Modèles STATISTICA Scorecard

Dimension: px

Commencer à balayer dès la page:

Download "Modèles STATISTICA Scorecard"

Yolande Paquette
il y a 8 ans
Total affichages :

1 Modèles STATISTICA Scorecard La maîtrise des risques bancaires est un enjeu important érigée par les derniers accords de Bâle II. Rappelons que désormais, les exigences en fonds propres sont calculées en fonction des risques. Ainsi, les banques sont amenées à mettre en place des systèmes de notation interne afin de bénéficier d économies en fonds propres. STATISTICA Scorecard est un outil pour la prise de décision basée sur des informations vérifiées statistiquement plutôt qu intuitivement. Le risque de crédit ou risque de contrepartie est majoritairement représenté par le risque de non-remboursement mais aussi par le risque de dégradation de la santé financière de l emprunteur réduisant les probabilités de remboursement. STATISTICA Scorecard est donc bénéfique à toute organisation qui peut être amenée à prêter. Dans cette optique, il convient de comprendre comment sont utilisées ces techniques dans STATISTICA Scorecard. Lors de la demande de crédit, le prêteur collecte des informations auprès du client et d autres sources externes pour monter le dossier de crédit et les complète par des informations internes si le demandeur est déjà client. Cette base d information sur tous les clients existants va être utilisée comme le point de départ de la construction du modèle de scoring par la sélection des meilleurs prédicteurs. Le critère choisi d Importance de Variable nous informe d un pouvoir prédictif non significatif en dessous de 0.02, faible entre 0.02 et 0.1, moyen entre 0.1 et 0.3 et enfin fort lorsqu il est supérieur à 0.3. Si nous décidons d éliminer les moins significatifs, nous pourrons les supprimer de la construction du modèle.

Ainsi, les banques sont amenées à mettre en place des systèmes de notation interne afin de bénéficier d économies en fonds propres.

L étape suivante va consister à construire les attributs à partir des meilleurs prédicteurs d origine, qu ils soient continus ou discrets, pour les discrétiser selon la meilleure répartition possible.

2 L étape suivante va consister à construire les attributs à partir des meilleurs prédicteurs d origine, qu ils soient continus ou discrets, pour les discrétiser selon la meilleure répartition possible. Cette étape est considérée comme la plus importante. Cette étape doit conjuguer une approche statistique en liaison avec une approche métier. La statistique WoE est très utile pour justifier le rapprochement de classe d attribut. Le principe de base étant de respecter les règles générales de répartition qui est de trouver 5% de toutes les observations et 5% de rejets dans chaque classe, que les WoE soient suffisamment différents entre les nouvelles classes et enfin que la tendance du WoE suive une tendance logique linéaire ou non.

La statistique WoE est très utile pour justifier le rapprochement de classe d attribut.

3 La troisième étape est la préparation du scoring par l estimation du modèle de régression logistique. Pour être en adéquation avec les bonnes pratiques de modélisation, nous allons partager notre fichier en un ensemble d apprentissage et un autre de test. STATISTICA Scorecard va présenter cette grille des scores arrondis pour chaque attribut de variable. Par exemple, un potentiel débiteur sans économie (ligne no savings) recevra un score de 63 points alors que s il disposait de plus de 1400 Euros d économie sur son compte, son score passerait à 87 points. Le modèle pourra ensuite être sauvegardé dans Excel, dans une macro Visual Basic, dans un script STATISTICA Data Miner, et script XML. STATISTICA Scorecard permet également de générer des modèles de survie en utilisant le modèle proportionnel de Cox. L utillisateur peut estimer un modèle de score en intégrant les durées de défaut (quand le débiteur a stoppé ses remboursements). Sur la base de ces informations, on pourra calculer la probabilité de défaut après un certain temps.

STATISTICA Scorecard va présenter cette grille des scores arrondis pour chaque attribut de variable.

Après avoir chargé le modèle de Cox, et saisi la valeur 8 pour connaitre les probabilités de survie de crédit après 8 mois de remboursement, une nouvelle feuille de résultats affiche deux champs

4 Après avoir chargé le modèle de Cox, et saisi la valeur 8 pour connaitre les probabilités de survie de crédit après 8 mois de remboursement, une nouvelle feuille de résultats affiche deux champs supplémentaires (Probabilité de rejet et Probabilité d acceptation). La variable Probabilité d acceptation peut être utilisée dans l évaluation du modèle pour calculer la qualité d ajustement des mesures et/ou utiliser cette variable pour sélectionner un nouveau point de coupure pour séparer les acceptations des rejets de crédit dans la construction d un nouveau modèle. A l aide de ces modèles générés par STATISTICA Scorecard, nous pourrons également évaluer la qualité de nos modèles à l aide d indicateurs, de courbe de gain, KS, ROC,

La variable Probabilité d acceptation peut être utilisée dans l évaluation du modèle pour calculer la qualité d ajustement des mesures et/ou utiliser cette variable pour sélectionner

Et un rapport final de score affichera les probabilités d être mauvais payeur entre les bornes de score créés sur le graphique à des intervalles de score personnalisés (ici à 40).

5 Et un rapport final de score affichera les probabilités d être mauvais payeur entre les bornes de score créés sur le graphique à des intervalles de score personnalisés (ici à 40). Enfin, STATISTICA Scorecard propose tous les outils complémentaires pour la sélection des points de coupure, la stabilité des modèles au cours du temps, ou l inférence de rejet.

40). Enfin, STATISTICA Scorecard propose tous les outils complémentaires pour la

Documents pareils

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative