Academic literature on the topic 'Scoring de crédit'

L’objectif de cette recherche est de concevoir un modèle de notation de crédit utilisant la technique de régression logistique, afin de calculer la probabilité de paiement et de non-paiement des demandeurs de crédit. La méthodologie utilisée est une étude de cas d’une entreprise commerciale de meubles, anonymement nommée "Meubles Impérial". Le principal résultat est que les variables indépendantes qui se distinguent par leur signification prédictive sont le sexe, l’âge, les personnes qui travaillent et les personnes économiquement à charge. Le modèle proposé est un moyen efficace de gérer le crédit dans l’entreprise étudiée.

As concessões de crédito rotativo às pessoas físicas (cheque especial e cartão de crédito) vêm crescendo significativamente nos últimos anos, o que, em parte, é explicado pela relativa estabilização da economia, maior geração de empregos e êxito no controle da inflação - fatores que interferem diretamente na capacidade de pagamento dos tomadores. Paralelamente, observa-se uma maior exposição histórica dos Bancos ao risco de inadimplência, ou seja, o do não-recebimento (parcial ou total) de créditos rotativos utilizados pelas pessoas físicas. Considerando o tamanho e a importância desse mercado aos grandes Bancos Comerciais e a economia como um todo, direciona-se essa pesquisa para: 1. detalhar os processos de análise subjetiva e objetiva de crédito realizada pelos principais Bancos privados nacionais; 2. abordar a função seletiva das taxas de juros em créditos rotativos; 3. destacar as principais características dos modelos de credit scoring e 4. propor um modelo de credit scoring para créditos rotativos composto por variáveis sistêmicas e não-sistêmicas, direcionado à redução do risco de inadimplência. A aplicabilidade do modelo proposto de credit scoring em uma amostra extraída da carteira de crédito de pessoas físicas de um importante Banco Comercial privado nacional de médio porte (Banco X - nome fictício), apresentou satisfatório índice de acerto na identificação de clientes prospectivos (96%) e não-prospectivos (92%), levando à conclusão de que incluía e ponderava, adequadamente, as variáveis representativas da capacidade de pagamento dos tomadores.

El sistema bancario actual no cubre las necesidades de los servicios financieros y en particular las de los créditos a los sectores más desfavorecidos de la sociedad. La presencia bancaria se localiza fundamentalmente en las ciudades y regiones con actividad económica importante. Para atender a estos sectores excluidos se han creado de forma natural, pero sin supervisión ni soporte de la autoridad, entidades financieras como las cajas populares, cooperativas, sociedades financieras populares, entre otras, que en conjunto se denominan entidades de ahorro y crédito popular. Sin embargo, la mayoría de este tipo de instituciones no son reconocidas ni supervisadas por la Comisión Nacional Bancaria y de Valores (CNBV), lo cual se traduce en riesgos tanto para los usuarios de los servicios como para las instituciones financieras, destacando las ineficiencias en sus procesos de otorgamiento de créditos, ya que las decisiones de aceptar o no una solicitud de crédito se sustenta en el conocimiento, experiencia y criterio del analista de crédito. Este trabajo presenta un análisis de factibilidad de un proceso integral para el análisis y evaluación de las solicitudes de los micro créditos, soportada por un modelo de línea de crédito, tanto en términos de costoeficiencia para las entidades de ahorro y crédito como en términos de costobeneficio para el proveedor de los servicios de evaluación de solicitudes de crédito. Como se mostrará en el desarrollo del trabajo un modelo de esta naturaleza hace más eficiente el proceso crediticio a un costo razonable y es una inversión rentable para el proveedor de servicios de línea de crédito

En los últimos años el Perú atraviesa un fuerte crecimiento en el sector financiero, principalmente enfocado en el sector de los créditos, los cuales han permitido dinamizar la economía, lo cual no sucede para los créditos orientados al sector agropecuario por su nivel de riesgo, motivo por el cual el Estado peruano crea Agrobanco como una entidad enfocada al sector agropecuario por medio de la colocación de créditos agropecuarios. El objetivo de la investigación es desarrollar un modelo Credit Scoring que permita apoyar la evaluación inmediata del crédito agropecuario, debido a la deficiente y lenta de la misma por parte de Agrobanco. Asimismo la metodología utilizada se fundamenta en un modelo de Credit Scoring de carácter predictivo, que plantea un método de efectos marginales y la evaluación de toda la cartera de la entidad del periodo 2009 al 2015. Los resultados obtenidos en la investigación determinan que las variables independientes: tasa, periodo, garantía, edad, soltero, calificación normal y antigüedad, son significativamente estadísticas en la morosidad de los créditos otorgados, sin embargo las variables, monto, mujer y hectárea no son representativas. Las conclusiones de la investigación son que se cumple como determinantes socio económicas, estadísticamente, las variables: tasa, periodo, garantía, edad, soltero, califica normal y antigüedad.

