Electronic Banking

3.3 Sujets et méthodes

Le tableau 5 énumère tous les domaines d’application et approches méthodologiques considérés, ainsi que le nombre d’articles dans toutes les combinaisons de ces deux dimensions. La dernière colonne du tableau représente le nombre d’articles dans chaque domaine d’application, tandis que la dernière ligne indique le nombre d’articles dans chaque approche méthodologique MCDA. Il convient de noter que ces totaux ne sont pas égaux aux sommes des lignes et des colonnes, car un article peut être lié à plusieurs domaines d’application financière et utiliser une combinaison de méthodes et d’approches MCDA. Le tableau 6 fournit des détails supplémentaires sur les combinaisons de méthodes qui ont été utilisées. Le tableau rapporte le nombre d’articles utilisant différentes paires d’approches (nous nous concentrons sur les paires car la grande majorité des articles -environ 90%- ont utilisé au plus deux méthodes).

Les résultats sommaires indiquent clairement que l’optimisation de portefeuille (PO) est le domaine qui a été le plus étudié avec les techniques MCDA, à savoir MO et GP. Steuer et Na (2003) ont également constaté que l’analyse de portefeuille était le domaine de recherche MCDA-finance le plus actif dans la période précédant 2002 (bien qu’ils n’aient pas fait de distinction entre l’OP et l’évaluation des actifs). La popularité de l’OP peut être attribuée à un certain nombre de raisons. Il s’agit d’un problème à multiples facettes qui pose un certain nombre de défis algorithmiques et de modélisation (par exemple, la modélisation du risque, des données de différents types, la nature dynamique, etc.), et il est pertinent dans divers contextes, y compris les portefeuilles d’actions et les portefeuilles de fonds, ainsi que dans le contexte d’actifs provenant de marchés non financiers (par exemple, les marchés de l’énergie et les matières premières). La plupart des modèles MO/GP proposés pour les OP se sont appuyés sur la combinaison de plusieurs mesures de risque (par exemple, skewness/kurtosis, mesures de la valeur à risque, ratio oméga, risque systémique, etc.), en tenant souvent compte de buts et d’objectifs supplémentaires (liquidité, dividendes, diversification, etc.). Les EA/MH ont également été très populaires dans les OP, en particulier lorsqu’il s’agit de critères et de modèles de sélection de portefeuille non convexes (par exemple, skewness/kurtosis, value at risk) ainsi que dans les cas où des caractéristiques réelles supplémentaires, telles que des contraintes de cardinalité, sont ajoutées dans l’analyse (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) distingue trois types d’approches MCDA en OP. Les approches a priori utilisent des informations pré-spécifiées sur les préférences du décideur (investisseur, gestionnaire de portefeuille) pour trouver le portefeuille efficient le plus adapté. Les modèles GP utilisent souvent une telle approche. Les approches a posteriori, en revanche, se concentrent sur la recherche de l’ensemble complet de portefeuilles efficients en une seule exécution, sans nécessiter la spécification de données préférentielles. L’EA/MH est généralement employée dans ce cadre, en particulier dans les instances plus complexes comme indiqué ci-dessus (pour un aperçu de l’EA/MH dans l’OP, voir Metaxiotis & Liagkouras, 2012). Une dernière classe de procédures est basée sur des techniques interactives qui permettent l’articulation progressive d’informations préférentielles sur la politique d’investissement du décideur (voir, par exemple, Xidonas, Mavrotas, & Psarras, 2010a).

La PO est étroitement liée à d’autres domaines considérés dans cette enquête, à savoir l’évaluation des actifs, l’ISR et la finance énergétique. Étonnamment, seulement 12 publications ont abordé la gestion de portefeuille dans un cadre intégré qui combine la PO et l’évaluation des actifs (voir, Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007, et Xidonas, Askounis, & Psarras, 2009a, entre autres). Ces travaux ont tous considéré le processus d’évaluation des actifs en termes de facteurs fondamentaux, souvent réalisés dans le contexte de la gestion de fonds, en utilisant des méthodologies basées principalement sur AHP/ANP, OR, et PDA. Les techniques MO et EA/MH, d’autre part, ont également été populaires pour l’évaluation des actifs, principalement dans le contexte du trading algorithmique et de l’analyse technique (voir, Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009, et Ng et al., 2014, entre autres). Il est également intéressant de noter que la moitié des articles sur l’ISR (9 articles sur 18) intègrent également les aspects PO et que six des 18 articles sur l’ISR considèrent les aspects sociaux comme faisant partie du processus d’évaluation des actifs. Il est intéressant de noter que tous les articles sur l’ISR, à l’exception d’un seul, ont été publiés entre 2009 et 2014, ce qui indique qu’il s’agit d’une tendance émergente dans les investissements financiers et la gestion de portefeuille.

