Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit

Dimension: px
Commencer à balayer dès la page:

Download "Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit"

Transcription

1 Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation Mai 2005

2 PLAN DE LA PRÉSENTATION Introduction Revue de littérature et principaux travaux Positionnement de la recherche Méthodologie et traitements Résultats résumés de la recherche Conclusion Discussion et recommandations l'optimisation

3 MISE EN CONTEXTE Le risque de crédit est présent dans tous les contrats financiers et constitue la principale source de pertes pour les institutions financières Les défauts et les faillites ont atteint des niveaux sans précédent durant les cinq dernières années touchant les plus grandes entreprises au monde (Enron corp. & Worldcom corp.), dépassant $63 milliards durant le premier semestre de l année 2002 la mesure et la gestion du risque de crédit ont pris de plus en plus d'importance dans l'industrie bancaire, suscitant le développement de nouveaux outils et moyens permettant de minimiser les pertes l'optimisation

4 QUELQUES DÉFINITIONS Défaillance des entreprises : Un concept difficile à cerner car il n y a pas de consensus en la matière : défaut, faillite, détresse, vulnérabilité financière, liquidation Deux définitions sont généralement retenues : La liquidation judiciaire (code 02 chapitre 11), concept purement juridique La vulnérabilité financière (code 03 chapitre 7), notion plus large Le risque de défaillance est le risque de cessation de paiement des dettes Le Credit scoring : Une méthode statistique de détection précoce de la défaillance des entreprises en les classant en firmes défaillantes et autres saines ou survivantes Le scoring est utilisée également dans différents domaines liés au Marketing, au recouvrement financier, au GRH. l'optimisation

5 APERÇU JURIDIQUE Augmentation du nombre d entreprises qui se mettent sous la protection de la loi 268 sur la faillite La multiplicité croissante des outils financiers : Produits dérivés, Contrats à terme et Options Merton et Perold (1993) ont développé le concept de Capital-risque (espérance maximale de perte) Accord de Bâle I (1988) : Standards de réglementation Accord de Bâle II (2004) : trois piliers pour la solidité du système financier 1. Ajout de l évaluation du risque opérationnel 2. Supervision et contrôle par les autorités de surveillance 3. Cellules internes de gestion de risque l'optimisation

6 REVUE DE LITTÉRATURE ET PRINCIPAUX TRAVAUX Les trois principales méthodes utilisées sont : Analyse Discriminante Multivariée (MDA) et modèle logit Arbres de décision et algorithmes de Partitionnement Récursif (PR) Réseaux de Neurones (NN) l'optimisation

7 APERÇU HISTORIQUE Dès les années trente, volonté de comprendre le phénomène de la défaillance à postériorité Fitzpatrick (1932) Ficher, Smith et Winakor (1935) : Analyse de ratios financiers liés à la liquidité, la solvabilité et la rentabilité des entreprises Fin des années soixante, volonté de mettre en œuvre un outil opérationnel de détection des entreprises en situation difficile Beaver (1966 & 1968) : Analyse dichotomique Altman (1968) : Analyse discriminante multivariée D autres travaux ont suivi : Altman, Halderman & Narayanan (1977) : Analyse discriminante multivariée et modèle Logit Frydman, Altman & KAO (1985) : Arbres de décision et partitionnement récursif Coats & Fant (1993) : Réseaux de Neurones l'optimisation

8 ANALYSE DISCRIMINANTE MULTIVARIÉE (MDA) Les principaux travaux utilisant cette méthode ont commencé par : Le modèle initial de Altman (1968) : Financial ratios, Discriminant Analysis and predicting of corporate Bankruptcy 66 entreprises industrielles (33 entreprises saines, 33 entreprises ayant été soumises à la procédure de mise en faillite durant la période ) Z = X X X X X5 Avec X1 = Fonds de Roulement / Actif total X2 = Réserves / Passif total X3 = Résultat avant intérêts et impôts / Actif total X4 = Capitalisation boursière / Ensemble des dettes X5 = Chiffre d'affaires / Actif total l'optimisation

9 ANALYSE DISCRIMINANTE MULTIVARIÉE (MDA) le modèle Zêta de Altman, Halderman & Narayanan (1977) : Analyse discriminante multivariée et modèle Logit sur un échantillon de 111 entreprises industrielles et commerciales (58 entreprises saines, 53 entreprises ayant été soumises à la procédure de mise en faillite durant la période ) Avec X1 = Résultat avant intérêts et impôts / Actif total X2 = 1 / écart-type(résultats avant intérêts & impôts / Actif total) X3 = Résultat avant intérêts et impôts / Charges financières X4 = Réserves / Passif total X5 = Ratio de Liquidité générale (ou ratio de Fonds de Roulement) X6 = Total de la capitalisation boursière / Capitaux permanents X7 = log (Actifs totaux) l'optimisation

