Analyse du risque de crédit à l'aide de modèles d'apprentissage automatique et profond.

Résumé En raison de l'hyper technologie associée au Big Data, à la disponibilité des données et à la puissance de calcul, la plupart des banques ou institutions financières de prêt renouvellent leurs modèles d'affaires. Les prédictions du risque de crédit, la surveillance, la fiabilité des modèles et le traitement efficace des prêts sont essentiels à la prise de décision et à la transparence. Dans ce travail, nous construisons des classificateurs binaires basés sur des modèles d'apprentissage automatique et profond sur des données réelles pour prédire la probabilité de défaut de paiement des prêts. Les 10 principales caractéristiques importantes de ces modèles sont sélectionnées puis utilisées dans le processus de modélisation pour tester la stabilité des classificateurs binaires en comparant les performances sur des données distinctes. Nous observons que les modèles basés sur des arbres sont plus stables que les modèles basés sur des réseaux de neurones artificiels multicouches. Ceci ouvre plusieurs questions relatives à l'utilisation intensive des systèmes d'apprentissage profond dans les entreprises.