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 des modèles de machine learning
- Bien comprendre les données est essentiel
- Améliorer les données permet à de simples modèles d'offrir un haut rendement
Développer, évaluer et expliquer des régressions logistiques et des arbres renforcés par gradient
Analyser la performance des modèles en modifiant les données
- Comprendre l'impact financier des résultats
- Mettre en œuvre le modèle avec une stratégie claire
Techniques de modélisation du risque
Les modèles et le cadre vus dans ce cours :
- Modèle de risque en temps discret (au point dans le temps) : la probabilité de défaut est un événement ponctuel
- Cadre de modèle structurel : le modèle explique le défaut à partir d'autres facteurs
Autres techniques
- Modèle « à travers le cycle » (temps continu) : on tient compte des conditions macroéconomiques et d'autres effets, mais le risque est vu comme un événement indépendant
- Cadre de modèle à forme réduite : approche statistique qui estime la probabilité de défaut comme un événement indépendant de type Poisson
Choisir ses modèles
Plusieurs modèles de machine learning existent, mais nous avons utilisé la régression logistique et les arbres
- Ces modèles sont simples et explicables
- Leur performance sur les probabilités est acceptable
Plusieurs secteurs financiers privilégient l'interprétabilité
- Les modèles complexes ou « boîtes noires » posent un risque, car l'entreprise ne peut pas justifier pleinement leurs décisions
- Les réseaux de neurones profonds sont souvent trop complexes
Mes conseils pour vous
Miser sur les données
- Rassembler le plus de données possible
- Appliquer diverses techniques pour préparer et enrichir les données
- Comprendre les réalités d'affaires
- Créer de la valeur grâce aux données
La complexité des modèles a deux tranchants
- Des modèles très complexes peuvent bien performer, mais sont perçus comme une « boîte noire »
- Souvent, les utilisateurs d'affaires n'acceptent pas un modèle qu'ils ne comprennent pas
- Les modèles complexes peuvent être volumineux et difficiles à mettre en production
Merci !
Modélisation du risque de crédit en Python
