Communitygithub.com

diegosouzapw/awesome-omni-skill

Détectez et expliquez la dérive de risque dans les portefeuilles de prêts au fil du temps grâce à l'analyse de millésimes, aux matrices de migration et aux métriques de concentration. À utiliser lors du suivi des tendances de qualité de crédit d'un portefeuille, de la préparation des rapports de risque pour le conseil d'administration, de la réalisation de tests de résistance, ou lorsque les métriques de risque s'écartent des seuils d'appétence.

Qu'est-ce que awesome-omni-skill ?

Cette compétence spécialisée en IA permet de surveiller et quantifier les changements du profil de risque d'un portefeuille de prêts dans le temps. Elle utilise l'analyse de millésimes, les matrices de migration de crédit, le suivi de concentration et des indicateurs d'alerte précoce pour détecter une dérive par rapport à l'appétence au risque de l'institution avant que les pertes ne se matérialisent. La compétence est conçue pour les agents d'IA comme Claude Code, Cursor ou Codex, et automatise sept étapes méthodologiques : analyse des courbes de millésimes, construction de matrices de migration, suivi de la concentration de portefeuille, calcul de tableau de bord d'indicateurs précoces, analyse d'attribution des causes racines, superposition de scénarios de stress et génération de rapports avec recommandations exploitables. Elle produit un rapport structuré avec des indicateurs de type feu de circulation, des graphiques de tendances et des recommandations de gestion prioritaires. L'utilisateur doit fournir une bande de prêts, des tags de millésime, des notations de risque, des données de performance, des limites d'appétence et des indicateurs macroéconomiques. L'analyse suit le cadre VMIC (Vintage, Migration, Indicators, Concentration) et inclut des exemples concrets, des listes de validation et des directives pour garantir des résultats fiables et exploitables par les comités de gestion de portefeuille.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/diegosouzapw/awesome-omni-skill/tree/HEAD/skills/development/portfolio-risk-drift-detection

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Détection de la Dérive de Risque de Portefeuille

Vue d'ensemble

Surveillez et quantifiez les changements du profil de risque d'un portefeuille de prêts dans le temps. Cette compétence applique l'analyse de millésimes, les matrices de migration de crédit, le suivi de concentration et les indicateurs d'alerte précoce pour détecter une dérive par rapport à l'appétence au risque de l'institution avant que les pertes ne se matérialisent. Les résultats incluent la décomposition des tendances, l'attribution des facteurs de dérive et des recommandations exploitables pour les comités de gestion de portefeuille.

Quand l'utiliser

  • Rapport trimestriel de risque de portefeuille au conseil d'administration et aux comités de risque
  • Détection de la détérioration de la qualité d'origination à travers les millésimes
  • Surveillance des dépassements de limites de concentration (géographie, secteur, emprunteur)
  • Tests de résistance de la résilience du portefeuille sous des scénarios défavorables
  • Évaluation de l'impact des modifications de la politique de crédit sur la composition du portefeuille
  • Réponse aux signaux d'alerte précoce provenant des tendances de délinquance ou de migration

Données requises

EntréeDescriptionFormat
Bande de prêtsPortefeuille complet avec données d'origination et de performanceExtraction au niveau de chaque prêt
Tags de millésimeTrimestre/année d'origination pour chaque prêtChamp de date
Notations de risqueNotes de risque internes ou bandes de PDÉchelle de notation
Données de performanceStatut de délinquance, pertes, modificationsInstantanés mensuels
Appétence au risqueLimites et seuils approuvés par le conseilDocument de politique
Indicateurs macroChômage, HPI, PIB, prévisions de taux d'intérêtFlux de données économiques

Méthodologie

Étape 1 — Analyse des courbes de millésimes

Construire les courbes de défaut cumulé et de pertes par millésime d'origination :

  • Tracer le taux de pertes nettes cumulées (NCO) en fonction des mois en portefeuille pour chaque millésime
  • Comparer les millésimes récents aux références historiques à des points d'âge équivalents
  • Calculer l'indice d'écart de millésime : rapport du taux NCO du millésime actuel au taux NCO de référence au même mois en portefeuille
  • Signaler les millésimes où l'indice d'écart dépasse 1,2 (20 % pire que la référence)
  • Décomposer les écarts en effet volume (changement de composition) vs. effet taux (changement de qualité)

