Risques climatiques, actifs non cotés, intelligence artificielle, volatilité macroéconomique et nouvelles concentrations sectorielles : les investisseurs institutionnels doivent désormais gérer des risques dont les interactions dépassent largement les modèles traditionnels. À l’occasion de son Investment Risk Summit organisé le 10 novembre 2026 à San Francisco, MSCI met en lumière les défis d’une gestion des risques intégrée, capable de rapprocher marchés cotés, investissements privés et facteurs de résilience. Une évolution particulièrement importante pour la finance durable, dans laquelle les risques ESG cessent progressivement d’être considérés comme des indicateurs extra-financiers isolés pour devenir des variables susceptibles d’influencer directement les valorisations, les corrélations et l’allocation du capital.
Introduction : la finance sait mesurer la volatilité des marchés, mais sait-elle réellement mesurer tous ses risques ?
Pendant plusieurs décennies, la gestion des risques financiers s’est appuyée sur des modèles statistiques destinés à estimer les pertes potentielles, les corrélations entre actifs et les conséquences de mouvements défavorables des marchés. La Value at Risk, les stress tests, les analyses de sensibilité, les modèles factoriels et les simulations de Monte-Carlo sont ainsi devenus des instruments fondamentaux de la gestion d’actifs, des banques et des investisseurs institutionnels.
Ces méthodes ont progressivement permis de mesurer les expositions aux taux d’intérêt, aux marchés actions, aux spreads de crédit, aux devises et aux principaux facteurs macroéconomiques. Leur efficacité dépend néanmoins de la qualité des données, des hypothèses statistiques retenues et de leur capacité à représenter des événements susceptibles de se produire en dehors des périodes historiques observées.
Or les portefeuilles institutionnels connaissent aujourd’hui une transformation profonde. Les investissements privés occupent une place croissante dans les allocations, les infrastructures et les actifs réels introduisent des risques spécifiques de liquidité et de valorisation, tandis que les évolutions technologiques et les perturbations climatiques modifient les perspectives économiques des entreprises. Un portefeuille peut ainsi présenter une volatilité historiquement faible tout en demeurant particulièrement exposé à des risques structurels, à des chocs de liquidité ou à des pertes de valeur qui ne se matérialiseront que progressivement.
Le véritable problème n’est donc plus uniquement de mesurer combien un portefeuille peut perdre dans les conditions de marché habituelles, mais de déterminer si les modèles financiers sont capables d’identifier les risques qui n’apparaissent pas encore dans les prix.
C’est dans ce contexte que MSCI a organisé, le 10 novembre 2026, son Investment Risk Summit à San Francisco, sous le thème « Risk, Resilience & the Road Ahead ». L’événement a notamment abordé l’utilisation des signaux quantitatifs pour la construction des portefeuilles ainsi que l’intégration des actifs cotés et non cotés dans une vision consolidée du risque. Ces sujets s’inscrivent dans une réflexion internationale plus large de MSCI sur les risques macroéconomiques, climatiques, technologiques et de durabilité.
La fin des frontières traditionnelles entre risques financiers et risques ESG
L’analyse financière distingue historiquement plusieurs grandes catégories de risques, notamment le risque de marché, le risque de crédit, le risque de liquidité et le risque opérationnel. Ces classifications restent indispensables, mais les facteurs environnementaux, sociaux et de gouvernance peuvent désormais agir comme des déterminants ou des amplificateurs de plusieurs risques simultanément.
Prenons l’exemple d’une entreprise industrielle particulièrement dépendante de l’énergie. Une hausse durable des prix de l’électricité peut réduire ses marges opérationnelles et dégrader ses flux de trésorerie, augmentant ainsi son risque de crédit. Si cette hausse résulte également de contraintes climatiques ou d’une modification du mix énergétique, elle peut s’accompagner d’investissements supplémentaires nécessaires à l’adaptation du modèle économique. Les conséquences peuvent alors se transmettre aux valorisations boursières, aux spreads obligataires et, potentiellement, au coût de financement.
