Conclusion du cours

Modélisation du risque de crédit en Python

Michael Crabtree

Data Scientist, Ford Motor Company

Votre parcours… jusqu’ici

Préparer des données de crédit pour l’apprentissage automatique
- Bien comprendre les données
- Améliorer les données permet à de simples modèles d’être très performants
Développer, scorer et comprendre les régressions logistiques et les arbres boosting
Analyser la performance des modèles en faisant évoluer les données
Comprendre l’impact financier des résultats
Déployer le modèle avec une stratégie claire

Modèles et cadres vus dans ce cours :
- Modèle de risque en temps discret (point-in-time) : la probabilité de défaut est un événement à un instant donné
- Cadre structurel : le modèle explique le défaut à partir d’autres facteurs
Autres techniques
- Modèle through-the-cycle (temps continu) : prend en compte macroéconomie et autres effets, mais le risque est vu comme un événement indépendant
- Cadre à forme réduite : approche statistique estimant la probabilité de défaut comme un événement de type Poisson indépendant

De nombreux modèles existent, mais nous avons utilisé la régression logistique et les arbres
- Simples et explicables
- Performances acceptables sur les probabilités
De nombreux secteurs financiers privilégient l’interprétabilité
- Les modèles complexes ou « boîtes noires » sont risqués car l’entreprise ne peut pas justifier leurs décisions
- Les réseaux de neurones profonds sont souvent trop complexes

Concentrez-vous sur les données
- Rassemblez un maximum de données
- Multipliez les techniques de préparation et d’enrichissement
- Comprenez le métier
- Créez de la valeur via les données
La complexité du modèle a deux tranchants
- Les modèles très complexes peuvent bien performer mais restent des « boîtes noires »
- Souvent, les métiers n’acceptent pas un modèle qu’ils ne comprennent pas
- Ces modèles peuvent être volumineux et difficiles à mettre en production

Modélisation du risque de crédit en Python