10 ANALYSE DISCRIMINANTE MULTIVARIÉE (MDA) le modèle de scoring pour la banque de France de Mireille Bardos (1998) : Detecting the risk of company failure at the Banque de France sur un échantillon d entreprises de taille supérieure à 5 millions de FF. La fonction - Score établie f ( X ( µ ) * T Où X = ( X, X,..., X ) n n est le vecteur représentant les valeurs des p ratios de 1 n2 n p l entreprise n µ s est le vecteur moyen des p ratios pour le groupe des entreprises survivantes µ d est le vecteur moyen des p ratios pour le groupe des entreprises défaillantes T est la matrice de variance covariance totale pour l ensemble des p ratios Alors, le critère de décision était donc : Si f ( X n ) > 0 l entreprise survivra Si f ( X n ) 0 l entreprise fera faillite n ) = s µ d * ( X µ 1 s d n 2 µ ) l'optimisation

11 ARBRES DE DÉCISION (PR) Les principaux travaux utilisant cette méthode ont commencé par : Le travail de présentation de Breiman, Friedman, Olshen et Stone (1984) Introduction to Tree Classification Altman et deux de ses collaborateurs, Frydman et Duen-Li (1985) : Introducing Recursive Partitioning for financial Classification : The case of financial Distress Un échantillon de 200 entreprises différentes dont 142 survivantes et 58 défaillantes, une sélection des variables les plus discriminantes sur l ensemble des 20 variables calculées pour la période ( ) l'optimisation

12 RÉSEAUX DE NEURONES (NN) Les principaux travaux utilisant cette méthode ont commencé par : le modèle de présentation de la technique de Medsker, Turban et Trippi (1993) : Artificial neural networks in bankruptcy prediction: General framework and crossvalidation analysis Le modèle Cascor de Pamela Coats et Franklin Fant (1993) : Recognizing Financial Distress Patterns Using a Neural Network Tool 141 entreprises dont 47 faillites et 94 saines, tirées de la base de donnée COMPUSTAT pour la période ( ) l'optimisation

13 Méthodes d ensemble (ME) Un ensemble de classificateurs individuels permettant d assurer la combinaison de leurs prédictions : Dietterich (1997) et Maclin & Opitz (1999) Méthodes se basant sur la perturbation du processus d apprentissage 2 types de méthodes ensemblistes : Bagging : Bootstrap Aggregating développé par Breiman (1996) Moyenne de différentes versions du modèle se basant sur des échantillons aléatoires avec remise est utilisant le maximum de votes Cas particulier : Méthode des Forêts aléatoires développée par Breiman (2001) Boosting : développé par Schapire (1990) Règles de prédiction extrêmement précises grâce à la combinaison des résultats de modèles faibles se basant sur la notion du vote pondéré l'optimisation

14 POSITIONNEMENT DE LA RECHERCHE Objectifs de la recherche : Analyse comparative entre différentes méthodes de prédiction : AMD, modèle Logit, arbres de décision, combinaison d arbres de classification Méthodes non paramétriques performeront-elles mieux que les méthodes paramétriques & linéaires? Utilisation des méthodes d ensemble ( Bagging & Boosting ) l'optimisation

15 MÉTHODOLOGIE ET TRAITEMENTS La source de données est représentée par les rapports financiers des entreprises américaines contenus dans COMPUSTAT sur une période entre 1992 et 2002 Présentation des données : Année Taux de faillite COMPUS TAT Survivantes Échantillon retenu Faillites Taux de faillite Faillites Survivantes Population de COMPUSTAT Après épuration Années - entreprises ,74% 1,08% 0,71% 0,64% 0,54% ,60% 2,80% 2,20% 1,60% 1,40% Total ,52% ,20% ,65% ,40% Année N - 1 N - 2 N - 3 N - 4 N ,79% 1,24% ,30% 2,40% Nombre d entreprises ,76% 0,43% ,10% 0,40% Moyenne 0,74% 1,49% l'optimisation

16 Échantillonnage Deux échantillons : Apprentissage et validation basés sur un échantillonnage stratifié selon la variable cible Apprentissage Validation Année Faillites Survivantes Total Faillites Survivantes Total Horizon 3 ans Horizon 4 ans Horizon 5 ans l'optimisation

17 MÉTHODOLOGIE Méthodes utilisées : Analyse Discriminante Multivariée Régression Logistique Arbres de décision Combinaison d arbres de classification ( Bagging & Boosting ) Critères et paramètres d évaluation des modèles : Sensitivité Taux global de bonne classification Spécificité Coûts de mauvaise classification : C10 C20 C30 C40 C50 l'optimisation

18 Résultats horizon 3 ans 100,00% 99,00% 98,00% AD10 97,00% Spécificité 96,00% 95,00% BAG50 BOO50 94,00% BAG40 93,00% 92,00% 91,00% 70,00% 75,00% 80,00% 85,00% 90,00% 95,00% 100,00% Sensitivité l'optimisation

19 Résultats horizon 3 ans Apprentissage Validation Modèle Spécificité Sensitivité Global Spécificité Sensitivité Global AD C10 99,92% 78,38% 99,69% 97,28% 79,65% 97,09% Bagging C40 96,58% 98,07% 96,60% 94,28% 98,84% 94,33% Bagging C50 96,73% 99,61% 96,76% 96,08% 99,42% 96,11% Boosting C50 94,13% 98,84% 94,18% 94,91% 98,84% 94,95% l'optimisation