Le changement climatique ne constitue donc pas nécessairement une catégorie de risque indépendante. Il peut se matérialiser à travers des facteurs financiers déjà connus, en modifiant leur intensité, leur fréquence et leurs interactions.
Une difficulté méthodologique apparaît immédiatement : comment intégrer ces risques dans des modèles historiquement calibrés sur des séries de prix de marché, alors que les trajectoires climatiques et les transformations technologiques reposent sur des horizons parfois supérieurs à vingt ou trente ans ?
Les modèles statistiques traditionnels utilisent fréquemment des données historiques pour estimer les distributions de rendement et les corrélations entre actifs. Or les risques climatiques comportent des phénomènes non stationnaires, dans lesquels les conditions futures peuvent différer sensiblement de celles observées dans le passé. Une corrélation historiquement faible entre deux catégories d’actifs ne garantit donc pas que leurs pertes resteront indépendantes lors d’un choc énergétique, climatique ou géopolitique majeur.
Cette situation conduit les investisseurs à compléter les approches probabilistes traditionnelles par des analyses de scénarios prospectifs, des stress tests multidimensionnels et des modèles de risques fondés sur des hypothèses économiques et physiques explicites.
Value at Risk et Expected Shortfall : les limites d’une lecture exclusivement statistique
La Value at Risk, ou VaR, représente une mesure statistique permettant d’estimer un seuil de perte sur un horizon donné, pour un niveau de confiance déterminé et selon les hypothèses du modèle retenu. Par exemple, une VaR quotidienne de 10 millions d’euros à 99 % signifie que le modèle estime à 1 % la probabilité d’une perte supérieure à ce montant sur une journée. Elle ne permet toutefois pas de déterminer, à elle seule, l’ampleur des pertes lorsque ce seuil est dépassé.
L’Expected Shortfall, également appelé Conditional Value at Risk dans certaines approches, complète cette mesure en estimant la perte moyenne conditionnelle au dépassement du seuil considéré. Cette métrique permet de mieux appréhender la gravité des événements situés dans la queue de distribution, particulièrement lorsque les rendements présentent des comportements extrêmes ou des distributions éloignées de la normalité.
Ces indicateurs demeurent utiles, mais ils présentent des limites importantes lorsqu’ils sont appliqués à des événements climatiques de long terme ou à des actifs dont les valorisations sont peu fréquentes. Une VaR quotidienne fondée sur les mouvements observés des marchés ne peut pas, par construction, capturer l’ensemble des conséquences économiques d’une trajectoire de réchauffement climatique sur plusieurs décennies.
Les gestionnaires doivent donc articuler plusieurs horizons de risque. Les mesures de marché à court terme permettent d’apprécier les fluctuations immédiates et les besoins de liquidité, tandis que les analyses prospectives de transition énergétique ou de risques physiques examinent les conséquences potentielles de transformations structurelles sur les valorisations futures.
Une faible volatilité observée ne constitue pas une preuve de faible risque économique, et cette distinction devient particulièrement déterminante lorsque les portefeuilles intègrent une proportion croissante d’actifs non cotés.
Actifs privés : une volatilité parfois artificiellement atténuée par les méthodes de valorisation
L’une des principales thématiques techniques de l’Investment Risk Summit concerne l’intégration des actifs publics et privés dans un cadre de mesure des risques commun.
Les investisseurs institutionnels détiennent de plus en plus fréquemment, au sein d’un même portefeuille, des actions cotées, des obligations négociables, de la dette privée, des participations de private equity, des infrastructures et des actifs immobiliers. Or ces catégories d’investissement ne disposent pas des mêmes mécanismes de valorisation.
Les actifs cotés bénéficient de prix de marché régulièrement observables, tandis que les investissements privés reposent souvent sur des évaluations périodiques, utilisant notamment des projections de flux de trésorerie, des multiples de valorisation comparables et des taux d’actualisation. Cette différence peut conduire à des séries de performances artificiellement lissées, dans lesquelles les variations économiques réelles n’apparaissent qu’avec retard.
