Recherche & Développement Toutes les publications Scoring d’octroi par Machine Learning interprétable ?

Scoring d’octroi par Machine Learning interprétable ?


ETUDE INTERNE
AUTEUR : VICTOR NGUYEN, AHMAD CHARAF, EVA GERMINI

 

Le scoring est un outil d’aide à la décision permettant d’anticiper la capacité de remboursement d’un emprunteur. Dans cette note, deux méthodologies de classement des prêts selon leur probabilité de défaut sont comparées sur une base de données emprunteur.

Premièrement, l’approche classique de la construction d’une grille de score – basée sur un modèle de régression logistique – permet une identification et une interprétabilité claire des variables contributrices au risque.

Secondement, les méthodes ensemblistes – Random Forest et XgBoost – offrent de meilleures performances prédictives sur nos données mais leur complexité peut limiter leur portée opérationnelle. En effet, contrairement à l’approche classique de scoring, l’identification de la contribution de chaque variable au risque de défaut et la décision d’octroi nécessitent le recours au modèle prédictif et à des techniques d’interprétabilité qui peuvent être complexes à mettre en œuvre.

Télécharger le PDF

Publications récentes

#news

13/03/2024

Second exercice de stress test climatique pour les entreprises

Lire plus

12/03/2024

Stress test climatique de la Perte en cas de défaut (LGD)

Lire plus

11/03/2024

Stress-test climatique : Estimation de la perte attendue sur un portefeuille de crédit corporate

Lire plus