20 Résultats horizon 4 ans l'optimisation

21 Résultats horizon 4 ans Apprentissage Validation Modèle Spécificité Sensitivité Global Spécificité Sensitivité Global AD C10 99,85% 78,47% 99,51% 99,75% 76,67% 99,38% Bagging C50 96,14% 99,01% 96,19% 96,12% 99,26% 96,17% Boosting C40 92,63% 98,02% 92,72% 93,56% 98,15% 93,63% Boosting C50 92,45% 98,27% 92,55% 94,02% 98,89% 94,10% l'optimisation

22 Résultats horizon 5 ans l'optimisation

23 Résultats horizon 5 ans Apprentissage Validation Modèle Spécificité Sensitivité Global Spécificité Sensitivité Global AD C10 99,56% 68,67% 98,92% 99,58% 67,44% 98,92% Bagging C50 94,01% 94,58% 94,02% 93,75% 94,48% 93,77% Boosting C40 91,99% 95,74% 92,07% 93,48% 95,06% 93,51% Boosting C50 92,34% 95,94% 92,41% 92,59% 95,64% 92,65% l'optimisation

24 CONCLUSION Confirmation des deux hypothèses de départ : << L application des méthodes ensemblistes et non paramétriques ont permit d améliorer la qualité de la prédiction du phénomène de faillite chez les entreprises pour les différents horizons temporels considérés >> l'optimisation

25 DISCUSSION ET RECOMMANDATIONS Plusieurs pistes de recherche : Tester la validité des modèles développés, dans un contexte réel de scoring, sur des données réelles des entreprises Introduction d autres types de variables : données de marché, informations macroéconomiques Application des mêmes méthodes sur des données canadiennes Intégration d autres types de méthodes dans l analyse comparative : réseaux de neurones, modèles mixtes. l'optimisation

26 l'optimisation

Exercice 3 du cours Management Bancaire : «Risque de crédit et scoring»

Exercice 3 du cours Management Bancaire : «Risque de crédit et scoring» Exercice 3 du cours Management Bancaire : «Risque de crédit et scoring» Ce cas a pour objectif d étudier le risque de crédit d une entreprise à l aide de la méthode du scoring. Cette méthode statistique

Plus en détail

L UTILISATION DU MODÈLE DE COX-PLS DANS LA PRÉVISION DE

L UTILISATION DU MODÈLE DE COX-PLS DANS LA PRÉVISION DE L UTILISATION DU MODÈLE DE COX-PLS DANS LA PRÉVISION DE DÉFAILLANCE DES ENTREPRISES Sami Ben Jabeur IPAG Business Scool, 84 Boulevard Saint-Germain, 75006 Paris sbenjabeur@gmail.com Résumé. L objectif

Plus en détail

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

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

Plus en détail

Pierre-Louis GONZALEZ

Pierre-Louis GONZALEZ SEGMENTATION Pierre-Louis GONZALEZ 1 I. Les méthodes de segmentation. Introduction Les méthodes de segmentation cherchent à résoudre les problèmes de discrimination et de régression en divisant de façon

Plus en détail

La méthode des scores, particulièrement de la Banque de France

La méthode des scores, particulièrement de la Banque de France La méthode des scores, particulièrement de la Banque de France Devant la multiplication des défaillances d entreprises au cours des années 80 et début des années 90, la Banque de France a produit des travaux

Plus en détail

ANALYSE DU RISQUE DE CRÉDIT

ANALYSE DU RISQUE DE CRÉDIT ANALYSE DU RISQUE DE CRÉDIT Banque & Marchés Cécile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIÈRES Introduction... 15 Chapitre 1 Le risque

Plus en détail

Détection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones

Détection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones Détection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones Abdeljelil Farhat Unité de recherche EAS-Mahdia Faculté des sciences économiques

Plus en détail

Apprentissage statistique:

Apprentissage statistique: Apprentissage statistique: Arbre de décision binaire et Random Forest 1 Plan 1. Introduction 2. 3. Application à l apprentissage supervisé 4. Forêt Aléatoire (Random Forest) 2 1 Plan 1. Introduction 2.

Plus en détail

Prévision du risque de crédit : Une étude comparative entre l Analyse Discriminante et l Approche Neuronale

Prévision du risque de crédit : Une étude comparative entre l Analyse Discriminante et l Approche Neuronale Prévision du risque de crédit : Une étude comparative entre l Analyse Discriminante et l Approche Neuronale Younés BOUJELBENE, Sihem KHEMAKHEM Résumé Les organismes bancaires s intéressent à évaluer le

Plus en détail

ANALYSE DU RISQUE DE CREDIT. Banque & Marches. Cecile Kharoubi Professeur de Finance ESCP Europe. Philippe Thomas Professeur de Finance ESCP Europe

ANALYSE DU RISQUE DE CREDIT. Banque & Marches. Cecile Kharoubi Professeur de Finance ESCP Europe. Philippe Thomas Professeur de Finance ESCP Europe ANALYSE DU RISQUE DE CREDIT Banque & Marches Cecile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIERES Introduction 15 Chapitre 1 Le risque

Plus en détail

Méthodes d apprentissage statistique «Machine Learning»

Méthodes d apprentissage statistique «Machine Learning» Méthodes d apprentissage statistique «Machine Learning» Fabrice TAILLIEU, Sébastien DELUCINGE, Rémi BELLINA Le marché de l assurance a rarement été marqué par un environnement aussi difficile qu au cours

Plus en détail

HEC MONTRÉAL. Évaluation des risques des prêts bancaires. Angela Madalina Petrescu

HEC MONTRÉAL. Évaluation des risques des prêts bancaires. Angela Madalina Petrescu HEC MONTRÉAL Évaluation des risques des prêts bancaires par Angela Madalina Petrescu Sciences de la gestion (Option finance) Mémoire présenté en vue de l obtention du grade de maitrise ès sciences (M.