D’un point de vue quantitatif, ce phénomène est particulièrement important pour les calculs de volatilité, de corrélation et de contribution au risque total d’un portefeuille. Lorsqu’un actif privé est valorisé trimestriellement alors que les actifs cotés sont réévalués quotidiennement, les modèles peuvent sous-estimer certaines interactions si les données ne sont pas retraitées de manière appropriée.
Les méthodologies de de-smoothing cherchent notamment à réduire ces biais en estimant les dynamiques économiques sous-jacentes à partir de séries de valorisations lissées. Elles reposent toutefois sur des hypothèses statistiques et ne permettent pas de reconstituer parfaitement un prix de marché qui n’existe pas.
Parallèlement, les approches dites de NAV nowcasting tentent d’estimer une valeur liquidative intermédiaire à partir des évolutions observables de facteurs de marché, de transactions comparables et de variables financières pertinentes. L’objectif est d’obtenir une lecture plus fréquente du risque économique d’actifs dont les valorisations officielles sont publiées avec retard.
MSCI a consacré une session spécifique à ces problématiques, notamment à l’utilisation de ses solutions pour les actifs privés, de sa plateforme de données et des outils de valorisation intermédiaire. L’enjeu consiste à rapprocher les actifs cotés et non cotés dans un cadre commun, afin de mieux apprécier leur contribution à la performance, aux concentrations de risque et aux besoins de liquidité.
Cette démarche est particulièrement importante pour les fonds de pension et les assureurs, dont les portefeuilles peuvent combiner des horizons d’investissement très longs avec des engagements financiers exigeant une gestion rigoureuse des flux de trésorerie.
Une nouvelle lecture du risque de liquidité et de la résilience des portefeuilles
L’intégration des actifs privés soulève également une question fondamentale : la liquidité d’un portefeuille ne peut pas être appréciée uniquement à partir de sa valeur comptable ou de sa volatilité historique.
Un investissement dans une infrastructure énergétique peut présenter des flux de trésorerie relativement prévisibles tout en demeurant difficile à céder rapidement. À l’inverse, un portefeuille obligataire coté peut être négociable en conditions normales, mais subir une forte dégradation de sa liquidité lors d’un choc systémique.
Les investisseurs doivent donc mesurer séparément le risque économique des actifs et leur capacité réelle à être convertis en liquidités.
Dans un fonds associant des investissements cotés et non cotés, des demandes importantes de rachat peuvent conduire le gestionnaire à vendre prioritairement les actifs les plus liquides, augmentant mécaniquement la proportion d’actifs illiquides dans le portefeuille restant. Ce phénomène peut créer une asymétrie entre les investisseurs sortants et les investisseurs qui demeurent dans le fonds.
La modélisation du risque doit dès lors intégrer les délais de cession, les décotes potentielles, les flux futurs, les engagements de capital non appelés et les contraintes de financement.
Les stress tests de liquidité permettent de simuler des situations dans lesquelles plusieurs événements défavorables interviennent simultanément, comme une hausse brutale des taux d’intérêt, une baisse des valorisations, une contraction du crédit et une augmentation des demandes de rachat.
Cette logique de gestion consolidée, souvent désignée sous l’expression Total Portfolio Approach, vise à dépasser une analyse par classe d’actifs pour examiner la contribution de chaque exposition aux objectifs et aux risques de l’ensemble du portefeuille.
Risque climatique : passer des émissions de CO₂ aux pertes économiques potentielles
Le développement des modèles de risque climatique constitue une autre évolution majeure de la gestion financière contemporaine.
Pendant longtemps, l’analyse ESG s’est principalement concentrée sur les émissions de gaz à effet de serre, les intensités carbone ou les trajectoires de réduction d’émissions. Ces indicateurs demeurent nécessaires, mais ils ne suffisent pas à représenter les risques financiers auxquels les entreprises sont exposées.
Une entreprise faiblement émettrice peut, par exemple, exploiter des infrastructures particulièrement vulnérables aux inondations ou aux sécheresses. Inversement, une entreprise fortement émettrice peut disposer d’actifs relativement peu exposés aux catastrophes naturelles, tout en supportant des risques de transition importants liés à la réglementation carbone ou à l’évolution des technologies.