El incremento de las instituciones de microfinanzas (imf) en México ha agudizado la competencia entre estas instituciones para aumentar su participación de mercado. No obstante las imf deben de valorar de manera adecuada el otorgamiento de créditos a sus clientes potenciales. Que los posibles clientes puedan pagar o no sus créditos depende directamente de los flujos de efectivo que generen por sus operaciones. En este trabajo se hace una revisión de la literatura de los trabajos más relevantes sobre los diferentes modelos de credit scoring y se propone una metodología teórica para analizar el riesgo de crédito en la concesión de microcréditos a partir de los flujos de efectivo esperados haciendo énfasis en la estacionalidad que dichos flujos presentan. Para ello se emplea el método Holt-Winters de pronóstico no lineal, con el fin de predecir el riesgo de que un cliente pague un préstamo (credit scoring).

Las micro y pequeñas empresas (MYPES) representan la inmensa mayoría del tejido productivo uruguayo, generando prácticamente la mitad de la fuerza laboral del país. El acceso al crédito por parte de estas instituciones resulta crucial para asegurar su sostenibilidad y potenciar su contribución a la actividad económica. Tradicionalmente estas empresas se encontraban excluidas del financiamiento bancario tradicional. Las fuentes de financiación estaban habitualmente constituidas por fondos propios y crédito no bancario, como los microcréditos. En 2014, la ley de inclusión financiera otorga a las empresas de reducida dimensión económica el acceso a una cuenta bancaria y un conjunto de servicios financieros básicos en forma gratuita, con el objetivo de promover y apoyar el proceso de inclusión financiera de las MYPES. Por un lado, estas normas provocan un redimensionamiento del mercado de crédito, al posibilitar que las instituciones bancarias provean microcréditos a las MYPES. Por otro lado, la incrementada competencia en este mercado crea la oportunidad para que las instituciones de microfinanzas aumenten la eficiencia en su gestión, perfeccionando su sistema de concesión y gestión de créditos a MYPES, permitiendo reflexionar sobre la aplicación de herramientas de credit scoring para evaluar el riesgo de crédito en estas instituciones.

Alors que les modèles de credit scoring sont largement utilisés depuis plus de cinquante ans et sont considérés comme un outil indispensable dans la prise de décision dans d'innombrables institutions financières du monde entier, la littérature et les empiriques disponibles sur ce sujet restent encore très limitées. Notre objectif est de combler cette lacune en présentant une analyse approfondie sur les modèles de credit scoring et le processus de prise de décision d’octroi de crédit, avec diverses applications sur des données réelles et extensives provenant de différents pays. Notre thèse comporte trois chapitres. Chapitre 1 commence par présenter le processus de développement d’un modèle de credit scoring, et fournit une application sur des données réelles d'une banque de détail basée en France. Visant à donner de nouvelles perspectives sur les pays émergents, Chapitre 2 analyse le marché du crédit à la consommation en Chine et enquête sur l'utilisation des modèles de credit scoring dans un tel marché prometteur. Chapitre 3 va plus loin que la littérature méthodologique précédente et se concentre sur les différentes techniques d'inférence des refusés qui peuvent corriger le biais de sélection lors de la construction d'un modèle de crédit scoring basé uniquement sur les dossiers acceptés. Ces chapitres présentent les différents aspects du crédit scoring, pour lesquels les principales problématiques de credit scoring seront traitées
While credit scoring has been broadly used for more than fifty years and continued to be a great support on decision-making in countless businesses around the world, the amount of literature, especially empirical studies, available on this subject is still limited. Our aim in this thesis is to fill this gap by providing a profound analysis on credit scoring and credit decision processes, with various applications using real and extensive sets of data coming from different countries. The thesis is organized in three chapters. Chapter 1 starts by presenting the credit scoring development process, and provides an application to real data from a France-based retail bank. Aiming at providing new insights regarding emerging countries, Chapter 2 analyzes the Chinese consumer lending market and investigates the use of credit scoring in such a promising market. Chapter 3 goes further than the previous methodological literature and focuses on reject inference techniques which can be a way to address the bias when developing a credit-scoring model based solely on accepted applicants. These chapters provide a round tour on credit scoring, after which major issues in credit scoring are treated

