mardi, novembre 12, 2024

Silicon Valley Bank n’était que la pointe d’un iceberg bancaire

Les institutions financières traditionnelles reçoivent les dépôts des clients et les utilisent pour accorder des prêts. Mais ils prêtent beaucoup plus que ce qu’ils ont en magasin à un moment donné – un concept connu sous le nom de banque fractionnée. D’une part, la différence entre les intérêts sur les prêts et les intérêts payés aux déposants est appelée marge nette d’intérêt et détermine la rentabilité d’une banque. D’autre part, la différence entre les actifs et les passifs est appelée leurs fonds propres et détermine la résilience de la banque aux chocs externes.

Avant la dernière ruée vers la banque, SVB était considérée non seulement comme une institution bancaire rentable, mais aussi comme une institution sûre, car elle détenait 212 milliards de dollars d’actifs contre environ 200 milliards de dollars de passif. Cela signifie qu’ils avaient un coussin de 12 milliards de dollars en capitaux propres ou 5,6 % des actifs. Ce n’est pas mal, même si c’est environ la moitié de la moyenne de 11,4 % des banques.

Le problème est que les actions récentes de la Réserve fédérale américaine ont réduit la valeur de la dette à long terme, à laquelle SVB était fortement exposée par le biais de ses titres adossés à des créances hypothécaires (environ 82 milliards de dollars). Lorsque SVB a signalé à ses actionnaires en décembre qu’elle avait 15 milliards de dollars de pertes non réalisées, anéantissant le coussin de fonds propres de la banque, cela a suscité de nombreuses questions.

En rapport: L’USDC s’est désindexé, mais il ne fera pas défaut

Le 8 mars, SVB a annoncé qu’elle avait vendu 21 milliards de dollars d’actifs liquides à perte et a déclaré qu’elle collecterait des fonds pour compenser la perte. Mais le fait qu’il ait annoncé la nécessité de lever plus d’argent – ​​et même envisagé de vendre la banque – a considérablement inquiété les investisseurs, ce qui a entraîné environ 42 milliards de dollars de tentatives de retrait de la banque. Bien sûr, SVB ne disposait pas de liquidités suffisantes et la Federal Deposit Insurance Corporation a pris le relais le 17 mars.

La littérature macro-financière a beaucoup à dire sur ces situations, mais un bon résumé consiste à attendre dynamique hautement non linéaire – c’est-à-dire que de petites variations des intrants (le ratio fonds propres/actifs) peuvent avoir des changements substantiels sur la production (liquidité). Les paniques bancaires peuvent être plus fréquentes pendant les récessions et avoir des effets importants sur l’activité économique globale.

Rechercher des solutions structurelles

Certes, SVB n’est pas la seule banque à être exposée à des conditions macroéconomiques plus élevées et plus risquées, telles que les taux d’intérêt et la demande des consommateurs, mais ce n’est que la partie émergée de l’iceberg qui a défrayé la chronique la semaine dernière. Et nous l’avons déjà vu – plus récemment lors de la crise financière de 2007-2008 avec l’effondrement de Washington Mutual. Les conséquences ont conduit à une augmentation de la réglementation financière, en grande partie dans la loi Dodd-Frank, qui a élargi les pouvoirs de la Réserve fédérale pour réglementer l’activité financière et autorisé de nouvelles directives de protection des consommateurs, y compris le lancement du Consumer Financial Protection Bureau.

Il convient de noter que le DFA a également promulgué la « règle Volcker », restreignant les banques aux transactions pour compte propre et autres investissements spéculatifs, empêchant en grande partie les banques de fonctionner comme des banques d’investissement utilisant leurs propres dépôts pour négocier des actions, des obligations, des devises, etc.

La montée en puissance de la réglementation financière a entraîné un changement radical de la demande de travailleurs en sciences, technologie, ingénierie et mathématiques (STEM), ou «quants» en abrégé. Les services financiers sont particulièrement sensibles aux changements réglementaires, une grande partie du fardeau retombant sur la main-d’œuvre puisque la réglementation affecte leurs dépenses autres que d’intérêts. Les banques ont réalisé qu’elles pouvaient réduire les coûts de mise en conformité et accroître l’efficacité opérationnelle en augmentant l’automatisation.

Et c’est exactement ce qui s’est passé : la proportion de travailleurs STEM a augmenté de 30 % entre 2011 et 2017 dans les services financiers, et une grande partie de cela a été attribuée à l’augmentation de la réglementation. Cependant, les petites et moyennes banques (PME) ont eu plus de mal à faire face à ces réglementations, du moins en partie en raison du coût de l’embauche et de la construction de modèles dynamiques sophistiqués pour prévoir les conditions macroéconomiques et les bilans.

L’état de l’art actuel en matière de prévisions macroéconomiques est bloqué dans les modèles économétriques de 1990 qui sont très imprécis. Alors que les prévisions sont souvent ajustées à la dernière minute pour paraître plus précises, la réalité est qu’il n’y a pas de modèle ou d’approche consensuelle pour prévoir les conditions économiques futures, mettant de côté certaines approches passionnantes et expérimentales par, par exemple, la Réserve fédérale d’Atlanta avec son Outil GDPNow.

En rapport: Les législateurs devraient vérifier le consigliere en temps de guerre de la SEC avec la législation

Mais même ces outils de « prévision immédiate » n’intègrent pas de grandes quantités de données désagrégées, ce qui rend les prévisions moins pertinentes pour les PME exposées à certaines classes d’actifs ou régions et moins intéressées par l’état national de l’économie en soi.

Nous devons passer de la prévision en tant que mesure de conformité réglementaire « à cocher » à un outil de prise de décision stratégique pris au sérieux. Si les prévisions immédiates ne fonctionnent pas de manière fiable, arrêtez de les produire ou trouvez un moyen de les rendre utiles. Le monde est très dynamique et nous devons utiliser tous les outils à notre disposition, allant des données désagrégées aux outils d’apprentissage automatique sophistiqués, pour nous aider à comprendre les temps que nous traversons afin que nous puissions nous comporter avec prudence et éviter les crises potentielles.

Une meilleure modélisation aurait-elle sauvé la Silicon Valley Bank ? Peut-être pas, mais une meilleure modélisation aurait accru la transparence et la probabilité que les bonnes questions soient posées pour inciter les bonnes précautions. La technologie est un outil — et non un substitut — d’une bonne gouvernance.

Au lendemain de l’effondrement de la Silicon Valley Bank, on a beaucoup pointé du doigt et ressassé le passé. Plus important encore, nous devrions nous demander : Pourquoi la panique bancaire s’est-elle produite et que pouvons-nous apprendre ?

Christos A. Makridis est professeur et entrepreneur. Il est PDG et fondateur de Dainamic, une startup de technologie financière qui utilise l’intelligence artificielle pour améliorer les prévisions, et est affilié de recherche à l’Université de Stanford et à l’Université de Nicosie, entre autres. Il est titulaire d’un doctorat en économie et en sciences et ingénierie de gestion de l’Université de Stanford.

Cet article est à des fins d’information générale et n’est pas destiné à être et ne doit pas être considéré comme un conseil juridique ou d’investissement. Les vues, pensées et opinions exprimées ici sont celles de l’auteur seul et ne reflètent pas ou ne représentent pas nécessairement les vues et opinions de Cointelegraph.


source site-13

- Advertisement -

Latest