Évaluation de la Résilience du Secteur Bancaire Marocain face aux Chocs Macroéconomiques

Résumé

Résumé

La rapidité avec laquelle le monde économique change et se transforme en raison d’un risque accru dans les domaines macroéconomiques, climatiques, technologiques et géopolitiques expose clairement l’inadéquation des méthodes conventionnelles de stress test basées sur une approche linéaire et l’utilisation de scénarios historiques. Dans cette recherche, il est proposé d’étudier un nouveau cadre de stress tests macroprudentiels qui repose sur la technique de l’Intelligence Artificielle Explicable (XAI). Cette analyse vise à améliorer la détection des problèmes de stabilité financière et à identifier les vulnérabilités systémiques du secteur bancaire au Maroc. Les outils utilisés sont liés à l’usage combiné des algorithmes d’intelligence artificielle et de la technique d’interprétabilité SHAP (Shapley Additive Explanations). L’étude utilise les données macrofinancières, prudentielles et climatiques sur la période 2015-2024.

Les résultats montrent que le meilleur rendement est atteint grâce au Random Forest avec un R² de 0,957 et une Mean Absolute Error de moins de 1,1. L’analyse SHAP démontre que le solvabilité ratio (CAR), le liquidity coverage ratio (LCR) et le ratio de créances douteuses (NPL) sont les trois variables qui influencent la résilience des banques. Des simulations climatiques montrent qu’il y a une détérioration importante de la stabilité financière dans un scénario de stress. Ces résultats montrent le potentiel de l’intelligence artificielle expliquée dans la supervision macro-prudentielle et dans la préparation aux stress tests du système financier marocain.

Mots clés : Stress tests macroprudentiels; Stabilité financière ; Risque systémique ; Secteur bancaire marocain ; système financier.

Abstract

The swift change in the world economy environment due to increased macroeconomic, climate, technological, and geopolitical risks call for the need for an upgrade of the current stress-testing frameworks, which are based mostly on linearity and past occurrences. Given that, the study presents a novel macroprudential stress-testing framework built since Explainable Artificial Intelligence (XAI) with the objective of improving the financial stability analysis as well as the identification of the systemic risks in Morocco’s banking system. In other words, the framework integrates machine learning models such as Random Forest and Gradient Boosting in combination with SHAP (Shapley Additive Explanations). The analysis utilizes macro financial, prudential, and climate data over the period from 2015 to 2024. As per the empirical results, the Random Forest model exhibits the highest performance rate in terms of predicting outcomes since its R² value reaches 0.957 while Mean Absolute Error (MAE) does not exceed 1.1. Moreover, according to the SHAP results, CAR, LCR, and NPL are the most important factors for the banking system’s resilience. Finally, climate stress testing simulation shows that there is a decline in the level of financial stability.

Overall, the findings emphasize the possibilities of explainable AI in improving macroprudential oversight, early warning systems, and the resilience of Morocco’s financial sector. The suggested framework presents an effective method of identifying emerging risks in the modern stress testing of banks.

Keywords: Macroprudential Stress Testing; Explainable Artificial Intelligence (XAI); Financial Stability; Systemic Risk; Moroccan Banking Sector.