Le credit scoring est généralement considéré comme une méthode d’évaluation du niveau du risque associé à un dossier de crédit potentiel. Cette méthode implique l'utilisation de différentes techniques statistiques pour aboutir à un modèle de scoring basé sur les caractéristiques du client.Le modèle 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 va être utilisée pour affecter chaque client à la catégorie qui lui correspond le mieux: bon payeur ou mauvais payeur. Les seules données disponibles pour construire le modèle de scoring sont les dossiers acceptés dont la variable à prédire est connue. Ce modèle ne tient pas compte des demandeurs de crédit rejetés dès le départ ce qui implique qu'on ne pourra pas estimer leurs probabilités de défaut, ce qui engendre un biais de sélection causé par la non-représentativité de l'échantillon. Nous essayons dans ce travail en utilisant l'inférence des refusés de remédier à ce biais, par la réintégration des dossiers refusés dans le processus d'octroi de crédit. Nous utilisons et comparons différentes méthodes de traitement des refusés classiques et semi supervisées, nous adaptons certaines à notre problème et montrons sur un jeu de données réel, en utilisant les courbes ROC confirmé par simulation, que les méthodes semi-supervisé donnent de bons résultats qui sont meilleurs que ceux des méthodes classiques
Credit scoring is generally considered as a method of evaluation of a risk associated with a potential loan applicant. This method involves the use of different statistical techniques to determine a scoring model. Like any statistical model, scoring model is based on historical data to help predict the creditworthiness of applicants. Financial institutions use this model to assign each applicant to the appropriate category : Good payer or Bad payer. The only data used to build the scoring model are related to the accepted applicants in which the predicted variable is known. The method has the drawback of not estimating the probability of default for refused applicants which means that the results are biased when the model is build on only the accepted data set. We try, in this work using the reject inference, to solve the problem of selection bias, by reintegrate reject applicants in the process of granting credit. We use and compare different methods of reject inference, classical methods and semi supervised methods, we adapt some of them to our problem and show, on a real dataset, using ROC curves, that the semi-supervised methods give good results and are better than classical methods. We confirmed our results by simulation

Les institutions financières sont, dans l’exercice de leurs fonctions, confrontées à divers risques, entre autres le risque de crédit, le risque de marché et le risque opérationnel. L’instabilité de ces facteurs fragilise ces institutions et les rend vulnérables aux risques financiers qu’elles doivent, pour leur survie, être à même d’identifier, analyser, quantifier et gérer convenablement. Parmi ces risques, celui lié au crédit est le plus redouté par les banques compte tenu de sa capacité à générer une crise systémique. La probabilité de passage d’un individu d’un état non risqué à un état risqué est ainsi au cœur de nombreuses questions économiques. Dans les institutions de crédit, cette problématique se traduit par la probabilité qu’un emprunteur passe d’un état de "bon risque" à un état de "mauvais risque". Pour cette quantification, les institutions de crédit recourent de plus en plus à des modèles de credit-scoring. Cette thèse porte sur les techniques actuelles de credit-scoring adaptées aux besoins d’une institution de crédit, le CFCAL-banque, spécialisé dans les prêts garantis par hypothèques. Nous présentons en particulier deux modèles non paramétriques (SVM et GAM) dont nous comparons les performances en termes de classification avec celles du modèle logit traditionnellement utilisé dans les banques. Nos résultats montrent que les SVM sont plus performants si l’on s’intéresse uniquement à la capacité de prévision globale. Ils exhibent toutefois des sensibilités inférieures à celles des modèles logit et GAM. En d’autres termes, ils prévoient moins bien les emprunteurs défaillants. Dans l’état actuel de nos recherches, nous préconisons les modèles GAM qui ont certes une capacité de prévision globale moindre que les SVM, mais qui donnent des sensibilités, des spécificités et des performances de prévision plus équilibrées. En mettant en lumière des modèles ciblés de scoring de crédit, en les appliquant sur des données réelles de crédits hypothécaires, et en les confrontant au travers de leurs performances de classification, cette thèse apporte une contribution empirique à la recherche relative aux modèles de credit-scoring
Financial institutions face in their functions a variety of risks such as credit, market and operational risk. These risks are not only related to the nature of the activities they perform, but also depend on predictable external factors. The instability of these factors makes them vulnerable to financial risks that they must appropriately identify, analyze, quantify and manage. Among these risks, credit risk is the most prominent due to its ability to generate a systemic crisis. The probability for an individual to switch from a risked to a riskless state is thus a central point to many economic issues. In credit institution, this problem is reflected in the probability for a borrower to switch from a state of “good risk” to a state of “bad risk”. For this quantification, banks increasingly rely on credit-scoring models. This thesis focuses on the current credit-scoring techniques tailored to the needs of a credit institution: the CFCAL-banque specialized in mortgage credits. We particularly present two nonparametric models (SVM and GAM) and compare their performance in terms of classification to those of logit model traditionally used in banks. Our results show that SVM are more effective if we only focus on the global prediction performance of the models. However, SVM models give lower sensitivities than logit and GAM models. In other words the predictions of SVM models on defaulted borrowers are not satisfactory as those of logit or GAM models. In the present state of our research, even GAM models have lower global prediction capabilities, we recommend these models that give more balanced sensitivities, specificities and performance prediction. This thesis is not completely exhaustive about the scoring techniques for credit risk management. By trying to highlight targeted credit scoring models, adapt and apply them on real mortgage data, and compare their performance through classification, this thesis provides an empirical and methodological contribution to research on scoring models for credit risk management