Plus en détail

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

Plus en détail

Arbres de décisions et forêts aléatoires.

Arbres de décisions et forêts aléatoires. Arbres de décisions et forêts aléatoires. Pierre Gaillard 7 janvier 2014 1 Plan 1 Arbre de décision 2 Les méthodes d ensembles et les forêts aléatoires 2 Introduction 3 Introduction Jeu de données (ex

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

Forum 2014 de Making Finance Work For Africa (MFW4A)

Forum 2014 de Making Finance Work For Africa (MFW4A) Forum 2014 de Making Finance Work For Africa (MFW4A) M. Soyibou NDAO King Fahd Palace, Dakar - Juin 2014 PLAN DE LA PRESENTATION 01 L entité Bref aperçu sur l ADEPME 02 Le contexte : problématique du Rinancement

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

Études. Un score sur variables qualitatives pour la détection précoce des défaillances d entreprises

Études. Un score sur variables qualitatives pour la détection précoce des défaillances d entreprises Un score sur variables qualitatives pour la détection précoce des défaillances d entreprises L intérêt de recourir à des éléments qualitatifs pour compléter une analyse financière et porter une appréciation

Plus en détail

Les scores de la Banque de France : leur développement, leurs applications, leur maintenance

Les scores de la Banque de France : leur développement, leurs applications, leur maintenance Les scores de la Banque de France : leur développement, leurs applications, leur maintenance Mireille BARDOS Direction des Entreprises Observatoire des entreprises La recherche appliquée aux méthodes de

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

DÉTECTION PRÉCOCE DES DÉFAILLANCES D ENTREPRISES À PARTIR DES DOCUMENTS COMPTABLES

DÉTECTION PRÉCOCE DES DÉFAILLANCES D ENTREPRISES À PARTIR DES DOCUMENTS COMPTABLES DÉTECTION PRÉCOCE DES DÉFAILLANCES D ENTREPRISES À PARTIR DES DOCUMENTS COMPTABLES 1 Dans le but d affiner l analyse du risque, la direction des Entreprises mettra prochainement à la disposition des établissements

Plus en détail

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

Plus en détail

Les modèles de prévision de la défaillance des entreprises françaises : une approche comparative

Les modèles de prévision de la défaillance des entreprises françaises : une approche comparative Business School W O R K I N G P A P E R S E R I E S Working Paper 2014-317 Les modèles de prévision de la défaillance des entreprises françaises : une approche comparative Sami Ben Jabeur Youssef Fahmi

Plus en détail

La prévision de la faillite fondée sur l analyse financière de l entreprise : un état des lieux par Catherine REFAIT

La prévision de la faillite fondée sur l analyse financière de l entreprise : un état des lieux par Catherine REFAIT Cet article est disponible en ligne à l adresse : http://www.cairn.info/article.php?id_revue=ecop&id_numpublie=ecop_162&id_article=ecop_162_0129 La prévision de la faillite fondée sur l analyse financière

Plus en détail

BI = Business Intelligence Master Data-ScienceCours 7 - Data

BI = Business Intelligence Master Data-ScienceCours 7 - Data BI = Business Intelligence Master Data-Science Cours 7 - Data Mining Ludovic DENOYER - UPMC 30 mars 2015 Ludovic DENOYER - Typologie des méthodes de Data Mining Différents types de méthodes : Méthodes

Plus en détail

Classification et prévisions du risque de rachat en Assurance-Vie

Classification et prévisions du risque de rachat en Assurance-Vie Classification et prévisions du risque de rachat en Assurance-Vie Bordeaux - 1/09/2010 Journées Modélisation Aléatoire et Statistiques 1 Xavier Milhaud Surrender risk in Life Insurance Plan de la présentation

Plus en détail

Capital réglementaire, économique et simulations de crise au Mouvement Desjardins

Capital réglementaire, économique et simulations de crise au Mouvement Desjardins Capital réglementaire, économique et simulations de crise au Mouvement Desjardins Présentation dans le cadre de l événement «Journée carrière PRMIA» 17 mars 2015 Mathieu Derome, M.Sc. Directeur Principal

Plus en détail

Apprentissage supervisé

Apprentissage supervisé Apprentissage supervisé 1 Apprendre aux ordinateurs à apprendre Objectif : appliquer la démarche de l apprentissage par l exemple à l ordinateur. Montrer des exemples à l ordinateur en lui disant de quoi

Plus en détail

Data Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.

