Dépôt DSpace/Manakin

La gestion du risque des crédits d’exploitation des PME par le Machine Learning

Afficher la notice abrégée

dc.date.accessioned 2023-11-09T13:14:50Z
dc.date.available 2023-11-09T13:14:50Z
dc.date.issued 2022-06-01
dc.identifier.other mas/2022/83
dc.identifier.uri http://dspace.esc-alger.dz:8080/xmlui/handle/123456789/646
dc.description.abstract Le développement technologique, la disponibilité des données et la puissance de calcul amènent la plupart des banques à moderniser leurs modèles de notation de crédit. L’octroi de crédit constitue leurs principales activités, ce qui fait de la notation des créanciers une compétence clé pour la continuité des banques commerciales. Cette opération s’avère plus risquée pour les entreprises de moyenne et petite taille. En effet, de par l’instabilité de leur activité et le manque de garanties, elles deviennent une menace pour ces emprunteurs. Étant donné que même une petite amélioration de la précision, entraîne une réduction significative des pertes, l'utilisation du meilleur modèle de classification s’avère d'une grande importance. En intelligence artificielle, le scoring de crédit fut historiquement l’un des premiers champs d’application des techniques de Machine Learning. En effet, il a montré son efficacité en atteignant les résultats souhaités. L’objectif de ce travail est d'évaluer quelques modèles d’apprentissage automatique supervisé dans la classification des emprunteurs en défaillant et non défaillant. Par le biais de trois modèles : RL, KNN et ANN, 282 dossiers de crédits d’exploitation sont entrainés à l’aide de 31 variables économiques afin d’aboutir à cette classification. Notre échantillon est composé exclusivement de PME algériennes. Des méthodes de prétraitement telle que l'analyse en composantes principales (ACP) sont utilisées pour trouver le nombre optimal de caractéristiques nécessaires pour une prédiction précise. Dans la validation et la comparaison des modèles, des mesures comme la matrice de confusion et la courbe ROC sont appliquées. Les résultats de l'étude montrent que la technique "neuronale" est meilleure en termes de prévision en_US
dc.language.iso other en_US
dc.subject Scoring en_US
dc.subject Risque de crédit en_US
dc.subject Machine Learning en_US
dc.subject PME en_US
dc.subject Crédit d’exploitation en_US
dc.title La gestion du risque des crédits d’exploitation des PME par le Machine Learning en_US
dc.title.alternative Étude de cas : La Banque CPA en_US
dc.type Thesis en_US


Fichier(s) constituant ce document

Ce document figure dans la(les) collection(s) suivante(s)

Afficher la notice abrégée

Chercher dans le dépôt


Recherche avancée

Parcourir

Mon compte