents majeurs, comme l'incendie du centre de données d'OVHcloud à Strasbourg en 2021, servent désormais de cas d'école pour modéliser la perte de données et estimer les coûts de basculement en cas de défaillance matérielle d'un prestataire critique[36].

De plus, les risques climatiques et environnementaux font l'objet de développements méthodologiques intenses visant à traduire les chocs climatiques en pertes opérationnelles tangibles. Le risque physique implique la quantification des dommages directs aux infrastructures bancaires. Par exemple, en 2023, les catastrophes naturelles ont généré 380 milliards de dollars de pertes économiques mondiales, dont une part significative n'était pas assurée, accroissant de fait le risque de perte nette pour les institutions financières exposées[37]. Conjointement, le risque de transition capte l'augmentation des risques juridiques et de non-conformité. Ce volet intègre notamment les amendes et les litiges liés à l'écoblanchiment (greenwashing). L'amende de 25 millions de dollars infligée en 2022 par la SEC à DWS, la filiale de gestion d'actifs de la Deutsche Bank, pour des déclarations trompeuses sur ses critères ESG, marque à ce titre l'entrée définitive de la conformité climatique dans le calcul quantitatif du risque opérationnel[38].

En définitive, les modèles de gestion du risque opérationnel évoluent d'une approche strictement rétrospective et segmentée vers une analyse systémique et prospective (forward-looking). Cette nouvelle architecture ne se limite plus au calcul d'une simple exigence de capital réglementaire. Elle permet aux institutions de définir des seuils de tolérance à l'impact (impact tolerances) rigoureux, garantissant ainsi le maintien des fonctions critiques même en cas de choc extrême mais plausible, conformément aux principes de résilience opérationnelle édictés par le Comité de Bâle[39].

Rôle de la technologie, des données et de l'automatisation

modifier

Le volume des données financières croît de manière exponentielle. Selon le cabinet d'études IDC, les données générées par les institutions financières ont enregistré un taux de croissance annuel moyen de 26 % entre 2018 et 2025[40]. Cette prolifération d'informations non structurées (Big data) transforme la quantification du risque opérationnel. Les institutions déploient massivement des algorithmes d'apprentissage automatique (machine learning). Ces modèles ingèrent des millions de transactions par seconde pour identifier des signaux faibles. En matière de lutte contre le blanchiment d'argent (AML), l'impact est majeur. L'intégration de l'apprentissage profond (deep learning) a permis à des établissements de réduire jusqu'à 60 % les faux positifs dans la détection des transactions suspectes[41].

Parallèlement, l'analyse comportementale surveille les habitudes numériques des employés. Elle détecte les anomalies de connexion ou d'accès aux données sensibles. Cette surveillance proactive vise à prévenir les fraudes internes massives. Historiquement, l'absence de ces garde-fous algorithmiques a permis des dérives majeures, à l'image des positions dissimulées par le courtier Kweku Adoboli qui ont coûté 2,3 milliards de dollars à la banque UBS en 2011[42].

Historiquement, la collecte des événements de perte exigeait un traitement manuel fastidieux. Aujourd'hui, le traitement du langage naturel (NLP) automatise l'analyse des communications écrites ou vocales. Les algorithmes extraient la sémantique des courriels, des messageries instantanées et des réclamations clients. Ils catégorisent automatiquement les incidents selon la taxonomie réglementaire. Cette technologie est devenue indispensable face à la multiplication des canaux de communication alternatifs. Entre 2021 et 2023, la SEC a infligé plus de 200 millions de dollars d'amendes aux banques de Wall Street pour l'usage non surveillé d'applications comme WhatsApp par leurs employés[43]. L'intégration du NLP permet désormais d'ingérer ces flux massifs pour détecter instantanément un vocabulaire transgressif ou une faille de conformité systémique[44].

Par ailleurs, la théorie des graphes modélise les interdépendances technologiques complexes. Les sinistres opérationnels surviennent rarement de manière isolée. Les algorithmes révèlent les corrélations cachées entre divers facteurs internes et externes. Ils cartographient les chaînes de sous-traitance logicielle pour anticiper les effets de contagion. La cyberattaque de l'entreprise logicielle SolarWinds en 2020 illustre parfaitement ce risque d'hyper-connexion. L'infiltration malveillante d'une simple mise à jour chez ce prestataire informatique a compromis les réseaux de milliers d'entreprises et d'agences gouvernementales à travers le monde[45]. La modélisation en réseau permet d'anticiper ces vulnérabilités en cascade et d'évaluer l'exposition globale d'une banque à un risque systémique d'origine technologique[26].

L'intégration de ces technologies introduit toutefois une vulnérabilité majeure : le risque de modèle. L'opacité de certains algorithmes prédictifs pose un défi réglementaire qualifié d'effet « boîte noire ». Un modèle mal calibré engendre des pertes financières et réputationnelles colossales. En 2012, un algorithme de trading automatisé défaillant a fait perdre 440 millions de dollars au courtier Knight Capital en seulement quarante-cinq minutes[46].

De plus, les algorithmes d'intelligence artificielle peuvent reproduire des biais discriminatoires. En 2019, l'algorithme d'octroi de crédit de l'Apple Card, géré par Goldman Sachs, a fait l'objet d'une enquête du régulateur new-yorkais pour discrimination présumée fondée sur le sexe[47]. Pour prévenir ces dérives, les autorités exigent une stricte explicabilité des décisions automatisées, une validation indépendante des modèles et le maintien systématique d'une supervision humaine[48].

Notes et références

modifier
  1. ↑ (en) Comité de Bâle sur le contrôle bancaire (BCBS), « International Convergence of Capital Measurement and Capital Standards », Banque des règlements internationaux, , Paragraphe 644, p. 137
  2. ↑ (en) Comité de Bâle sur le contrôle bancaire, « International Convergence of Capital Measurement and Capital Standards: A Revised Framework : Basel II » [PDF], Banque des règlements internationaux, , p. 251
  3. ↑ (en) Autorité bancaire européenne, « 2023 EU-wide stress test – Methodological Note » [PDF], EBA,
  4. 1 2 3 4 (en) Banque d'Angleterre et Prudential Regulation Authority, « Building operational resilience: Impact tolerances for important business services (PS6/21) » [PDF], Bank of England,
  5. 1 2 (en) Kabir Dutta, « Scenario Analysis in the Measurement of Operational Risk Capital: A Review », Journal of Operational Risk, vol. 4, no 3,‎ , p. 1–27 (ISSN 1744-6740)
  6. ↑ « Panne mondiale de Microsoft : clarifications et solutions de contournement », sur Solutions Numériques,
  7. ↑ « Industrial & Commercial Bank of China Financial Services: attaque de ransomware aux USA », sur AllNews,
  8. 1 2 (en) Antoine Frachot, Georges Moudoulaud et Thierry Roncalli, « Loss Distribution Approach for Operational Risk », SSRN Electronic Journal,‎ (lire en ligne [PDF])
  9. 1 2 (en) Comité de Bâle sur le contrôle bancaire, « Operational Risk: Supervisory Guidelines for the Advanced Measurement Approaches » [PDF], Banque des règlements internationaux,
  10. ↑ (en) Comité de Bâle sur le contrôle bancaire (BCBS), « Basel III: Finalising post-crisis reforms », Banque des règlements internationaux, , Section 7 : Operational risk, p. 132
  11. 1 2 Parlement européen et Conseil de l'Union européenne, « Règlement (UE) 2024/1623 modifiant le règlement (UE) n° 575/2013 en ce qui concerne les exigences applicables au risque opérationnel (CRR 3) », Journal officiel de l'Union européenne,
  12. ↑ (en) Ariane Chapelle, Operational Risk Management : Best Practices in the Financial Services Industry, John Wiley & Sons, (ISBN 978-1-119-54904-8)
  13. ↑ La Tribune, « UBS-Credit Suisse : les risques d'une fusion géante », La Tribune,‎
  14. ↑ Christian Gourieroux et Jean-Claude Rochet, « Le risque de modèle et la réglementation bâloise », Revue d'économie financière, vol. 132, no 4,‎ , p. 165-178
  15. ↑ (en) EBA, « Guidelines on ICAAP and ILAAP »,
  16. 1 2 (en) Alexander McNeil, Rüdiger Frey et Paul Embrechts, Quantitative Risk Management : Concepts, Techniques and Tools, Princeton University Press, (ISBN 978-0-691-16627-8), Chapitre 10
  17. ↑ Yves Jégourel, Les risques financiers, La Découverte, (ISBN 9782348064562), Chapitre IV : Le risque opérationnel
  18. ↑ (en) Pavel V. Shevchenko, Modeling Operational Risk Using Bayesian Inference, Springer, (ISBN 978-3-642-15922-0)
  19. ↑ « L'affaire Kerviel, un traumatisme pour le contrôle des risques », Le Monde,‎ (lire en ligne)
  20. ↑ (en) Comité de Bâle sur le contrôle bancaire (BCBS), « Standardised Measurement Approach for operational risk », Banque des règlements internationaux,