Data Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto. des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le

Plus en détail

Modèle de probabilités de défaut des prêts d une banque canadienne

Modèle de probabilités de défaut des prêts d une banque canadienne Projet supervisé 06-002-08 Modèle de probabilités de défaut des prêts d une banque canadienne Andréanne Simard 11088242 Directeur de projet : M. Georges Dionne Lundi, le 20 février 2012 Table des matières

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Plan de la séance 3 : Le risque de crédit (1) Les opérations de crédit Définition d un crédit La décision de crédit Les crédits aux petites

Plus en détail

Introduction à la méthode des scores : les difficultés financières des exploitations agricoles

Introduction à la méthode des scores : les difficultés financières des exploitations agricoles Introduction à la méthode des scores : les difficultés financières des exploitations agricoles Dominique DESBOIS INRA-ESR Nancy et SCEES 25 rue de Vaugirard, 75732 Paris Cedex 5. Fax : +33 49 55 85 Mél

Plus en détail

La prévision de la détresse financière des firmes tunisiennes par le modèle de régression logistique à effets aléatoires

La prévision de la détresse financière des firmes tunisiennes par le modèle de régression logistique à effets aléatoires La prévision de la détresse financière des firmes tunisiennes par le modèle de régression logistique à effets aléatoires Sami Mestiri Unité de recherche EAS-Mahdia Faculté des sciences économiques et de

Plus en détail

Arbres binaires de décision

Arbres binaires de décision 1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

INFORMATIONS PUBLIEES DANS LE CADRE DU PILIER III DE LA CIRCULAIRE CSSF 06/273 TELLE QUE MODIFIEE BANQUE DE PATRIMOINES PRIVES

INFORMATIONS PUBLIEES DANS LE CADRE DU PILIER III DE LA CIRCULAIRE CSSF 06/273 TELLE QUE MODIFIEE BANQUE DE PATRIMOINES PRIVES INFORMATIONS PUBLIEES DANS LE CADRE DU PILIER III DE LA CIRCULAIRE CSSF 06/273 TELLE QUE MODIFIEE BANQUE DE PATRIMOINES PRIVES Pilier III de Bâle III, Luxembourg, le 30 Juin 2015-1 - TABLE DES MATIERES

Plus en détail

INFORMATIONS PUBLIEES DANS LE CADRE DU PILIER III DE LA CIRCULAIRE CSSF 06/273 TELLE QUE MODIFIEE BANQUE DE PATRIMOINES PRIVES

INFORMATIONS PUBLIEES DANS LE CADRE DU PILIER III DE LA CIRCULAIRE CSSF 06/273 TELLE QUE MODIFIEE BANQUE DE PATRIMOINES PRIVES INFORMATIONS PUBLIEES DANS LE CADRE DU PILIER III DE LA CIRCULAIRE CSSF 06/273 TELLE QUE MODIFIEE BANQUE DE PATRIMOINES PRIVES Pilier III de Bâle II, Luxembourg, le 26 Juin 2014-1 - TABLE DES MATIERES

Plus en détail

CAISSE REGIONALE DU CREDIT AGRICOLE MUTUEL DE CENTRE LOIRE

CAISSE REGIONALE DU CREDIT AGRICOLE MUTUEL DE CENTRE LOIRE CAISSE REGIONALE DU CREDIT AGRICOLE MUTUEL DE CENTRE LOIRE Eléments d appréciation du prix de rachat des CCI émis par la CRCAM Centre Loire dans le cadre de l approbation par l'assemblée générale des sociétaires,

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le modèle de Merton

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le modèle de Merton ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le modèle de Merton Les hypothèses du modèle Dérivation du modèle Les extensions du modèle Le modèle de Merton Les hypothèses du modèle Marché

Plus en détail

CAISSE REGIONALE DU CREDIT AGRICOLE MUTUEL D AQUITAINE

CAISSE REGIONALE DU CREDIT AGRICOLE MUTUEL D AQUITAINE CAISSE REGIONALE DU CREDIT AGRICOLE MUTUEL D AQUITAINE Eléments d appréciation du prix de rachat des CCI émis par la CRCAM d Aquitaine dans le cadre de l approbation par l'assemblée générale des sociétaires,

Plus en détail

ECOLE SUPERIEURE DE COMMERCE D ALGER

ECOLE SUPERIEURE DE COMMERCE D ALGER MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE ECOLE SUPERIEURE DE COMMERCE D ALGER PROGRAMME DE LICENCE EN SCIENCES COMMERCIALES ET FINANCIERES OPTION : FINANCE ( applicable à partir

Plus en détail

L utilisation des réseaux de neurones artificiels en finance. Philippe PAQUET Professeur de Gestion

L utilisation des réseaux de neurones artificiels en finance. Philippe PAQUET Professeur de Gestion L utilisation des réseaux de neurones artificiels en finance Philippe PAQUET Professeur de Gestion 2 Résumé Depuis le début de la décennie 1990, les réseaux de neurones artificiels habituellement utilisés

Plus en détail

Formation Actuaire Data-Scientist PROGRAMME

Formation Actuaire Data-Scientist PROGRAMME Formation Actuaire Data-Scientist PROGRAMME 15 Septembre 2014 Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz 15914 Programme Séance inaugurale : révolu-on numérique besoins des entreprises cadre

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Le data mining met en œuvre un ensemble de techniques issues des statistiques, de l analyse de données et de l informatique pour explorer les données.