Le but de cette thèse était d'explorer la thématique du scoring dans le cadre de son utilisation dans le monde bancaire, et plus particulièrement pour contrôler le risque de crédit. En effet, la diversification et la globalisation des activités bancaires dans la deuxième moitié du XXe siècle ont conduit à l'instauration d'un certain nombre de régulations, afin de pouvoir s'assurer que les établissements bancaires disposent de capitaux nécessaires à couvrir le risque qu'ils prennent. Cette régulation impose ainsi la modélisation de certains indicateurs de risque, dont la probabilité de défaut, qui est pour un prêt en particulier la probabilité que le client se retrouve dans l'impossibilité de rembourser la somme qu'il doit. La modélisation de cet indicateur passe par la définition d'une variable d'intérêt appelée critère de risque, dénotant les "bons payeurs" et les "mauvais payeurs". Retranscrit dans un cadre statistique plus formel, cela signifie que nous cherchons à modéliser une variable à valeurs dans {0,1} par un ensemble de variables explicatives. Cette problématique est en pratique traitée comme une question de scoring. Le scoring consiste en la définition de fonction, appelées fonctions de score, qui retransmettent l'information contenue dans l'ensemble des variables explicatives dans une note de score réelle. L'objectif d'une telle fonction sera de donner sur les individus le même ordonnancement que la probabilité a posteriori du modèle, de manière à ce que les individus ayant une forte probabilité d'être "bons" aient une note élevée, et inversement que les individus ayant une forte probabilité d'être "mauvais" (et donc un risque fort pour la banque) aient une note faible. Des critères de performance tels que la courbe ROC et l'AUC ont été définis, permettant de quantifier à quel point l'ordonnancement produit par la fonction de score est pertinent. La méthode de référence pour obtenir des fonctions de score est la régression logistique, que nous présentons ici. Une problématique majeure dans le scoring pour le risque de crédit est celle de la sélection de variables. En effet, les banques disposent de larges bases de données recensant toutes les informations dont elles disposent sur leurs clients, aussi bien sociodémographiques que comportementales, et toutes ne permettent pas d'expliquer le critère de risque. Afin d'aborder ce sujet, nous avons choisi de considérer la technique du Lasso, reposant sur l'application d'une contrainte sur les coefficients, de manière à fixer les valeurs des coefficients les moins significatifs à zéro. Nous avons envisagé cette méthode dans le cadre des régressions linéaires et logistiques, ainsi qu'une extension appelée Group Lasso, permettant de considérer les variables explicatives par groupes. Nous avons ensuite considéré le cas où la variable réponse n'est plus binaire, mais polytomique, c'est-à-dire avec plusieurs niveaux de réponse possibles. La première étape a été de présenter une définition du scoring équivalente à celle présentée précédemment dans le cas binaire. Nous avons ensuite présenté différentes méthodes de régression adaptées à ce nouveau cas d'étude : une généralisation de la régression logistique binaire, des méthodes semi-paramétriques, ainsi qu'une application à la régression logistique polytomique du principe du Lasso. Enfin, le dernier chapitre est consacré à l'application de certaines des méthodes évoquées dans le manuscrit sur des jeux de données réelles, permettant de les confronter aux besoins réels de l'entreprise
The objective of this thesis was to explore the subject of scoring in the banking world, and more precisely to study how to control credit risk. The diversification and globalization of the banking business in the second half of the twentieth century led to introduce regulations, which require banks to make reserves to cover the risk they take. These regulations also dictate that they should model different risk indicators, among which the probability of default. This indicator represents the probability for a client to find himself in the incapacity to pay back his debt. In order to predict this probability, one should define a risk criterion, that allows to distinguish the "bad clients" from the "good clients". In a more formal statistical approach, that means we want to model a binary variable by an ensemble of explanatory variables. This problem is usually treated as a scoring problem. It consists in the definition of functions, called scoring functions, which interpret the information contained in the explanatory variables and transform it into a real-value score note. The goal of such a function is to induce the same order on the observations than the a posteriori probability, so that the observations that have a high probability to be "good" have a high score, and those that have a high probability to be "bad" (and thus a high risk for the bank) have a low score. Performance criteria such as the ROC curve and the AUC allow us to quantify the quality of the order given by the scoring function. The reference method to obtain such scoring functions is the logistic regression, which we present here. A major subject in credit scoring is the variable selection. The banks have access to large databases, which gather information on the profile of their clients and their past behavior. However, those variables may not all be discriminating regarding the risk criterion. In order to select the variables, we proposed to use the Lasso method, based on the restriction of the coefficients of the model, so that the less significative coefficients will be fixed to zero. We applied the Lasso method on linear regression and logistic regression. We also considered an extension of the Lasso method called Group Lasso on logistic regression, which allows us to select groups of variables rather than individual variables. Then, we considered the case in which the response variable is not binary, but polytomous, that is to say with more than two response levels. The first step in this new context was to extend the scoring problem as we knew in the binary case to the polytomous case. We then presented some models adapted to this case: an extension of the binary logistic regression, semi-parametric methods, and an application of the Lasso method on the polytomous logistic regression. Finally, the last chapter deals with some application studies, in which the methods presented in this manuscript are applied to real data from the bank, to see how they meet the needs of the real world