Étape 2 — Construction de la matrice de migration de crédit

Construire les matrices de transition montrant les mouvements de notation entre périodes :

  • Construire une matrice de migration NxN pour chaque période de reporting (trimestrielle recommandée)
  • Calculer le taux de mise à niveau, le taux de dégradation et le taux de stabilité pour chaque note
  • Calculer le score de migration moyen pondéré (WAMS) : positif = amélioration du portefeuille, négatif = détérioration
  • Comparer les modèles de migration actuels aux normes historiques (moyennes sur 3 ans, 5 ans)
  • Identifier les notes avec une vitesse de dégradation anormale (>1,5x le taux historique)

Étape 3 — Suivi de la dérive de concentration

Surveiller la concentration du portefeuille sur des dimensions clés :

  • Géographique : Exposition par État/MSA par rapport aux limites
  • Secteur d'activité : Concentration par code NAICS par rapport aux objectifs de diversification
  • Taille de l'emprunteur : Concentration sur un seul nom et exposition aux 10/25 premiers
  • Mix produit : Fixe vs. variable, garanti vs. non garanti, terme vs. revolving
  • Distribution des notes de risque : Pourcentage en passif, surveillance, sous-standard, douteux

Calculer l'indice Herfindahl-Hirschman (HHI) pour chaque dimension et suivre la tendance. Signaler toute dimension où le HHI augmente de >10 % d'un trimestre à l'autre ou dépasse la limite de la politique.

Étape 4 — Tableau de bord des indicateurs d'alerte précoce

Calculer et suivre les indicateurs avancés suivants :

  • Taux de délinquance à 30 jours par millésime et produit (signal le plus précoce)
  • Analyse des taux de roulement : Probabilité de transition du statut courant → 30 DPD → 60 DPD → 90 DPD → perte
  • Migration de la probabilité de défaut (PD) : PD moyenne pondérée du portefeuille par rapport aux périodes précédentes
  • Tendance de la perte en cas de défaut (LGD) : Taux de recouvrement sur les défauts réalisés
  • Perte de crédit attendue (ECL) selon CECL/IFRS 9 : Évolution de l'estimation des pertes à vie
  • Ratio d'actifs critiqués : Actifs classés + mention spéciale en pourcentage du total des prêts

Étape 5 — Analyse d'attribution

Décomposer la dérive observée en causes racines :

  • Qualité d'origination : Les nouvelles souscriptions sont-elles plus risquées que les moyennes historiques ?
  • Effet de maturité : Les prêts plus anciens se comportent-ils comme prévu à leur âge ?
  • Environnement économique : Les changements de facteurs macro peuvent-ils expliquer la migration observée ?
  • Modifications de politique : Les modifications récentes de la politique de crédit ont-elles modifié le profil de risque ?
  • Écoulement du portefeuille : Les remboursements sont-ils concentrés dans les segments à faible risque, laissant un pool résiduel plus risqué ?

Utiliser un cadre de décomposition : Dérive totale = Effet d'origination + Effet de maturité + Effet économique + Effet de composition + Résidu

Étape 6 — Superposition de scénarios de stress

Projeter la performance du portefeuille sous stress :

  • Appliquer les scénarios de stress réglementaires (CCAR sévèrement défavorable) au portefeuille actuel
  • Calculer la PD, LGD et ECL stressées sous chaque scénario
  • Comparer les pertes stressées aux coussins de capital et aux provisions pour pertes sur prêts
  • Évaluer si la dérive observée a accru la vulnérabilité au stress
  • Quantifier le capital supplémentaire nécessaire si la dérive continue à la trajectoire actuelle

Étape 7 — Génération de rapport et recommandations

Produire un rapport complet sur la dérive avec :

  • Tableau de bord des risques du portefeuille avec indicateurs de type feu de circulation
  • Graphiques de tendance pour toutes les métriques clés (horizon minimum de 12 trimestres)
  • Résultats spécifiques de dérive avec attribution des causes racines
  • Comparaison aux seuils d'appétence au risque (dans les limites / approche / dépassé)
  • Actions de gestion recommandées (resserrer l'origination, augmenter les provisions, couverture)