Le data mining met en œuvre un ensemble de techniques issues des statistiques, de l analyse de données et de l informatique pour explorer les données. COURS DE DATA MINING 3 : MODELISATION PRESENTATION GENERALE EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET Phase 4 : Modelisation 1 Classement des techniques

Plus en détail

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. 2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle

Plus en détail

ECOLE SUPERIEURE DE COMMERCE D ALGER

ECOLE SUPERIEURE DE COMMERCE D ALGER MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE ECOLE SUPERIEURE DE COMMERCE D ALGER PROGRAMME DE LICENCE EN SCIENCES COMMERCIALES ET FINANCIERES OPTION : COMPTABILITE ( applicable

Plus en détail

SAS ENTERPRISE MINER POUR L'ACTUAIRE

SAS ENTERPRISE MINER POUR L'ACTUAIRE SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de

Plus en détail

a) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées :

a) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées : a) La technique de l analyse discriminante linéaire : une brève présentation. Nous nous limiterons ici à l'analyse discriminante linéaire et à deux groupes : - linéaire, la variante utilisée par ALTMAN

Plus en détail

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS established in 2006 at the University of Abomey-Calavi (Republic of Benin) UNITWIN/UNESCO

Plus en détail

Le risque Idiosyncrasique

Le risque Idiosyncrasique Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES SAS 3 DEC 2015 1 sur 9 TRANSAT Un voyagiste international solidement installé au Canada, en France et au Royaume-Uni, qui offre

Plus en détail

La gestion du risque crédit par la méthode du scoring: cas de la Banque Populaire de Rabat-Kénitra

La gestion du risque crédit par la méthode du scoring: cas de la Banque Populaire de Rabat-Kénitra La gestion du risque crédit par la méthode du scoring: cas de la Banque Populaire de Rabat-Kénitra Azzouz Elhamma To cite this version: Azzouz Elhamma. La gestion du risque crédit par la méthode du scoring:

Plus en détail

De BÂLE II à SOLVABILITE II FRACTALES 2005

De BÂLE II à SOLVABILITE II FRACTALES 2005 De BÂLE II à SOLVABILITE II Solvabilité II s inspire largement des accords de Bâle II et en reprend les grands principes avec la structure en «trois piliers» La tentation est forte de reproduire également

Plus en détail

L'intelligence d'affaires: la statistique dans nos vies de consommateurs

L'intelligence d'affaires: la statistique dans nos vies de consommateurs L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

Agenda de la présentation

Agenda de la présentation Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

Plus en détail

Diagnostic financier - Corrigé

Diagnostic financier - Corrigé Diagnostic financier - Corrigé Nous effectuerons ce diagnostic financier en présentant d abord une étude de rentabilité et de profitabilité du groupe Nestor, ensuite une étude de la structure financière

Plus en détail

GROUP PROCESSING AVEC ENTERPRISE MINER

GROUP PROCESSING AVEC ENTERPRISE MINER GROUP PROCESSING AVEC ENTERPRISE MINER SENG TANG CONSULTANT ANALYTIQUE SAS CANADA APRIL 2014 CE QUE VOUS ALLEZ APPRENDRE - Fonctionnalité d Enterprise Miner qui permet d itérer sur un processus donné.

Plus en détail

CRISES BANCAIRES : COMPRENDRE POUR MIEUX PRÉDIRE

CRISES BANCAIRES : COMPRENDRE POUR MIEUX PRÉDIRE Fouad MACHROUH CRISES BANCAIRES : COMPRENDRE POUR MIEUX PRÉDIRE armattan TABLE DES MATIERES INTRODUCTION GÉNÉRALE CHAPITRE 1 : ORIGINES ET MODALITÉS DE RÉSOLUTION DES CRISES BANCAIRES 19 INTRODUCTION 21

Plus en détail

Les risques liés à l activité de l entreprise : quels outils pour les identifier?

Les risques liés à l activité de l entreprise : quels outils pour les identifier? Les risques liés à l activité de l entreprise : quels outils pour les identifier? Alger, le 23-24 Novembre 2009 Présentée par: Mlle Amina NADJI Doctorante en 3ème année sciences économiques (CRIISEA, Centre

Plus en détail

Coefficient. 1 ère année. 2 ème année. 3 ème année. 4 ème année. Volume horaire par semaine (Cours magistral)

Coefficient. 1 ère année. 2 ème année. 3 ème année. 4 ème année. Volume horaire par semaine (Cours magistral) 1 ère 2 ème 3 ème 4 ème Université Mouloud MAMMERI de Tizi-Ouzou Faculté des Sciences Economiques et de Gestion Département : Sciences de Gestion Programme des études Enseignements Volume horaire par semaine

Plus en détail

HEC Montréal MODÈLE DE PROBABILITÉ DE DÉFAUT DES PRÊTS D UNE BANQUE CANADIENNE

HEC Montréal MODÈLE DE PROBABILITÉ DE DÉFAUT DES PRÊTS D UNE BANQUE CANADIENNE HEC Montréal MODÈLE DE PROBABILITÉ DE DÉFAUT DES PRÊTS D UNE BANQUE CANADIENNE Par Fatoumata A dite Woybi Touré 11135079 Science de la gestion (Ingénierie financière) Projet supervisé présenté en vue de