Cette thèse se place dans le cadre des modèles d’apprentissage automatique de classification binaire. Le cas d’application est le scoring de risque de crédit. En particulier, les méthodes proposées ainsi que les approches existantes sont illustrées par des données réelles de Crédit Agricole Consumer Finance, acteur majeur en Europe du crédit à la consommation, à l’origine de cette thèse grâce à un financement CIFRE. Premièrement, on s’intéresse à la problématique dite de “réintégration des refusés”. L’objectif est de tirer parti des informations collectées sur les clients refusés, donc par définition sans étiquette connue, quant à leur remboursement de crédit. L’enjeu a été de reformuler cette problématique industrielle classique dans un cadre rigoureux, celui de la modélisation pour données manquantes. Cette approche a permis de donner tout d’abord un nouvel éclairage aux méthodes standards de réintégration, et ensuite de conclure qu’aucune d’entre elles n’était réellement à recommander tant que leur modélisation, lacunaire en l’état, interdisait l’emploi de méthodes de choix de modèles statistiques. Une autre problématique industrielle classique correspond à la discrétisation des variables continues et le regroupement des modalités de variables catégorielles avant toute étape de modélisation. La motivation sous-jacente correspond à des raisons à la fois pratiques (interprétabilité) et théoriques (performance de prédiction). Pour effectuer ces quantifications, des heuristiques, souvent manuelles et chronophages, sont cependant utilisées. Nous avons alors reformulé cette pratique courante de perte d’information comme un problème de modélisation à variables latentes, revenant ainsi à une sélection de modèle. Par ailleurs, la combinatoire associée à cet espace de modèles nous a conduit à proposer des stratégies d’exploration, soit basées sur un réseau de neurone avec un gradient stochastique, soit basées sur un algorithme de type EM stochastique.Comme extension du problème précédent, il est également courant d’introduire des interactions entre variables afin, comme toujours, d’améliorer la performance prédictive des modèles. La pratique classiquement répandue est de nouveau manuelle et chronophage, avec des risques accrus étant donnée la surcouche combinatoire que cela engendre. Nous avons alors proposé un algorithme de Metropolis-Hastings permettant de rechercher les meilleures interactions de façon quasi-automatique tout en garantissant de bonnes performances grâce à ses propriétés de convergence standards. La dernière problématique abordée vise de nouveau à formaliser une pratique répandue, consistant à définir le système d’acceptation non pas comme un unique score mais plutôt comme un arbre de scores. Chaque branche de l’arbre est alors relatif à un segment de population particulier. Pour lever la sous-optimalité des méthodes classiques utilisées dans les entreprises, nous proposons une approche globale optimisant le système d’acceptation dans son ensemble. Les résultats empiriques qui en découlent sont particulièrement prometteurs, illustrant ainsi la flexibilité d’un mélange de modélisation paramétrique et non paramétrique. Enfin, nous anticipons sur les futurs verrous qui vont apparaître en Credit Scoring et qui sont pour beaucoup liés la grande dimension (en termes de prédicteurs). En effet, l’industrie financière investit actuellement dans le stockage de données massives et non structurées, dont la prochaine utilisation dans les règles de prédiction devra s’appuyer sur un minimum de garanties théoriques pour espérer atteindre les espoirs de performance prédictive qui ont présidé à cette collecte
This manuscript deals with model-based statistical learning in the binary classification setting. As an application, credit scoring is widely examined with a special attention on its specificities. Proposed and existing approaches are illustrated on real data from Crédit Agricole Consumer Finance, a financial institute specialized in consumer loans which financed this PhD through a CIFRE funding. First, we consider the so-called reject inference problem, which aims at taking advantage of the information collected on rejected credit applicants for which no repayment performance can be observed (i.e. unlabelled observations). This industrial problem led to a research one by reinterpreting unlabelled observations as an information loss that can be compensated by modelling missing data. This interpretation sheds light on existing reject inference methods and allows to conclude that none of them should be recommended since they lack proper modelling assumptions that make them suitable for classical statistical model selection tools. Next, yet another industrial problem, corresponding to the discretization of continuous features or grouping of levels of categorical features before any modelling step, was tackled. This is motivated by practical (interpretability) and theoretical reasons (predictive power). To perform these quantizations, ad hoc heuristics are often used, which are empirical and time-consuming for practitioners. They are seen here as a latent variable problem, setting us back to a model selection problem. The high combinatorics of this model space necessitated a new cost-effective and automatic exploration strategy which involves either a particular neural network architecture or Stochastic-EM algorithm and gives precise statistical guarantees. Third, as an extension to the preceding problem, interactions of covariates may be introduced in the problem in order to improve the predictive performance. This task, up to now again manually processed by practitioners and highly combinatorial, presents an accrued risk of misselecting a “good” model. It is performed here with a Metropolis Hastings sampling procedure which finds the best interactions in an automatic fashion while ensuring its standard convergence properties, thus good predictive performance is guaranteed. Finally, contrary to the preceding problems which tackled a particular scorecard, we look at the scoring system as a whole. It generally consists of a tree-like structure composed of many scorecards (each relative to a particular population segment), which is often not optimized but rather imposed by the company’s culture and / or history. Again, ad hoc industrial procedures are used, which lead to suboptimal performance. We propose some lines of approach to optimize this logistic regression tree which result in good empirical performance and new research directions illustrating the predictive strength and interpretability of a mix of parametric and non-parametric models. This manuscript is concluded by a discussion on potential scientific obstacles, among which the high dimensionality (in the number of features). The financial industry is indeed investing massively in unstructured data storage, which remains to this day largely unused for Credit Scoring applications. Doing so will need statistical guarantees to achieve the additional predictive performance that was hoped for