Spécification de la sortie

## Rapport de dérive de risque de portefeuille — [Période]

### Tableau de bord des risques
| Métrique | Actuelle | Trim. précédent | Variation annuelle | Limite d'appétence | Statut |
|----------|---------|----------------|-------------------|--------------------|--------|
| PD Moy. Pond. | X,XX % | X,XX % | +/- X pdb | X,XX % | [V/O/R] |
| LGD Moy. Pond. | XX,X % | XX,X % | +/- X pp | XX,X % | [V/O/R] |
| Taux NCO | X,XX % | X,XX % | +/- X pdb | X,XX % | [V/O/R] |
| 30+ DPD | X,XX % | X,XX % | +/- X pdb | X,XX % | [V/O/R] |
| HHI (Géo) | X XXX | X XXX | +/- XXX | X XXX | [V/O/R] |
| Ratio critiqué | X,XX % | X,XX % | +/- X pdb | X,XX % | [V/O/R] |

### Analyse des millésimes
- Pire millésime : [Trimestre] — [X] % au-dessus de la référence au [N]ème mois en portefeuille
- Millésimes sous surveillance : [Liste]

### Résumé de migration
- Score de migration moyen pondéré : [X,XX] (négatif = détérioration)
- Notes avec vitesse de dégradation élevée : [Liste]

### Attribution de la dérive
- Qualité d'origination : [X] % de la dérive totale
- Environnement économique : [X] % de la dérive totale
- Effet de composition/écoulement : [X] % de la dérive totale
- Impact des modifications de politique : [X] % de la dérive totale

### Impact du test de résistance
- ECL de base : [X] M$
- ECL sévèrement défavorable : [X] M$ (+[X] %)
- Adéquation du capital sous stress : [Adéquate / Marginale / Insuffisante]

### Recommandations
1. [Action — responsable — échéance]
2. [Action — responsable — échéance]
3. [Action — responsable — échéance]

Cadre d'analyse

Appliquer le cadre VMIC :

  • Vintage — Comparer les courbes de performance des cohortes par rapport aux références
  • Migration — Suivre les transitions de notes de crédit pour la dérive directionnelle
  • Indicateurs — Surveiller les signaux précoces de délinquance et de pertes
  • Concentration — Mesurer les changements de diversification sur les dimensions

Exemples

Exemple 1 — Détérioration de la qualité d'origination

Résultat : Les prêts automobiles du T3 2025 présentent un taux de délinquance à 30 jours de 4,2 % à 6 mois en portefeuille contre 2,8 % de référence (indice d'écart : 1,50). Attribution : 68 % qualité d'origination (FICO moyen a chuté de 22 points après un changement de politique), 32 % économique (pic de chômage régional). Recommandation : Revenir au seuil FICO minimum précédent, appliquer une surcouche de risque géographique pour les MSAs concernées.

Exemple 2 — Dépassement de concentration

Résultat : L'exposition CRE bureaux a atteint 342 % du capital Tier 1 (limite : 300 %). Le HHI pour la concentration sectorielle a augmenté de 18 % T/T. La matrice de migration montre que 12 % des prêts CRE bureaux ont été dégradés au cours du trimestre (norme historique : 4 %). Recommandation : Suspendre les nouvelles originations CRE bureaux, accélérer le traitement des crédits sous-standard, présenter un plan de correction au conseil d'administration dans les 30 jours.

Directives

  • Utiliser au moins 12 trimestres de données historiques pour l'analyse des tendances et la construction des références
  • Appliquer à la fois des seuils absolus et des déclencheurs de taux de changement pour l'alerte précoce
  • Séparer la dérive de portefeuille des modèles de maturité attendus à l'aide de métriques ajustées à l'âge
  • Valider les courbes de millésimes par rapport à l'émergence réelle des pertes avant de les utiliser comme références
  • Coordonner les résultats avec l'ALCO, le comité de risque de crédit et la finance (adéquation des provisions)
  • Présenter les matrices de migration au niveau de chaque note, pas de manière agrégée passif/défaut
  • Documenter toutes les sources de données, exclusions et hypothèses méthodologiques