Plus en détail

ECOLE SUPERIEURE DE COMMERCE D ALGER

ECOLE SUPERIEURE DE COMMERCE D ALGER MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE ECOLE SUPERIEURE DE COMMERCE D ALGER PROGRAMME DE LICENCE EN SCIENCES COMMERCIALES ET FINANCIERES OPTION : MARKETING ( applicable à

Plus en détail

Information comptable et management financier

Information comptable et management financier Information comptable et management financier APPLICATION Diagnostic financier Nous effectuerons ce diagnostic financier en présentant d abord une étude de rentabilité et de profitabilité du groupe Nestor,

Plus en détail

Les banques et la stabilité financière

Les banques et la stabilité financière Les banques et la stabilité financière 26e Rendez vous de la Mondialisation : Banques et stabilité financière dans la mondialisation Mercredi 27 juin 2012 Laurent Clerc Directeur de la stabilité financière

Plus en détail

Supervision des banques marocaines panafricaines

Supervision des banques marocaines panafricaines Supervision des banques marocaines panafricaines Mme Hiba ZAHOUI, Directeur Adjoint de la Supervision Bancaire Conférence Banque de France FERDI : Réussir l intégration financière en Afrique - 27 Mai 2014

Plus en détail

CRISES BANCAIRES ET POLITIQUE DE RESTRUCTURATION

CRISES BANCAIRES ET POLITIQUE DE RESTRUCTURATION CRISES BANCAIRES ET POLITIQUE DE RESTRUCTURATION LES INSTRUMENTS DE PREVENTION DES CRISES ET LES VULNERABILITES DANS L'UMOA INTRODUCTION La solidité et la stabilité du système bancaire constituent une

Plus en détail

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents Master ISI 2010-2011 Data Mining Recherche des sous-ensembles fréquents Yves Lechevallier INRIA-Rocquencourt E_mail : Yves.Lechevallier@inria.fr 1 Processus Data Mining Phase A : Entrepôt de données Entrepôt

Plus en détail

COURBOTREE : APPLICATION DES ARBRES DE REGRESSION MULTIVARIES POUR LA CLASSIFICATION DE COURBES

COURBOTREE : APPLICATION DES ARBRES DE REGRESSION MULTIVARIES POUR LA CLASSIFICATION DE COURBES COURBOTREE : APPLICATION DES ARBRES DE REGRESSION MULTIVARIES POUR LA CLASSIFICATION DE COURBES Véronique Stéphan (1) & Frédéric Cogordan (2) (1) EDF R&D 1, av. du Général de Gaulle 92 141 Clamart Cédex

Plus en détail

RÉSULTATS ANNUELS 2008

RÉSULTATS ANNUELS 2008 RÉSULTATS ANNUELS 2008 SOMMAIRE Carte d identité L année 2008 2008 : des résultats en croissance Une situation financière solide Les atouts du groupe face à la crise Perspectives et conclusion 2 CARTE

Plus en détail

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009 Le Data Mining Techniques pour exploiter l information Auteur : Dan Noël Date : 24.04.2009 Agenda de la présentation du 26.03.2009 Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un

Plus en détail

Rating et probabilité de défaut des entreprises européennes :

Rating et probabilité de défaut des entreprises européennes : Rating et probabilité de défaut des entreprises européennes : détermination par un modèle de régression logistique ordonné Éric Paget-Blanc Maître de Conférence Université d Evry Val d Essonne Chercheur

Plus en détail

Introduction I. Définition II. les ratios de structure 1. la structure de l actif 2. la structure des capitaux propres passifs III.

Introduction I. Définition II. les ratios de structure 1. la structure de l actif 2. la structure des capitaux propres passifs III. Introduction I. Définition II. les ratios de structure 1. la structure de l actif 2. la structure des capitaux propres passifs III. les ratios de liquidité IV. les ratios de gestion ou de rotation 1. ratio

Plus en détail

Les techniques d exploitation de données (Data Mining)

Les techniques d exploitation de données (Data Mining) Les techniques d exploitation de données (Data Mining) 1 Présenté par : Emer Mestiri, M.sc Finance, Data Scientist Conseiller Gestion de risque de crédit, Mouvement Desjardins Sommaire 2 I. Logiciel SAS

Plus en détail

Exercice 2 du cours Management Bancaire : «Calcul de la VaR d une position de marché»

Exercice 2 du cours Management Bancaire : «Calcul de la VaR d une position de marché» Exercice du cours Management Bancaire : «Calcul de la VaR d une position de marché» La réglementation bancaire impose aux banques de maintenir un niveau de capital minimum pour absorber les pertes dues

Plus en détail

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

La Banque Postale, nouvel acteur du financement local. Avril 2012

La Banque Postale, nouvel acteur du financement local. Avril 2012 La Banque Postale, nouvel acteur du financement local Avril 2012 Sommaire 1. La Banque Postale, une banque pas comme les autres 2. au service des territoires 3. Le financement, une nouvelle étape au service