À l’exception des sujets susmentionnés liés aux investissements, l’évaluation du risque de crédit et la prédiction de faillite ont également été des sujets très populaires, avec 108 articles pertinents, alors que dans l’enquête précédente de Steuer et Na (2003), ce domaine n’était pas identifié comme un sujet de recherche distinct. Dans ce domaine, une variété de méthodologies différentes ont été utilisées, les plus populaires étant MO, PDA, GP et OR. Les modèles de prédiction du risque de crédit et de faillite sont généralement construits à partir de bases de données existantes sur les défaillances et les faillites (données d’entreprises ou de consommateurs). Les techniques PDA utilisent généralement des formulations MO et GP pour déduire des modèles de décision à partir d’instances de données existantes. On peut trouver des exemples dans les travaux de Doumpos et Zopounidis (2011), Peng, Kou, Shi et Chen (2008) et Zhang et al. (2014), entre autres. Des techniques similaires ont également été utilisées pour analyser et prédire les notes de crédit émises par les principales agences de notation, qui sont largement utilisées par les décideurs financiers, les investisseurs et les régulateurs (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015 ; Doumpos & Pasiouras, 2005), tandis que d’autres études se sont concentrées sur des modèles spécialisés pour des domaines tels que les prêts hypothécaires et le transport maritime (voir Ferreira, Santos, Marques, & Ferreira, 2014, et Gavalas & Syriopoulos, 2014, entre autres). Il convient également de noter que plusieurs études dans ce domaine ont exploré des combinaisons de méthodes MCDA avec des modèles d’exploration de données, tels que les réseaux neuronaux, les méthodes à noyau, le raisonnement à base de cas et les algorithmes de regroupement. Ces combinaisons ont été envisagées sous trois formes principales : (a) l’utilisation de modèles MO/GP (souvent facilités par EA/MH) pour la formation de modèles d’exploration de données (par exemple, Pendharkar & Nanda, 2006 ; Zhang et al., 2014), (b) l’utilisation de la structure complexe et du pouvoir de représentation des modèles d’exploration de données pour construire des systèmes précis d’évaluation et de prédiction des risques multicritères (par exemple, Chen & Hu, 2011 ; Hu, 2009), et (c) l’utilisation de techniques MCDA pour évaluer la performance des modèles de prédiction (par exemple, Wu & Hsu, 2012).

Les applications dans le secteur bancaire ont également suscité un intérêt considérable, en particulier après la crise mondiale du crédit de 2007/2008. Ceci est mis en évidence par le fait que 54 des 73 articles sur les applications bancaires ont été publiés de 2010 à 2014. Tout comme l’évaluation du risque de crédit et la prédiction de la faillite, le secteur bancaire n’était pas non plus considéré comme un domaine de recherche distinct dans l’enquête de Steuer et Na (2003). Ainsi, au cours de la dernière décennie, le secteur bancaire est apparu comme un domaine d’intérêt particulier pour l’application des méthodes MCDA. Les méthodes appliquées dans le secteur bancaire comprennent AHP/ANP (souvent combinées avec des modèles flous) ainsi que les techniques PDA, OR et GP. Les sujets d’application comprennent l’évaluation de la performance des banques (par ex, Doumpos & Zopounidis, 2010 ; Grigoroudis, Tsitsiridi, & Zopounidis, 2013 ; Ioannidis, Pasiouras, & Zopounidis, 2010 ; Shen & Tzeng, 2014a), la gestion actif-passif (par exemple, Kosmidou & Zopounidis, 2007), la gestion des succursales bancaires (par exemple, Ferreira et al., 2010), et les services bancaires électroniques (par exemple, Hu & Liao, 2011 ; Kaya & Kahraman, 2011), entre autres.

