Abstract:
Notre travail consiste à appliquer des méthodes statistiques,
afin d’évaluer le risque de crédit pour les particuliers et les entreprises.
Parmi ces approches, la méthode de scoring estime le risque de crédit en
prévoyant la solvabilité du demandeur de crédit. Les institutions financières
utilisent ce modèle pour estimer la probabilité de défaut qui sera utilisée
pour affecter chaque client à la catégorie qui lui correspond le mieux : bon
payeur ou mauvais payeur.
La méthode d’apprentissage statistique SVM a connu ces deux dernières
décennies un large développement des points de vue théorie et applications.
Elle repose sur un fondement théorique solide et utilise le principe de maximisation de la marge. Les SVMs ont été utilisées avec succès dans plusieurs
domaines, notamment dans l’évaluation des risques des crédits bancaires.
L’application de ces méthodes nous a permis à déterminer les variables
qui séparent au mieux entre un bon et un mauvais client, et cela permet
aux banques de faciliter la prise de décision concernant l’octroi de crédit
Our thesis consists in applying statistical methods in order to assess
the credit risk for individuals and businesses. Among these approaches, the
scoring method estimates the credit risk by predicting the creditworthiness
of the credit applicant. Financial institutions use this model to estimate
the probability of default that will be used to assign each customer to the
category that best suits them : good payer or bad payer.
The SVM statistical learning method has undergone a large development in theory and application over the past two decades. It is based on
a solid theoretical foundation and uses the principle of margin maximization. SVMs have been used successfully in several areas, notably in the risk
assessment of bank loans.
Applying these methods allowed us to determine the variables that best
separate a good and a bad customer, and this allows banks to facilitate
decision-making about granting credit.