Plus en détail

Le traitement des engagements sur les PME dans Bâle II (CP3)

Le traitement des engagements sur les PME dans Bâle II (CP3) ÉTUDE Le traitement des engagements sur les PME dans Bâle II (CP3) Le contenu du nouvel accord de Bâle sur le ratio international de solvabilité bancaire, dont l entrée en vigueur est prévue pour la fin

Plus en détail

BALE III MAITRISER LE RISQUE DE LIQUIDITÉ

BALE III MAITRISER LE RISQUE DE LIQUIDITÉ BALE III MAITRISER LE RISQUE DE LIQUIDITÉ COMMENT AMELIORER LA LIQUIDITE DE VOS ACTIFS? «Bâle III, dispositif international de mesure, normalisation et surveillance du risque de liquidité» est paru en

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

BANQUE ZAG TROISIÈME PILIER DE BÂLE II et III EXIGENCES DE DIVULGATION. 31 décembre 2014

BANQUE ZAG TROISIÈME PILIER DE BÂLE II et III EXIGENCES DE DIVULGATION. 31 décembre 2014 BANQUE ZAG TROISIÈME PILIER DE BÂLE II et III EXIGENCES DE DIVULGATION 31 décembre 2014 Le présent document présente les informations au titre du troisième pilier que la Banque Zag (la «Banque») doit communiquer

Plus en détail

Le bootstrap expliqué par l exemple

Le bootstrap expliqué par l exemple Le bootstrap expliqué par l exemple 1 Le bootstrap expliqué par l exemple 1. Les concepts du bootstrap 2. Des variantes adaptées au contexte 3. Comparaison des différentes méthodes 4. Les cas sensibles

Plus en détail

Une histoire du risque de défaut Publibook

Une histoire du risque de défaut Publibook Hayette Gatfaoui Une histoire du risque de défaut Publibook Retrouvez notre catalogue sur le site des Éditions Publibook : http://www.publibook.com Ce texte publié par les Éditions Publibook est protégé

Plus en détail

Bâle II. Changements en cours. Janvier 2010

Bâle II. Changements en cours. Janvier 2010 Bâle II Changements en cours Janvier 2010 Sommaire Renforcer de la résistance du secteur bancaire Les raisons des changements. Les fonds propres. Risque de contrepartie. Introduction d un ratio de levier

Plus en détail

1. Les risques individuels (corporates et institutions financières)

1. Les risques individuels (corporates et institutions financières) Gestion des Risques Nos métiers par activité La Gestion des Risques consiste principalement à maîtriser et à contrôler l ensemble des risques de Crédit Agricole CIB afin de minimiser le coût du risque

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Principe de la recherche d information Application à l indexation et la recherche d images par le contenu

Principe de la recherche d information Application à l indexation et la recherche d images par le contenu Principe de la recherche d information Application à l indexation et la recherche d images par le contenu Apprentissage par combinaison de classifieurs : le boosting Alexis LECHERVY 4 février 2011 Contenu

Plus en détail

Choisissez la formation. Qui vous intéresse! SPSS Maghreb 72,Av.des Nations Unies Rabat-Agdal-Maroc. Tél : 037-67.08.66/67 Fax : 037-67.08.

Choisissez la formation. Qui vous intéresse! SPSS Maghreb 72,Av.des Nations Unies Rabat-Agdal-Maroc. Tél : 037-67.08.66/67 Fax : 037-67.08. SPSS Maghreb 72,Av.des Nations Unies Rabat-Agdal-Maroc Tél : 037-67.08.66/67 Fax : 037-67.08.69 Choisissez la formation spssmaroc@maghrebnet.net.ma Qui vous intéresse! Site web : www.spss.com/localoffices/morocco

Plus en détail

assurance Février 2012

assurance Février 2012 Modèles fréquence coût : Construire un générateur de scénarios Quelles perspectives économiques d évolution en? assurance Version 0.7 Version 1.2 Mars 2014 Février 2012 Frédéric PLANCHET frederic@planchet.net

Plus en détail

Programme détaillé des enseignements

Programme détaillé des enseignements Programme détaillé des enseignements SEMESTRE S1 STATISTIQUES Méthodes d'estimation ponctuelle (méthodes des moments, du maximum de vraisemblances, bayésienne) et par intervalles de confiance. Statistiques

Plus en détail

Table des matières. Préface... 1. Chapitre 1 Introduction... 5. Chapitre 3 Les compagnies d assurance et les fonds de pension...

Table des matières. Préface... 1. Chapitre 1 Introduction... 5. Chapitre 3 Les compagnies d assurance et les fonds de pension... Préface...................................... 1 Chapitre 1 Introduction................................ 5 1.1 La rentabilité et le risque................. 6 Mesurer le risque......................... 7

Plus en détail

MESURE ET ANALYSE DU RISQUE D INSOLVABILITÉ

MESURE ET ANALYSE DU RISQUE D INSOLVABILITÉ École des Hautes Études Commerciales MESURE ET NLYSE DU RISQUE D INSOLVBILITÉ Document pédagogique rédigé par : Louise St-Cyr 1 et David Pinsonneault 2 1 2 Louise St-Cyr est professeure titulaire et titulaire

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail