Modèles de scoring : Construction du système de scoring

Modèles de scoring : Construction du système de scoring

Section II

Les approches modernes

L’industrialisation de l’activité de crédit dans les banques est devenue une nécessité.

D’une part : parce que les clients sont devenus plus exigeants en matière de célérité des traitements et d’autre part, les banques, elles –mêmes, veulent réduire leurs coûts de gestion des dossiers notamment dans les phases d’appréciation et de suivi du risque.

C’est dans ce cadre que les approches modernes ont émergé, en tirant profit de l’évolution des techniques statistiques et du développement de l’informatique. Ci-après une présentation succincte des principales approches utilisées.

I- Les nouvelles approches basées sur la modernisation

Les systèmes experts et les modèles de scoring sont les deux principaux outils utilisés dans les banques pour décider de l’octroi de crédit mais aussi pour suivre la situation des emprunteurs.

Les deux visent les mêmes objectifs mais ils se basent sur des approches différentes. Les premiers, les systèmes experts, se basent sur une approche qualitative fondée sur des règles de décision d’octroi des crédits assorties de pondérations déduites des responsables de crédit.

Ils sont généralement utilisés pour la clientèle des entreprises et des corporates.

Les secondes, les modèles de scoring, se basent sur une approche plutôt quantitative fondée sur des scores calculés à partir de données historiques. Ils sont généralement utilisés dans les banques de détail (Clientèle des particuliers).

1- Les systèmes experts

[1]

a- L’objet d’un système expert

Les systèmes experts ont pour objet de constituer un cadre d’analyse normatif (règles d’experts) qui permet d’identifier et de mesurer le risque des emprunteurs afin d’intégrer ces règles dans le système opérationnel de décision.

Parmi les principaux systèmes experts, on peut citer :

  • La méthode des ratios, essentiellement fondée sur l’analyse financière
  • La méthode anglo-saxonne dite des 5 C : capital, character, collateral, Capacity, condition.

Généralement, les informations utilisées pour évaluer le risque, à ce niveau, sont à la fois les caractéristiques financières des emprunteurs (structure, activité, solvabilité, liquidité, rentabilité, trésorerie et des informations sur le marché ou opère l’emprunteur et sa position concurrentielle (secteur, produits, technologie …).

[1] – Armaud de servigny (2001) , le Risque de Crédit Nouveaux Enjeux , Editions DUNOD

b- La construction d’un expert

La construction d’un système expert passe par les trois étapes suivantes :

  • L’explicitation de l’expertise
  • La formalisation de l’expertise
  • La validation et le suivi du système..
b.1.  de l’expert

Il s’agit à une transformation des connaissances implicites en un système de règles explicité et normes quantitatives modulables selon le contexte à travers une confrontation des règles au sein d’un groupe d’expert.

b.2 la formalisation de l’expertise

Il s’agit de  transcrire ces règles, les généraliser et les implémenter dans le système de prise de décision, nous citons à titre d’exemple la grille de notation  assortie des règles et de leurs pondérations.

b.3. la validation et le suivi du système

A travers des tests de performance et de stabilité dans le temps sur une population test, on pourrait valider le système en comparant ses résultats et les résultats d’un groupe d’expert.

c- Les avantages et les limites des systèmes experts

Parmi les avantages d’un tel système, on note la dimension opérationnelle très importante intégrant les éléments non qualitatifs et leur formalisation à travers l’inscription claire dans les procédures de gestion.

La principale limite de ce système est la possibilité de faire une part de subjectivité puisqu’il se base sur un processus de conformation inter-expert ainsi que l’absence de vérification de la cohérence par une approche scientifique faute d’indicateurs de performance intrinsèque.

2 – Les modèles de scoring

[2]

Les modèles de score sont de plus en plus utilisés dans les banques, notamment dans les banques de détail, puisqu’il permet un traitement de masse, une durée optimales et du faite de leurs coûts minimes.

Ce sont des outils de mesure de risque qui utilisent des données historiques et des techniques statistiques dont l’objet de déterminer les effets des diverses caractéristiques des emprunteurs sur leurs chances de faire défaut ou encore pour ranger les emprunteurs dans des classes de risque.

[2] -Michel DIETSH et joêl PETEY (2003) , Mesure et gestion du risque de crédit dans les institutions financières, Edition Revue BANQUE.

a- Objet du système de scoring

Dans leur quasi-totalité, les banques et organismes financiers utilisent l’analyse statistique pour prédire si un emprunteur serait un bon ou un mauvais payeur et prendre ensuite la décision appropriée : Acceptation sans condition, prise de garanties ou refus.

Dans un système de scoring, la modélisation de la décision se fond sur l’observation du passé : on connaît, pour un certain nombre de prêts attribués, la qualité du payeur et prendre ensuite la décision appropriée : Acceptation sans condition, prise de garanties ou refus.

Dans un système de scoring, la modélisation de la décision se fond sur l’observation du passé on connaît, pour un certain nombre de prêts attribués, la qualité du payeur qui est donc une variable qualitative Y à deux modalités «  bon » ou « mouvais » ainsi que les données recueillis lors du dépôt du dossier de prêt. : ce sont les variables X (X1…., Xp).

Typiquement pour des particuliers on trouvera l’âge, la profession, le statut matrimonial, le fait d’être ou non propriseson aura plutôt des variables numériques comme des rations de la comptabilité.

