Modélisation du risque souverain
Auteur(s) CONRAD J.
Société CNP Assurances
Année 2025
Confidentiel jusqu'au 26/06/2027

Résumé
Ce mémoire propose des méthodes de modélisation du risque souverain en vision monde réel, applicables aux études d'allocation stratégique, aux modèles internes, aux trajectoires ORSA et aux analyses de risque climatique. Contrairement aux approches classiques, la méthodologie s'appuie sur des données journalières de marché, enrichies de facteurs macroéconomiques et financiers, pour quatre pays européens présentant des profils de risque différents (France, Espagne, Italie et Grèce). Plusieurs approches méthodologiques sont comparées : forward-looking (modélisation prospective conservant l'équivalence risque-neutre), backward-looking (calibrage sur séries temporelles), et des méthodes d'apprentissage automatique (machine learning supervisé et réseaux de neurones LSTM). Les résultats montrent les limites des modèles traditionnels face à la complexité des dynamiques souveraines. Les méthodes de machine learning offrent des performances supérieures, notamment le modèle LSTM qui parvient à modéliser efficacement les relations complexes entre variables de marché et spreads souverains. L'étude démontre l'importance d'une différenciation par pays : les performances varient significativement selon le profil de risque de l'émetteur. L'application au modèle interne d'assurance illustre comment le modèle LSTM peut générer des distributions de spreads réalistes pour le calcul du SCR. Cette recherche ouvre des perspectives pour améliorer la gestion du risque souverain dans le contexte Solvabilité II, l'analyse des scénarios climatiques, l'optimisation des portefeuilles obligataires et les projections ORSA, malgré des défis d'interprétabilité et de risque de modèle qui nécessitent un encadrement rigoureux. Mots-clés : risque souverain, spread obligataire, modèle de taux, machine learning, deep learning, séries temporelles, Solvabilité II, modèle interne, processus stochastique

Abstract
This thesis proposes methods for modeling sovereign risk in a real-world perspective, applicable to strategic allocation studies, internal models, ORSA trajectories, and climate risk analyses. Unlike classical approaches, the methodology relies on daily market data, enriched with macroeconomic and financial factors, for four European countries with different risk profiles (France, Spain, Italy, and Greece). Several methodological approaches are compared: forward-looking (prospective modeling preserving risk-neutral equivalence), backward-looking (calibration on time series), and machine learning methods (supervised machine learning and LSTM neural networks). The results show the limitations of traditional models in addressing the complexity of sovereign dynamics. Machine learning methods offer superior performance, particularly the LSTM model, which effectively models complex relationships between market variables and sovereign spreads. The study demonstrates the importance of differentiation by country: performance varies significantly depending on the issuer's risk profile. The application to insurance internal models illustrates how the LSTM model can generate realistic spread distributions for SCR calculation. This research opens perspectives for improving sovereign risk management in the Solvency II context, climate scenario analysis, bond portfolio optimization, and ORSA projections, despite interpretability challenges and model risks that require rigorous oversight. Keywords: sovereign risk, bond spread, interest rate model, machine learning, deep learning, time series, Solvency II, internal model, stochastic process