Cette thèse propose des solutions innovantes pour répondre aux défis posés par l’utilisation de l’intelligence artificielle (IA) et du machine learning (ML) dans le domaine du scoring de crédit. L’IA révolutionne le monde à un rythme sans précédent, redéfinissant des industries entières et exerçant une influence profonde sur les employés, les manageurs, les clients, les fournisseurs et les régulateurs. En finance, et en particulier sur le marché du crédit, les modèles de ML influencent directement des décisions cruciales telles que l’octroi de crédits et la détermination des fonds propres réglementaires. Bien que les algorithmes de ML offrent de meilleures performances prédictives que les modèles traditionnels, leur utilisation soulève d’importantes préoccupations en matière d’équité, de transparence et de régulation. Afin de répondre aux défis posés par ces technologies, cette thèse s’articule autour de trois axes principaux qui abordent les questions d’équité, d’interprétabilité et d’homogénéité des modèles de scoring de crédit. Le premier chapitre introduit un cadre d'analyse afin de tester l’équité des modèles de scoring de crédit, identifier les variables qui sont à l’origine d’un éventuel manque d’équité, et remédier à ce déséquilibre, tout en conservant la performance prédictive du modèle. Le deuxième chapitre propose une méthodologie innovante, appelée XPER, qui décompose la performance des modèles en contributions spécifiques à chaque variable, améliorant ainsi l'interprétabilité des modèles de scoring de crédit. Enfin, le troisième chapitre introduit le Risk Homogeneity Coefficient (RHC) afin de mesurer l’homogénéité des classes de risque dans les systèmes de notation interne des banques pour le risque de crédit, conformément aux exigences des accords de Bâle. Ces approches, bien que techniques, sont également pratiques et fournissent des outils innovants permettant aux institutions financières et à leurs régulateurs de valider les modèles de scoring de crédit dans leurs dimensions équité, interprétabilité et homogénéité
This thesis proposes innovative solutions to address the challenges posed by the use of artificial intelligence (AI) and machine learning (ML) in credit scoring. AI is revolutionizing the world at an unprecedented pace, redefining entire industries and exerting a profound influence on employees, managers, customers, suppliers, and regulators. In finance, and particularly in the credit market, ML models directly influence crucial decisions such as credit granting and the determination of regulatory capital. Although ML algorithms exhibit better predictive performance than traditional models, their use raises significant concerns regarding fairness, transparency, and regulatory compliance. To address the challenges posed by these rapidly expanding technologies, this thesis is structured around three main dimensions that tackle issues of fairness, interpretability, and homogeneity in credit scoring models. The first chapter introduces a theoretical framework to test for the fairness of credit scoring models, identify the variables that generate the lack of fairness, if any, and mitigate it, all while maintaining the model’s predictive performance. The second chapter proposes an innovative methodology called XPER, which decomposes model performance into specific contributions from each variable, thereby enhancing the interpretability of credit scoring models. Finally, the third chapter introduces the Risk Homogeneity Coefficient (RHC), a tool that quantifies the degree of homogeneity within risk grades, or risk classes, in the Internal Ratings-Based approach for credit risk, as required by the Basel accords. These approaches, while technical, are also very practical and provide innovative tools enabling financial institutions and their regulators to validate credit scoring models while considering issues of fairness, interpretability, and homogeneity

