Apprentissage réglementaire : Application de l'apprentissage automatique à l'évaluation du crédit.

Résumé L'arrivée des stratégies Big Data menace les dernières tendances de la réglementation financière liées à la simplification des modèles et à l'amélioration de la comparabilité des approches choisies par les institutions financières. En effet, la philosophie dynamique intrinsèque des stratégies Big Data est presque incompatible avec le cadre légal et réglementaire actuel, comme illustré dans cet article. En outre, comme nous l'avons présenté dans notre application à l'évaluation du crédit, la sélection des modèles peut également évoluer de manière dynamique, ce qui oblige les praticiens et les régulateurs à développer des bibliothèques de modèles, des stratégies permettant de passer de l'un à l'autre ainsi que des approches de supervision permettant aux institutions financières d'innover dans un environnement où les risques sont réduits. L'objectif de cet article est donc d'analyser les questions liées à l'environnement Big Data et en particulier aux modèles d'apprentissage automatique, en mettant en évidence les problèmes présents dans le cadre actuel, en confrontant les flux de données, le processus de sélection des modèles et la nécessité de générer des résultats appropriés.