  21. 1 2 (en) Ariane Chapelle, Operational Risk Management : Best Practices in the Financial Services Industry, John Wiley & Sons, (ISBN 978-1-119-54904-8), Chapitre 13
  22. ↑ (en) Autorité bancaire européenne (EBA), « Guidelines on common procedures and methodologies for the supervisory review and evaluation process (SREP) », , Section 7.6.4 : Reverse stress testing, p. 184
  23. ↑ (en) Comité de Bâle sur le contrôle bancaire, « International Convergence of Capital Measurement and Capital Standards », Banque des règlements internationaux, , Paragraphe 667, p. 144
  24. ↑ Banque centrale européenne (BCE), « Rapport annuel de la BCE sur ses activités prudentielles 2020 »,
  25. 1 2 (en) EBA, « Revised Guidelines on common procedures and methodologies for SREP »,
  26. 1 2 (en) Marcelo G. Cruz, Gareth W. Peters et Pavel V. Shevchenko, Fundamental Models in Financial Risk Management, John Wiley & Sons, (ISBN 978-1-118-90724-5)
  27. ↑ (en) « Exploring Risk Exposure Methodologies », ORX,
  28. 1 2 (en) Laurent Condamin et Patrick Naim, Operational Risk Modeling in Financial Services : The Exposure–Occurrence–Impact Method, Wiley, (ISBN 978-1-119-50850-2)
  29. ↑ (en) Philippa Girling, Operational Risk Management, Wiley, (ISBN 978-1-118-53245-4)
  30. 1 2 (en) Ariane Chapelle, Operational Risk Management : Best Practices in the Financial Services Industry, John Wiley & Sons, (ISBN 978-1-119-54904-8), Chapitre 2 : The Operational Risk Framework
  31. ↑ (en) Ariane Chapelle, Operational Risk Management : Best Practices in the Financial Services Industry, John Wiley & Sons, (ISBN 978-1-119-54904-8), Chapitre 6
  32. ↑ (en) Ariane Chapelle, Operational Risk Management : Best Practices in the Financial Services Industry, John Wiley & Sons, (ISBN 978-1-119-54904-8), Chapitre 1 : What is Operational Risk?
  33. ↑ (en) IBM Security, « Cost of a Data Breach Report 2023 »,
  34. ↑ (en) Autorité bancaire européenne (EBA), « EBA Guidelines on ICT and security risk management (EBA/GL/2019/04) », , Section 3 : ICT and security risk management framework
  35. ↑ (en) ESMA, « Cloud outsourcing and the risks to financial stability »,
  36. ↑ (en) Autorité bancaire européenne (EBA), « EBA Guidelines on outsourcing arrangements (EBA/GL/2019/02) », , Title IV : Outsourcing process (Risk assessment)
  37. ↑ (en) Aon, « 2024 Climate and Catastrophe Insight »,
  38. ↑ (en) Comité de Bâle sur le contrôle bancaire (BCBS), « Principles for the effective management and supervision of climate-related financial risks », Banque des règlements internationaux, , Principe 8 : Operational Risk, p. 8
  39. ↑ (en) Comité de Bâle sur le contrôle bancaire (BCBS), « Principles for Operational Resilience », Banque des règlements internationaux, , Principe 6 : Business continuity planning and testing, p. 7
  40. ↑ (en) Helena Schwenk, « Harnessing Data Analytics in Financial Services to Drive Customer Loyalty », International Banker,‎ (lire en ligne)
  41. ↑ (en) Groupe d'action financière (GAFI), « Opportunities and Challenges of New Technologies for AML/CFT », , Section 3: Artificial Intelligence
  42. ↑ (en) The Guardian, « UBS rogue trader Kweku Adoboli jailed over 'UK's biggest fraud' », The Guardian,‎ (lire en ligne)
  43. ↑ (en) Securities and Exchange Commission (SEC), « SEC Charges 11 Wall Street Firms with Widespread Recordkeeping Failures », SEC Press Release,‎ (lire en ligne)
  44. ↑ (en) Autorité bancaire européenne (EBA), « Report on Big Data and Advanced Analytics », , Section 3 : Key pillars
  45. ↑ (en) Kari Paul, « What you need to know about the biggest hack of the US government in years », The Guardian,‎ (lire en ligne)
  46. ↑ (en) Securities and Exchange Commission (SEC), « SEC Charges Knight Capital With Violations of Market Access Rule », SEC Press Release,‎ (lire en ligne)
  47. ↑ (en) Sanya Mansoor, « A Viral Tweet Accused Apple's New Credit Card of Being 'Sexist.' Now New York State Regulators Are Investigating », Time,‎ (lire en ligne)
  48. ↑ (en) Comité de Bâle sur le contrôle bancaire (BCBS), « Newsletter on artificial intelligence and machine learning », Banque des règlements internationaux, , Supervisory expectations and model risk management