Ingeniero Civil Industrial
El siguiente trabajo busca establecer una metodología de seguimiento, aplicable a los modelos de riesgo crediticio de Banco Estado Microempresas (BEME), basados en regresiones logísticas, esto con el fin de levantar alertas sobre variables importantes de los modelos que están influyendo en la pérdida de poder predictivo en el tiempo. Por otro lado, se busca establecer una medida de riesgo de las pérdidas potenciales para los modelos, basadas en la conocida medida Value at Risk (VaR), con el fin de poder comparar los modelos sin recalibrar con los modelos hipotéticos de una recalibración dinámica de los mismos, capturando de forma objetiva, cambios estructurales. Para estudiar el problema de seguimiento, se busca generar una metodología que pueda ser replicable para mantener un seguimiento periódico. Para esto, se desarrolló una metodología capaz de generar de forma automática bases analíticas basada en los filtros conocidos que BEME utilizó para la creación del modelo Ambiental, el que tiene como función otorgar un puntaje a personas naturales para la pre-aprobación de un crédito. Luego, se realizó diferentes test estadísticos, en los cuales se establece un intervalo en el cual el estadístico puede oscilar, considerando que si sale de los límites establecidos, se está en presencia de cambios en las variables. Entre las pruebas utilizadas están: Beta-1, Beta-1 modificado y Fieller, los cuales mediante re-calibraciones temporales son capaces de determinar si las variables de los modelos siguen siendo de igual forma significativas. Como resultado de las pruebas, se obtuvo que para este modelo en particular la forma de calcular el criterio de bondad, que determina si se espera que será un bueno o mal cliente, representa una limitante, ya que solo es posible realizar un seguimiento a clientes con al menos un año de historial. Por otro lado para aprovechar esto se consideraron ventanas móviles de un año de la base analítica, como entrada de dato, con el fin de realizar pruebas de seguimiento más robustas y se comparó con ventanas de menor tamaño de nueve, seis y tres meses, donde se cumplió la hipótesis inicial que los test muestran mayor inestabilidad al considerar bases más pequeñas. Por último, las medidas de riesgo utilizadas mostraron resultados positivos, ya que el riesgo disminuye al re-estimar los parámetros del modelo ambiental, teniendo una incidencia de disminuir la peor perdida en un 5% del capital expuesto por el banco mensualmente en el segmento evaluado por el modelo.
07/12/2021