Formellement, il s’agit de trouver une fonction (XI … ;XP) permettant de prédire Y.

b- Les phases de construction du modèle de score

b.1. La constitution  de la population à analyser

Un échantillon comprenant un nombre suffisant d’emprunteurs en situation de défaut, appartenant à des populations homogènes (particulier, professionnels, PME) ainsi que les données historiques de défaut couvrant un cycle économique complet.

b.2.Le choix de critères de défaut

Il s’agit de fixer d’une manière objective les situations de défaut, à ce titre le comité de Bâle a arrêté 4 critères :

  • L’incapacité de rembourser
  • Le report de paiement associé à un abandon, une provision ou restauration.
  • Le retard de paiement de plus de 90 jours
  • Situation juridique de faillite.
b.3 Le choix de l’horizon du modèle

L’horizon du modèle dépend de la période des informations historiques utilisées Généralement pour des données de n-2 l’horizon est de deux ans.

b-4 Le Choix de variables explicatives

Les variables explicatives de défaut correspondent aux facteurs de risque dont la mise en jeu a conduit à une situation de défaut. Elles doivent traduire des dimensions variées du risque de sorte qu’elles ne soient pas corrélées.

Divers types de données peuvent être utilisés.

  • Comptables et financières (ratios d’endettement …)
  • Bancaires (fonctionnement compte …)
  • Qualitatives (âge, profession, localisation …)
b.5 Le choix de la technique de modélisation

Il existe plusieurs techniques pour la construction des modèles de score : les techniques économiques, les techniques de classification issue de l’analyse de données, les techniques d’intelligence artificielle et les techniques non paramétriques d’enveloppement.

C’est les deux premières techniques qui sont les plus répondues et les plus robustes.

b.5.1 Les techniques économiques

-La régression linéaire

Les premières utilisations de cette technique pour la mesure du risque crédit s’opéraient à travers les modèles de régression linéaire qui explique la probabilité de défaut par un vecteur de variables explicatives (facteurs de risque) selon une corrélation.   Pi=a + b Xi +ei.

L’inconvénient de ce modèle est qu’il conduit à des probabilités qui sortent de l’intervalle [0 ;1].

Les modèles de scoring (système de décision)

Le modèle logit :

C’est le modèle le plus utilisé dans la construction des fonction de score, il définit la probabilité cumulative de défaut d’un emprunteur comme suit :

1

F(Zi)=. ———–

1+ e -zi

Les coefficients du modèle permettant la discrimination des variables, il correspond au cas où la fonction de répartition serait celle de la loi normale N(0.1).

F(y) =

b.5.2 Les techniques de classification issues de l’analyse de données

L’analyse discriminante est une technique de classification qui consiste à reclasser les emprunteurs en deux groupes : défaut et absence de dafaut conditionnellement à leurs caractéristiques observées.

Elle cherche donc l’ensemble des variables (ratios) qui permettent de prévoir le mieux qui le passage au défaut, la fonction discriminante se présente comme une combinaison linéaire de ces variables :

Score =a0 + a1R1 +a2R2 + …………….….anRn.

Les ai représentent les pondérations associées aux ratios Ri

La fonction permet d’attribuer un score, qui selon sa position par rapport à un certain seuil, permet de qualifier le degré d’exposition au risque de défaut défaillance à tout emprunteur.

b.5.3 Les techniques d’intelligence artificielle

Appelées également les réseaux de neurones. Ce sont des algorithmes d’intelligence artificielle qui permettent à partir de l’expérience de déterminer la relation entre les caractéristiques des emprunteurs et leur probabilité  de défaut.

Cette technique est plus souple en termes d’utilisation que les techniques statistiques puisque aucune hypothèse n’a besoin d’être imposée quant à la forme de la relation fonctionnelle et la forme de la distribution des termes d’erreur du modèle.

On reproche souvent à cette technique le manque de stabilité des résultats.

b.5.4 –Les techniques non paramétriques d’enveloppement

Les techniques non paramétriques inspirées des méthodes de construction des frontières d’efficience par enveloppement de données n’imposent pas non plus d’hypothèses sur la relation entre les caractéristiques des emprunteurs et le défaut.

Elles sont encore expérimentales, mais donnent de très bons résultats en termes de classification.

b-6 : Le passage du score à la construction des classes de risque

Connaissant le score d’un emprunteur, la question est donc de déterminer sa probabilité de défaut à un horizon donné et de ranger cet emprunteur dans une classe de risque en fonction de cette probabilité.

Trois solutions sont possibles pour construire les classes le type du modèle.

  1. Un critère de distance (comme l’analyse discriminante)
  2. Une règle d’affectation comme la règle de Bayes
  3. Un critère de maximisation des taux de bons classements
b-7- La matrice de transition

Connaissant le score ou la note de tout emprunteur, aux deux dates correspondant à l’horizon choisi, on peut mesurer le risque de transition d’une vers une autre.

C’est transitions sont rassemblées dans une matrice de transition. Les matrices de transition ne sont pas stables de période en période puisque les migrations d’une classe à une autre sont induites par la réalisation des facteurs de risque systématiques en fonction de la situation économique.

Pour citer ce mémoire (mémoire de master, thèse, PFE,...) :
📌 La première page du mémoire (avec le fichier pdf) - Thème 📜:
Le crédit bancaire : définition, types et cycle de vie
Université 🏫: Faculté des sciences Juridiques - Économiques et Sociales
Auteur·trice·s 🎓:

Année de soutenance 📅:
Rechercher
Télécharger ce mémoire en ligne PDF (gratuit)

Laisser un commentaire

Votre adresse courriel ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Scroll to Top