Il convient ainsi de distinguer les risques physiques, liés aux conséquences du changement climatique, et les risques de transition, associés aux transformations réglementaires, technologiques et économiques nécessaires à la décarbonation.
Les risques physiques peuvent être aigus, lorsqu’ils résultent d’événements tels que les incendies, les tempêtes ou les inondations, ou chroniques, lorsqu’ils correspondent à des évolutions progressives comme la hausse des températures, le stress hydrique ou la montée du niveau de la mer.
Les risques de transition comprennent notamment le prix du carbone, l’évolution des normes environnementales, les investissements technologiques nécessaires et les modifications de la demande pour certains produits.
Pour traduire ces phénomènes en variables financières, MSCI développe depuis plusieurs années des méthodologies de Climate Value at Risk, ou Climate VaR, visant à estimer les impacts potentiels de scénarios climatiques sur la valeur économique d’actifs et de portefeuilles.
Cette Climate VaR doit être distinguée de la VaR de marché traditionnelle : elle exprime généralement un impact de valorisation associé à des scénarios et à des horizons climatiques déterminés, et non un quantile statistique de pertes quotidiennes calculé sur une distribution historique.
La logique repose sur plusieurs étapes : identifier les actifs exposés, apprécier les aléas climatiques selon différents scénarios, traduire ces expositions en dommages physiques ou en coûts économiques, puis actualiser les conséquences financières estimées.
Ainsi, une installation industrielle exposée à un risque croissant d’inondation pourrait subir des dommages matériels, des interruptions de production, des coûts d’assurance supplémentaires ou des investissements d’adaptation. Ces effets peuvent être intégrés dans les flux de trésorerie prévisionnels, modifier la valeur actuelle de l’entreprise et influencer son profil de risque financier.
Une difficulté demeure néanmoins : le passage d’un scénario climatique à une perte financière suppose des hypothèses concernant la fréquence des événements, la vulnérabilité des actifs, leur capacité d’adaptation et les mécanismes économiques de transmission. Ces paramètres introduisent des incertitudes méthodologiques qui doivent être documentées et soumises à des analyses de sensibilité.
MSCI et l’intégration des données géospatiales : vers une évaluation des risques à l’échelle de chaque actif
L’année 2026 a également été marquée par l’annonce, en juin, de l’acquisition de First Street par MSCI, spécialiste des données et modèles de risques climatiques physiques.
Cette opération s’inscrit dans une logique de renforcement des capacités d’analyse géospatiale, permettant de rapprocher les données financières des caractéristiques physiques et géographiques des actifs.
L’intérêt de cette approche est considérable pour les infrastructures, l’immobilier et les investissements privés.
Deux actifs appartenant au même secteur économique peuvent présenter des risques climatiques très différents selon leur localisation, leur altitude, leur exposition hydrologique, leurs caractéristiques techniques et les mesures de protection mises en œuvre.
Un centre de données situé dans une région soumise à un stress hydrique important ne présente pas nécessairement le même profil de risque qu’un équipement comparable implanté dans une zone disposant de ressources en eau abondantes. De même, deux infrastructures énergétiques comparables peuvent avoir des vulnérabilités distinctes face aux inondations, aux tempêtes ou aux vagues de chaleur.
La géolocalisation des actifs, combinée à des modèles climatiques et à des fonctions de dommages, permet d’établir des estimations plus fines des pertes économiques potentielles.
Cette évolution rapproche la gestion d’actifs des méthodes historiquement utilisées par les assureurs et les spécialistes des catastrophes naturelles, qui cherchent à estimer les conséquences financières d’événements physiques sur des biens précisément localisés.
Elle répond également à une limite récurrente de l’analyse climatique traditionnelle : une moyenne sectorielle ou nationale peut masquer des concentrations de risques très importantes sur quelques sites industriels ou infrastructures stratégiques.