Mestrado em Métodos Quantitativos para a Decisão Económica e Empresarial
Com intenção de melhorar os serviços de análise e gestão de crédito, as instituições financeiras desenvolveram o modelo credit scoring. Este modelo é utilizado por estas instituições para previsão do risco de crédito no processo da tomada de decisão de concessão de crédito. O objetivo deste trabalho, é desenvolver um modelo de credit scoring a partir de uma amostra de 1000 solicitantes de créditos extraídos da carteira de crédito de um banco alemão. Para tal, estimou-se um modelo probit, considerando-se 25 variáveis independentes quantitativas e qualitativas que influenciam a probabilidade do crédito ser aprovado ou não. Os resultados deste estudo mostram que o modelo de credit scoring se apresenta adequado no ajustamento aos dados, obtendo uma classificação correta para cerca de 77% dos clientes. Contudo, os resultados encontrados fornecem informações importantes para auxílio no processo de tomada de decisões de concessão de crédito e gerenciamento do crédito bancário, podendo assim contribuir para a redução do número de clientes inadimplentes e dos respetivos custos.
In order to improve credit analysis and management services, financial institutions have developed the credit scoring model. This model is used by these institutions to predict credit risk in the process of making a credit granting decision. The objective of this work is to develop a credit scoring model from a sample of 1000 credit claimants extracted from the credit portfolio of a German bank. For this, a probit model was estimated, considering 25 independent quantitative and qualitative variables that influence the probability of credit being approved or not. The results of this study show that the credit scoring model is adequate in the adjustment to the data, obtaining a correct classification for about 77% of the clients. However, the results found provide important information to aid in the decision-making process of credit granting and bank credit management, thus contributing to the reduction of overdue customers and their costs.
info:eu-repo/semantics/publishedVersion

Modelos de customer scoring são utilizados para mensurar o risco de crédito de clientes de instituições financeiras. Neste trabalho, são apresentadas três estratégias que podem ser utilizadas para o desenvolvimento desses modelos. São discutidas as vantagens de cada uma dessas estratégias, bem como os modelos e a teoria estatística associada a elas. Algumas medidas de performance usualmente utilizadas na comparação de modelos de risco de crédito são descritas. Modelos para cada uma das estratégias são ajustados utilizando-se dados reais obtidos de uma instituição financeira. A performance das estratégias para esse conjunto de dados é comparada a partir de medidas usualmente utilizadas na avaliação de modelos de risco de crédito. Uma simulação também é desenvolvida com o propósito de comparar o desempenho das estratégias em condições controladas.
Customer scoring models are used to measure the credit risk of financial institution´s customers. In this work, we present three strategies that can be used to develop these models. We discuss the advantages of each of the strategies, as well as the models and statistical theory related with them. We fit models for each of these strategies using real data of a financial institution. We compare the strategies´s performance through some measures that are usually used to validate credit risk models. We still develop a simulation to study the strategies under controlled conditions.

Submitted by Cristiane Shirayama (cristiane.shirayama@fgv.br) on 2011-05-24T14:18:55Z No. of bitstreams: 1 61090100009.pdf: 1153288 bytes, checksum: 454d2660dc911b8aa8ea907d58f36e7a (MD5)
Approved for entry into archive by Gisele Isaura Hannickel(gisele.hannickel@fgv.br) on 2011-05-24T14:33:41Z (GMT) No. of bitstreams: 1 61090100009.pdf: 1153288 bytes, checksum: 454d2660dc911b8aa8ea907d58f36e7a (MD5)
Approved for entry into archive by Gisele Isaura Hannickel(gisele.hannickel@fgv.br) on 2011-05-24T14:36:54Z (GMT) No. of bitstreams: 1 61090100009.pdf: 1153288 bytes, checksum: 454d2660dc911b8aa8ea907d58f36e7a (MD5)
Made available in DSpace on 2011-05-24T15:30:34Z (GMT). No. of bitstreams: 1 61090100009.pdf: 1153288 bytes, checksum: 454d2660dc911b8aa8ea907d58f36e7a (MD5) Previous issue date: 2011-04-15
Vários estudos foram realizados pela academia brasileira sobre desenvolvimento e aplicabilidade de modelos estatísticos de credit scoring e portfólio de crédito. Porém, faltam estudos relacionados sobre como estes modelos são empregados pelas empresas brasileiras. Esta dissertação apresenta uma pesquisa, até então inédita, sobre como as instituições financeiras brasileiras administram seus sistemas de credit scoring e suas carteiras de crédito. Foram coletados dados, por meio de um questionário, dos principais bancos e financeiras do mercado brasileiro. Para a análise dos resultados, as repostas foram divididas em dois grupos: bancos e financeiras. Os resultados mostraram empregos de métodos diferentes entre os grupos devido a suas características operacionais.