WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Scoring crédit: une application comparative de la régression logistique et des réseaux de neurones

( Télécharger le fichier original )
par Fred NTOUTOUME OBIANG-NDONG
Université Cheikh Anta Diop (UCAD) - Master Methodes Statistiques et Econometriques 2006
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

PREMIERE PARTIE 

CADRE DE REFERENCE

CHAPITRE Ier : Revue de la littérature

[The use of credit scoring technologies] has expanded well beyond their original purpose of assessing credit risk. Today they are used for assessing the risk-adjusted profitability of account relationship, for establishing the initial and ongoing credit limits available to borrowers, and for assisting in a range of activities in loan servicing, including fraud detection, delinquency intervention, and loss mitigation [...]

Alan GREENSPAN, U.S. Federal Reserve Chairman, in October 2002

Speech to the American Bankers Association1(*)

Un des problèmes principaux auxquels font face les banques en prêtant de l'argent c'est leur incapacité à déterminer avec certitude si le client va honorer ses engagements et rembourser l'emprunt en totalité, ou s'il va simplement faire défaut. Le scoring a été développé dans cette optique, avec des outils de plus en plus pointus.

Cette sous-partie présente quelques généralités fondamentales sur le scoring, nous permettant d'en préciser les principaux développements théoriques, de différencier les différents types de score retrouvés dans la littérature bancaire, et de brosser quelques avantages à l'utilisation du score de risque, objet de notre étude. Par la suite, les fondements des techniques de modélisation statistique (Régression logistique) et d'intelligence artificielle (Régression neuronale) que nous avons choisi d'éprouver seront exposés, afin d'en retenir les caractéristiques et propriétés principales.

I/ Généralités sur le « credit scoring ».

1.1. Définition, Fondements historiques et théoriques

Qu'est ce que le crédit scoring ?

Les risques auxquels font face les banques sont de nombreux ordres. G. Fong & A. O. Vasicek (1997)2(*) ont listé 11 risques dont les risques de marché, d'option, de liquidité, de paiement anticipé, de gestion et d'exploitation, de gestion, les spécifiques, ceux liés à l'étranger et le risque de crédit. Seul ce dernier encore appelé risque de contrepartie retiendra notre attention.

Dans la gestion du risque lié au crédit bancaire, le crédit scoring, ou scoring crédit, est compris selon R. Anderson (2007) comme étant le recours aux modèles statistiques en vue de transformer des données (qualitatives, quantitatives) en indicateurs numériques mesurables à des fins d'aide à la décision d'octroi ou de rejet de crédit. 3(*) L'objectif du crédit scoring est dans ce sens de pouvoir établir une différenciation entre des individus d'un même ensemble, pour l'identification des probabilités de défaillances associable à chacun d'eux en fonction de certains facteurs. La plus simple différenciation à l'origine est une catégorisation binaire entre « bons payeurs » d'un coté, et « mauvais payeurs » de l'autre. Stéphane Tufféry (2005) définit d'ailleurs cette catégorisation comme le score de risque, ou la probabilité pour un client [nouveau ou ancien] de rencontrer un incident de paiement ou de remboursement4(*).

Le scoring peut cependant revêtir plusieurs définitions en fonction du but pour lequel il lui est fait recours. Notamment, le scoring est très utilisé en marketing, dans le Customer Relationship Management (CRM). On note aussi les scores d'appétence, de recouvrement, etc. Toutefois, d'autres théoriciens du scoring pensent qu'il n'y a pas seulement scoring que sur la base de méthodes statistiques et de probabilités. M. Schreiner (2002) fait par exemple remarquer utilement que les démarches de scoring peuvent être menées sur une base empirique (subjective), c'est-à-dire évaluer plus ou moins intuitivement les liens entre le passé et le futur sur la base d'une simple lecture pratique de l'expérience.5(*)

Au plan historique, bien que le crédit scoring ait été pour la première fois utilisé dans les années 1960 aux USA, ses origines remontent en fait au début du XXe siècle, lorsque John MOODY publia la première grille de notation pour ses trade bonds (obligations commerciales). Brièvement, nous présentons les 10 dates clés du scoring crédit dans le tableau ci-dessous.

Tableau 1: L'histoire du scoring crédit en 10 dates

Dates

Evènements

2000

av. JC

1ere utilisation du crédit en Assyrie, à Babylone et en Egypte

1851

1ere utilisation de la notation (classement) crédit par John Bradstreet, pour ses commerçants demandeurs de crédit, USA

1909

John M. Moody publie la 1ere grille de notation pour les obligations commerciales négociées sur le marché marché, USA

1927

1er « crédit bureau » crée en Allemagne

1941

David Durand professeur de Gestion au MIT écrit un rapport, et suggère le recours aux statistique pour assister la décision de crédit, USA.

1958

1ere application du scoring par American Investments

1967-70

Altman crée le « Z-score » à partir de l'analyse discriminante mutivariée.

Réglementation des « crédits bureaux » par le credit reporting act, USA

1995

L'assureur d'hypothèques Freddy Mac & Fannie Mae adopte le crédit-scoring, USA

2000

Moody's KMV introduit le RiskCalc pour le scoring des ratios financiers (financial ratio scoring - FRS)

2004

Bâle II recommande l'utilisation des méthodes statistiques de prévision du risque de crédit

Source : tableau inspiré de Rayon Anderson, « The crédit scoring Toolkit »,

Oxford University Press, 2007, P. 28

Il faut cependant noter que le crédit scoring ne constitue pas la seule voie à ce jour de gestion du risque de crédit. Depuis quelques années, l'émergence de produits financiers dérivés permettant une protection contre le risque de défaut, ou encore, une protection contre une augmentation des probabilités de défaut pouvant être mesurées par l'écart de crédit. Il s'agit notamment des options (options sur écart de crédit, option sur le défaut), des contrats à terme sur l'écart de crédit et des credit default swaps.

* 1 http://www.federalreserve.gov

* 2 G. Fong & O. A. Vasicek «A multidimensional framework for risk analysis», Financial. Analyst Journal, July/August 1997, p. 52

* 3 Rayon Anderson, « The crédit scoring Toolkit », Oxford University Press, 2007, p. 6

* 4 Stéphane Tufféry, « Data Mining et Statistique décisionnelle, l'intelligence des données », Editions Technip, 2005, p. 141

* 5Fréderic De Sousa-Santos, « Le scoring est-il la nouvelle révolution du microcrédit ? », in BIM N°32, octobre 2002, p.2

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Et il n'est rien de plus beau que l'instant qui précède le voyage, l'instant ou l'horizon de demain vient nous rendre visite et nous dire ses promesses"   Milan Kundera