Pour les investisseurs, l’objectif est de passer d’un diagnostic climatique global à une analyse financière suffisamment granulaire pour influencer les décisions d’investissement, les politiques de couverture, les limites de concentration et les stratégies d’adaptation.
Intelligence artificielle : un nouvel outil de gestion des risques, mais également une nouvelle source de vulnérabilités
L’intelligence artificielle représente une autre transformation fondamentale de la gestion financière, tant dans les méthodes d’analyse que dans la structure des risques auxquels les portefeuilles peuvent être exposés.
Les applications potentielles sont nombreuses : détection d’anomalies, traitement de données non structurées, analyse de documents financiers, classification des risques, prévision de certains paramètres de marché et automatisation des contrôles.
Dans les processus quantitatifs, les techniques de machine learning peuvent notamment contribuer à identifier des relations non linéaires entre facteurs économiques, à détecter des changements de régime et à enrichir les modèles de prévision.
Toutefois, ces outils introduisent leurs propres risques.
Un modèle entraîné sur des données historiques peut perdre sa pertinence lorsque les conditions économiques changent. Certaines méthodes particulièrement complexes présentent également des difficultés d’interprétation, limitant la capacité des équipes de gestion à expliquer précisément les décisions produites.
Les problèmes de qualité des données, de surapprentissage, de biais méthodologiques et de robustesse des modèles deviennent donc des enjeux centraux de gouvernance.
L’utilisation croissante de modèles similaires par de nombreux acteurs financiers peut également favoriser des comportements convergents, notamment lorsque les décisions d’allocation reposent sur des signaux de marché proches.
Dans certaines circonstances, cette homogénéité peut accentuer les mouvements de marché, les désengagements simultanés ou les phénomènes de concentration.
L’intelligence artificielle intervient enfin comme un facteur économique direct dans les portefeuilles, en modifiant les perspectives de croissance de nombreux secteurs. La construction de centres de données, l’augmentation des besoins électriques, les investissements dans les semi-conducteurs et les infrastructures numériques peuvent ainsi créer de nouvelles opportunités financières, mais également de nouvelles dépendances énergétiques et de nouvelles concentrations sectorielles.
L’analyse des risques technologiques ne peut donc plus être totalement dissociée des risques macroéconomiques, énergétiques et climatiques.
Dans ce contexte, les approches quantitatives évoquées par MSCI, notamment à travers sa plateforme SignalLab, cherchent à structurer l’utilisation de signaux financiers, macroéconomiques et factoriels dans les processus de construction des portefeuilles, avec une attention particulière à leur traçabilité, leur reproductibilité et leur gouvernance.
Corrélations, stress tests et modèles factoriels : vers une véritable gestion intégrée des risques
La convergence des risques climatiques, technologiques et financiers conduit les investisseurs à réexaminer les méthodes de construction de portefeuilles.
Traditionnellement, la diversification repose notamment sur la recherche d’actifs dont les rendements ne sont pas parfaitement corrélés. Dans un cadre moyenne-variance, le risque global d’un portefeuille dépend des volatilités individuelles, des pondérations et des covariances entre les actifs.
Cependant, les corrélations peuvent évoluer brutalement lors de crises financières ou de transformations structurelles. Des expositions apparemment différentes peuvent alors devenir sensibles aux mêmes facteurs économiques.
Un portefeuille combinant des entreprises technologiques, des infrastructures numériques et des producteurs d’électricité peut ainsi présenter une concentration indirecte sur la croissance de l’intelligence artificielle, le coût de l’énergie ou l’évolution des taux d’intérêt, malgré une diversification sectorielle apparente.
Les modèles factoriels permettent d’identifier ces expositions communes en décomposant les rendements et les risques en fonction de facteurs tels que les taux, le crédit, la croissance, l’inflation, les secteurs économiques ou certains risques thématiques.
L’enjeu consiste désormais à enrichir ces modèles avec des facteurs de transition énergétique, de risques physiques et de transformations technologiques, tout en évitant les doubles comptages et les corrélations artificielles.