Des questions similaires ont également été examinées en dehors du secteur bancaire dans d’autres études qui se sont concentrées sur la performance des entreprises dans des secteurs tels que le transport, l’agriculture, l’assurance, la construction, etc. Comme le montre le tableau 5, les méthodes utilisées pour évaluer la performance des entreprises sont assez similaires à celles utilisées dans le secteur bancaire.

En ce qui concerne les autres domaines d’application, il convient de noter que dans le domaine de la budgétisation des capitaux et de la planification financière, nous n’avons identifié que 41 articles publiés depuis 2002. Il s’agit d’une diminution notable par rapport à l’enquête de Steuer et Na (2003), qui ont constaté que ces domaines étaient largement étudiés dans la période précédant 2002 (lorsque combinés, ils étaient en fait plus populaires que l’analyse de portefeuille).

Du point de vue méthodologique, la MO est clairement l’approche dominante avec 273 articles. La majorité des travaux utilisant la MO sont liés aux OP (188 études), suivis par l’évaluation des actifs (31 études) et l’évaluation du risque de crédit/prédiction de faillite (25 articles). Comme le montre le tableau 6, une partie importante des études utilisant la MO la combine avec des techniques d’EA/MH (82 articles), des modèles flous (35 études) et des algorithmes de fouille de données (18 articles).

AHP/ANP a été la deuxième approche la plus populaire. Il s’agit d’une augmentation importante par rapport à l’enquête précédente de Steuer et Na (2003), qui ont constaté que seul un petit nombre d’études s’appuyaient sur AHP avant 2002. Il est intéressant de noter que les articles liés à AHP/ANP couvrent tout le spectre des applications financières, souvent combinées avec des modèles flous et d’autres techniques MCDA, en particulier TOPSIS.

Comme MO, GP a également été une approche de modélisation et de solution populaire pour les décisions financières dans PO et la prédiction du risque de crédit/faillite. Le budget d’investissement et la planification financière ont également été des sujets populaires pour les applications des modèles GP. Cependant, contrairement aux modèles de MO, le GP a été moins souvent combiné à d’autres approches. Parmi celles-ci, les modèles flous, le DM et le PDA ont été les plus populaires.

Le PDA a été l’approche la plus populaire pour les modèles de prédiction du risque de crédit/faillite. Cela s’explique par la nature du cadre PDA, qui se concentre sur l’inférence de modèles de décision à partir de données. Cette caractéristique convient bien au contexte de la modélisation du risque de crédit et de la prédiction de la détresse financière. À cette fin, le cadre de PDA est généralement mis en œuvre avec différents modèles OR et MAUT (par exemple, Bugera, Konno, & Uryasev, 2002 ; Doumpos, 2012 ; Doumpos & Zopounidis, 2011) ou en combinaison avec des techniques DM (Peng et al, 2008).

Parmi les autres principales approches de modélisation MCDA, la MAUT a été utilisée dans 36 études, tandis que les techniques basées sur les règles (par exemple, les ensembles rugueux basés sur la dominance ; Greco, Matarazzo, & Slowinski, 2013 ; Shen & Tzeng, 2014b) ont été utilisées dans 13 publications. Le faible nombre d’applications de MAUT dans la prise de décision financière par rapport aux autres approches a également été signalé par Steuer et Na (2003), qui n’ont trouvé que huit publications pertinentes dans la période antérieure à 2002. Enfin, il convient de noter que certaines études (15 au total) ont utilisé la DEA comme technique d’évaluation multicritères basée sur les données, combinée à des approches MCDA traditionnelles telles que MO, GP, AHP/ANP et TOPSIS (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010 ; Che, Wang, & Chuang, 2010 ; Yang, Wong, Xu, Liu, & Steuer, 2010). La DEA fournit une approche pratique pour les évaluations multicritères utilisant un minimum d’informations, car les évaluations sont pilotées par les données. Cependant, lorsqu’ils sont utilisés dans un contexte MCDA, les modèles d’évaluation basés sur la DEA sont sujets à des problèmes méthodologiques (pour une discussion approfondie, voir Bouyssou, 1999 ; Tofallis, 2010).