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

Résumé En raison de la technologie avancée associée au Big Data, de la disponibilité des données et de la puissance de calcul, la plupart des banques ou des établissements de crédit renouvellent leurs modèles économiques. 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 classidiers 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 leurs performances sur des données distinctes. Nous observons que les modèles basés sur les arbres sont plus stables que les modèles basés sur les réseaux neuronaux artificiels multicouches. Ceci ouvre plusieurs questions relatives à l'utilisation intensive des systèmes d'apprentissage profond dans les entreprises.