Les stress tests prospectifs constituent un complément essentiel. Ils permettent d’examiner les conséquences de scénarios dans lesquels plusieurs facteurs se dégradent simultanément, par exemple une hausse des taux accompagnée d’un choc énergétique, d’une révision des valorisations technologiques et d’événements climatiques affectant certaines infrastructures.
Pour les gestionnaires institutionnels, la difficulté n’est pas uniquement de calculer une perte potentielle, mais de comprendre les mécanismes de transmission entre les actifs, les facteurs de marché et les contraintes de liquidité.
C’est précisément l’intérêt d’une gestion intégrée : identifier les concentrations cachées, examiner les dépendances communes et déterminer la capacité du portefeuille à résister à différents scénarios défavorables.
La finance durable devient une composante de la gestion financière, et non plus seulement du reporting ESG
L’une des conséquences majeures de cette évolution concerne la place des critères ESG dans les décisions d’investissement.
Historiquement, une partie des dispositifs de finance durable reposait sur des processus distincts de la gestion des risques financiers : notation extra-financière, exclusions sectorielles, calcul des émissions financées ou publication des principales incidences négatives.
Ces approches restent nécessaires, notamment pour répondre aux objectifs de durabilité et aux obligations réglementaires, mais elles doivent désormais être rapprochées des modèles économiques et financiers utilisés par les gérants.
Un risque climatique devient particulièrement pertinent pour un investisseur lorsqu’il peut influencer les coûts, les revenus, les investissements, la probabilité de défaut, la liquidité ou la valeur des actifs. Une exposition à la dégradation des écosystèmes peut également devenir financièrement matérielle lorsqu’elle fragilise une chaîne d’approvisionnement ou entraîne des restrictions d’activité.
Cette intégration ne signifie toutefois pas que l’ensemble des impacts environnementaux peut être réduit à une mesure de rentabilité. La matérialité financière et la matérialité d’impact répondent à des objectifs complémentaires, mais distincts.
Un portefeuille peut être relativement résilient aux risques climatiques tout en finançant des activités fortement émettrices. Inversement, des investissements contribuant directement à la transition écologique peuvent présenter des risques économiques importants, notamment technologiques, réglementaires ou de liquidité.
La gestion financière doit donc distinguer la capacité d’un portefeuille à résister aux transformations environnementales de sa contribution effective à ces transformations.
La résilience climatique d’un investissement ne constitue pas automatiquement la preuve de son impact environnemental positif.
Pour les assureurs, les fonds de pension, les banques et les sociétés de gestion, cette distinction devient fondamentale, car elle conditionne à la fois la qualité des décisions d’investissement et la crédibilité des engagements de finance durable.
Comprendre pourquoi tous les risques financiers finissent par se rejoindre
« Pour comprendre l’évolution présentée par MSCI, il faut imaginer un investisseur institutionnel qui détient simultanément des actions cotées, des obligations, des infrastructures, du private equity et des actifs immobiliers. Traditionnellement, les risques de ces investissements sont analysés dans des modèles parfois différents, avec des fréquences de valorisation, des horizons et des méthodologies qui ne permettent pas toujours de mesurer correctement leurs interactions. Le véritable progrès consiste à rapprocher ces expositions dans une analyse consolidée pour comprendre non seulement les risques de chaque actif, mais également la manière dont un événement économique, technologique ou climatique peut affecter plusieurs investissements simultanément. » précise Bruno Boggiani – Structured – Green Finance
Cette évolution peut se comprendre à travers un exemple concret.
Imaginons un fonds de pension disposant d’un portefeuille de 10 milliards d’euros, réparti entre les marchés actions, les obligations, les infrastructures énergétiques et les actifs immobiliers. À première vue, ce portefeuille semble diversifié, puisque les investissements appartiennent à plusieurs catégories économiques et présentent des caractéristiques financières différentes.
Supposons maintenant qu’une période de sécheresse exceptionnelle entraîne une augmentation du prix de l’électricité, des difficultés de production industrielle et une hausse des coûts d’exploitation de plusieurs infrastructures. Dans le même temps, une remontée des taux d’intérêt réduit la valorisation de certains actifs immobiliers et augmente le coût du financement des entreprises.
