Dodd-Frank Stress Testing - La date limite de soumission approche

La date limite à laquelle les banques et les institutions financières américaines doivent soumettre leurs plans de capital et les résultats de leurs propres tests de résistance au Conseil de la Réserve fédérale approche à grands pas : le 6 avril 2020.

Le Federal Reserve Board vise à évaluer les performances des grandes banques lors d'une grave récession mondiale et à fournir des informations sur la manière dont les prêts à effet de levier et les obligations de prêts garantis peuvent réagir à la même situation.

Compte tenu de l'écart actuel du COVID-19, ces exercices de simulation de crise dans le cadre du Comprehensive Capital Analysis and Review (CCAR) et de la loi Dodd-Frank arrivent à point nommé. Cette année, les tests de résistance évalueront 34 grandes banques dont l'actif total est supérieur à 100 milliards de dollars.

Il va sans dire que les données jouent un rôle essentiel dans le processus complexe des tests de résistance, et que la plupart de ces tests sont réalisés entièrement ou partiellement au moyen de modèles basés sur l'informatique parallèle et l'informatique de l'utilisateur final (EUC), y compris des feuilles de calcul, dans les banques et les institutions financières. Les institutions doivent donc accorder une attention beaucoup plus grande aux données manipulées dans les outils EUC afin de répondre aux exigences des régulateurs en matière de gouvernance des modèles. Dans le cas contraire, la possibilité d'une censure réglementaire se profile à l'horizon.

Une simple erreur dans une feuille de calcul peut faire des ravages

En fait, les instructions relatives aux tests de résistance de la loi Dodd-Frank comprennent des orientations sur les attentes des autorités de surveillance, et en particulier sur le fait que les inventaires de modèles doivent inclure les applications EUC importantes qui soutiennent les projections de modélisation financière, à la fois directement et indirectement, sous la forme de fichiers d'alimentation de données. La reconnaissance du fait que les modèles sont constitués de composants multiples pour l'entrée, le traitement et le reporting des données a fait entrer plusieurs milliers d'applications EUC dans le champ d'application des obligations de gestion du risque de modèle. Les processus traditionnels de gestion des risques liés aux modèles ne sont pas en mesure de créer et de maintenir ces inventaires considérablement élargis.

Les institutions financières doivent démontrer de manière précise et adéquate l 'origine et la validité de leurs données. Mais la tâche est ardue lorsqu'elle est entreprise manuellement. Les banques s'appuient sur de nombreuses feuilles de calcul (voire des centaines) pour étayer leurs modèles. Même une seule erreur de données dans un fichier peut proliférer dans un paysage EUC plus large, en introduisant des données inexactes dans un modèle pour produire des résultats inexacts. Les feuilles de calcul sont encombrantes et contiennent une grande quantité de données, stockées dans plusieurs feuilles, ce qui rend les divergences difficiles à identifier. Ce problème est encore aggravé par le fait que ces applications sont liées les unes aux autres par des formules, ce qui crée un environnement dans lequel les changements et les divergences ne sont pas visibles, et se produisent souvent dans des données qui ne sont pas destinées à être consultées après la saisie initiale des données.

Automatiser la gestion de l'EUC dans le cadre de la loi Dodd-Frank

En outre, les feuilles de calcul sont fréquemment partagées et transférées entre les utilisateurs, ce qui donne lieu à de multiples documents, dont un seul est à jour. S'ils ne sont pas stockés et étiquetés correctement, les utilisateurs suivants ne sont pas en mesure d'identifier la feuille de calcul qui est la version actuelle contenant des données à jour, et celle qui est potentiellement à l'origine de divergences dues à l'utilisation de données anciennes ou incorrectes.

La réponse réside dans l'automatisation des processus de gestion de l'EUC. Cela permet de garantir la qualité et la transparence des données - comment les données sont créées et où se produisent les transformations dans les modèles de données. La technologie peut faciliter l'adoption de processus de meilleures pratiques pour garantir la qualité des données en intégrant la gouvernance dans le fonctionnement de l'entreprise, en soutenant tout, depuis la création de nouvelles applications EUC jusqu'au déclassement éventuel de ces fichiers.

Avec les banques comprendre et contrôler l'ensemble de l'écosystème des données qui entoure le modèle de simulation de crise, il devient possible d'établir de quel type d'EUC proviennent les données - par exemple des feuilles de calcul ou des bases de données d'accès ; s'il s'agit d'une seule feuille de calcul ou de plusieurs feuilles de calcul qui alimentent le modèle en données ; et quels sont les liens entre les différentes données alimentées, etc.

Cette visibilité est le fruit d'un processus de découverte comprenant l'analyse des partages de fichiers et des référentiels, ainsi que l'analyse de la structure, des propriétés et du contenu de l'ensemble du patrimoine de l'EUC. Les banques peuvent classer l'inventaire des fichiers en fonction du niveau de risque (ou de la matérialité) qu'ils présentent, sur la base de l'appétence au risque de l'organisation, ce qui permet d'obtenir une vision holistique du réseau complexe de flux de données, sur une base continue.

Une approche technologique de la gestion de la qualité des données de l'EUC élimine la nécessité d'une vérification manuelle et permet de démontrer de manière crédible la validité des modèles de simulation de crise et l'exactitude des résultats correspondants pour satisfaire les régulateurs. Les solutions de gestion de l'EUC permettent aux institutions financières de mettre en place des processus de gestion des changements de données et des mécanismes de contrôle, soutenus par une piste d'audit qui garantit que l'intégrité des données est toujours maintenue.

Fournir la valeur majeure inhérente aux données

Il est important de noter que l'application du jugement d'expert par les utilisateurs en modifiant les ensembles de données dans les feuilles de calcul pour améliorer l'alignement entre les calculs théoriques et le monde réel n'est pas compromise. L'automatisation offerte par les solutions technologiques facilite la ré-attestation des modèles et des outils qui les alimentent, avec la fonctionnalité et les données de reporting et de suivi en temps réel, de sorte que les banques peuvent périodiquement réévaluer les modèles et les outils pour s'assurer qu'ils fonctionnent effectivement comme souhaité par l'organisation.

En fin de compte, alors que les organisations sont confrontées à des exigences réglementaires strictes, le principal avantage des données de qualité est qu'elles peuvent être utilisées de manière stratégique pour atteindre les objectifs de l'entreprise. Le processus de gestion automatisé peut être facilement adapté à de nombreuses autres réglementations, contribuant ainsi à la gestion globale des risques et aux bénéfices nets.

[bctt tweet="Le principal avantage des données de qualité est qu'elles peuvent être utilisées de manière stratégique pour atteindre les objectifs de l'entreprise." username="Mitratech"]