Liste de validation

  • Les courbes de millésimes sont ajustées à l'âge pour une comparaison équitable entre cohortes
  • Les matrices de migration sont complètes (toutes les notes représentées, les lignes totalisent 100 %)
  • Les métriques de concentration reflètent les encours actuels, pas seulement les engagements
  • Les indicateurs d'alerte précoce utilisent des définitions cohérentes entre les périodes
  • L'analyse d'attribution prend en compte tous les facteurs de dérive matériels
  • Les scénarios de stress sont à jour (alignés sur les dernières directives CCAR/DFAST)
  • Les seuils d'appétence au risque reflètent les limites approuvées par le conseil, pas des objectifs informels
  • Le rapport comprend à la fois des métriques quantitatives et un contexte narratif
  • Les problèmes de qualité des données sont divulgués et leur impact sur les conclusions est évalué
  • Les recommandations sont priorisées par urgence et impact attendu

Individual skills in this repo

This repo contains 17 individual skills — each has its own dedicated page.

diegosouzapw/awesome-omni-skill

Build a GitHub portfolio that gets you hired — curate 3-5 polished projects, craft compelling READMEs, deploy live demos, tell a coherent story across your repos, and align everything to AI-native development roles. Use when preparing your GitHub for job searches, deciding what to pin, or auditing your public presence.

diegosouzapw/awesome-omni-skill

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

diegosouzapw/awesome-omni-skill

Factor modeling and portfolio construction (Markowitz, Black-Litterman, constraints, turnover).

diegosouzapw/awesome-omni-skill

Analyze the CustomGPT.ai Labs Innovation workbook and cost tracking data to surface portfolio-level insights, trends, and recommendations for where to focus Innovation efforts.

diegosouzapw/awesome-omni-skill

Optimize project portfolio selection under constraints using mathematical optimization

diegosouzapw/awesome-omni-skill

Rapidly build, prototype, and deploy full-stack software using AI "text-to-app" tools. Use this when you need to create a greenfield application, build a high-fidelity working prototype for user testing, or bypass traditional engineering bottlenecks for internal tools.

diegosouzapw/awesome-omni-skill

Expert in building portfolios that actually land jobs and clients - not just showing work, but creating memorable experiences. Covers developer portfolios, designer portfolios, creative portfolios,...

diegosouzapw/awesome-omni-skill

Minimalist, typography-focused portfolio design system inspired by neo-brutalist and Swiss design principles. Emphasizes bold typography, generous whitespace, monochromatic color schemes, and elegant simplicity for developer/designer portfolios.

diegosouzapw/awesome-omni-skill

Review UI code for Web Interface Guidelines compliance. Use when asked to "review my UI", "check accessibility", "audit design", "review UX", or "check my site against best practices".

diegosouzapw/awesome-omni-skill

High-converting landing pages. Copy + design + implementation. Triggers: landing page, conversion page.

diegosouzapw/awesome-omni-skill

Portfolio allocation and rebalancing optimizer. Manages asset allocation across stocks/cash/bonds, performs periodic rebalancing, and ensures diversification according to market regime and risk tolerance.

diegosouzapw/awesome-omni-skill

Review UI code for Web Interface Guidelines compliance. Use when asked to "review my UI", "check accessibility", "audit design", "review UX", or "check my site against best practices".

diegosouzapw/awesome-omni-skill

Review UI code for Web Interface Guidelines compliance. Use when asked to "review my UI", "check accessibility", "audit design", "review UX", or "check my site against best practices".

diegosouzapw/awesome-omni-skill

Index-based file discovery using ABOUTME headers. Use INSTEAD of grep or Explore agent when searching for files by purpose or feature. Faster and more accurate than scanning code. Invoke this skill when user asks "which files handle X", "where is Y implemented", or when you need to find files related to a feature or task.

diegosouzapw/awesome-omni-skill

Index-based file discovery using ABOUTME headers. Use INSTEAD of grep or Explore agent when searching for files by purpose or feature. Faster and more accurate than scanning code. Invoke this skill when user asks "which files handle X", "where is Y implemented", or when you need to find files related to a feature or task.

diegosouzapw/awesome-omni-skill

Automate Klipfolio tasks via Rube MCP (Composio). Always search tools first for current schemas.

diegosouzapw/service-website-generator

Orchestrates automated service-based website generation with local SEO optimization. Creates 200+ service+location pages using parallel agents, Unsplash images via Jina AI, NextJS with dynamic routing, and PostgreSQL database. Use when building service business websites (plumbers, electricians, pressure washing, HVAC, etc.) targeting multiple locations.

Skills associés