Le fonds peut alors subir plusieurs conséquences simultanées. Certaines actions perdent de la valeur, les spreads obligataires peuvent s’écarter, les infrastructures voient leurs perspectives de rentabilité évoluer et les actifs immobiliers subissent une révision de leurs valorisations. Pourtant, les risques initiaux semblaient appartenir à des catégories indépendantes.
C’est précisément ce que cherchent à mieux appréhender les approches intégrées de gestion des risques : identifier les relations économiques cachées derrière des actifs apparemment diversifiés.
« Un indicateur de risque ne doit jamais être interprété indépendamment de ses hypothèses de calcul, de son horizon temporel et de la qualité des données utilisées. Une Value at Risk peut donner une estimation pertinente d’une perte potentielle de marché à court terme sans pour autant intégrer correctement les conséquences d’une rupture technologique, d’un événement climatique extrême ou d’une crise de liquidité affectant les actifs privés. L’objectif n’est donc pas de remplacer les méthodes traditionnelles, mais de les compléter par des scénarios prospectifs, des analyses de sensibilité et des approches factorielles capables de restituer une vision économique plus complète des portefeuilles. » exprime Bruno Boggiani – Structured – Green Finance
Cette explication permet également de comprendre pourquoi les risques ESG occupent une place croissante dans la gestion financière. Une inondation n’est pas seulement un événement climatique lorsqu’elle détruit une infrastructure, une transition énergétique n’est pas seulement un objectif environnemental lorsqu’elle modifie les coûts de production, et l’intelligence artificielle n’est pas seulement une innovation technologique lorsqu’elle transforme les besoins en électricité, les perspectives de croissance et les valorisations sectorielles.
Tous ces phénomènes peuvent finir par se traduire dans les mêmes variables financières : chiffre d’affaires, marges, flux de trésorerie, coût du capital, spreads de crédit et valeur des actifs.
La difficulté consiste donc à mesurer correctement ces relations, sans tomber dans l’illusion qu’un modèle sophistiqué serait capable de prévoir l’ensemble des événements futurs.
Car une modélisation détaillée ne constitue pas nécessairement une modélisation exacte. Les scénarios restent hypothétiques, les données peuvent être incomplètes et certaines interactions économiques ne deviennent visibles qu’à l’occasion de crises.
L’intérêt de l’approche présentée par MSCI réside précisément dans cette recherche d’une lecture plus globale du risque, en rapprochant les outils quantitatifs, les données sur les actifs privés, les facteurs macroéconomiques et les nouvelles dimensions environnementales ou technologiques.
Pour Green Finance, cette évolution constitue un changement important de perspective.
La finance durable ne doit plus être uniquement un exercice de classification ESG ou de reporting réglementaire. Elle doit également devenir une composante effective des modèles de risque, de valorisation et d’allocation des capitaux.
Mais une dernière distinction demeure essentielle : mieux intégrer les risques climatiques dans un portefeuille ne signifie pas automatiquement contribuer à la lutte contre le changement climatique.
Un investisseur peut parfaitement réduire son exposition à certains risques environnementaux sans financer davantage la transition écologique. La gestion de la résilience financière et la recherche d’impact environnemental constituent deux démarches différentes qui doivent être analysées conjointement.
C’est probablement sur ce point que les prochaines années seront déterminantes.
Les institutions financières devront démontrer qu’elles sont capables de mieux identifier les risques qui menacent leurs portefeuilles, tout en expliquant la contribution de leurs décisions d’investissement aux transformations économiques et environnementales.
La véritable révolution ne sera pas de disposer de modèles financiers toujours plus complexes, mais de parvenir à comprendre, mesurer et anticiper les risques qu’ils doivent représenter, sans oublier que la qualité d’un modèle ne dépassera jamais celle des hypothèses sur lesquelles il repose.
Découvrez aussi sur Green Finance : L’ISR qui s’invite dans l’ultra-court terme !
