Advanced credit risk analytics : Fairness, interpretability, homogeneity
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...
সংরক্ষণ করুন:
| প্রধান লেখক: | |
|---|---|
| অন্যান্য লেখক: | , , , , , , |
| বিন্যাস: | Thèse numérique |
| ভাষা: | Anglais |
| প্রকাশিত: |
2024.
|
| বিষয়গুলি: | |
| অনলাইন ব্যবহার করুন: | Accès au texte intégral https://theses.univ-orleans.fr/public/2024ORLE1092_va.pdf http://www.theses.fr/2024ORLE1092/abes https://theses.hal.science/tel-05057428 |
| টীকা: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire ; 2018-....) Partenaire(s) de recherche : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....) (Laboratoire) Autre(s) contribution(s) : Emmanuel Flachaire (Président du jury) ; Thierry Foucault, Raffaella Calabrese (Membre(s) du jury) ; Bart Baesens, Olivier Scaillet (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Analyse avancée du risque de crédit :, Equité, interprétabilité, homogénéité |
| সংক্ষিপ্ত: | 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. |
|---|---|
| উপাদানের বিবরণ: | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire ; 2018-....) Partenaire(s) de recherche : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....) (Laboratoire) Autre(s) contribution(s) : Emmanuel Flachaire (Président du jury) ; Thierry Foucault, Raffaella Calabrese (Membre(s) du jury) ; Bart Baesens, Olivier Scaillet (Rapporteur(s)) |
| বিন্যাস: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |