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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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'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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

- 2 - «le risque de voir son client ne pas respecter son engagement financier, à savoir, dans la plupart des cas, un remboursement de prêt.

- 2 - «le risque de voir son client ne pas respecter son engagement financier, à savoir, dans la plupart des cas, un remboursement de prêt. GESTION BANCAIRE DU RISQUE DE NON-REMBOURSEMENT DES CREDITS AUX ENTREPRISES : UNE REVUE DE LA LITTERATURE Véronique Rougès, allocataire monitrice à l Université Paris IX Dauphine Centre de Recherche Européen

Plus en détail

Développements récents de la méthode des scores de la Banque de France

Développements récents de la méthode des scores de la Banque de France Développements récents de la méthode des scores de la Banque de France Au cours de la décennie quatre-vingt et au début des années quatre-vingt-dix, devant la multiplication des défaillances d entreprises,

Plus en détail

TABLE DES MATIÈRES TITRE I- LES ÉTATS FINANCIERS... 7 TITRE II- LA FISCALITÉ CORPORATIVE... 55

TABLE DES MATIÈRES TITRE I- LES ÉTATS FINANCIERS... 7 TITRE II- LA FISCALITÉ CORPORATIVE... 55 TABLE DES MATIÈRES TITRE I- LES ÉTATS FINANCIERS...................................... 7 TITRE II- LA FISCALITÉ CORPORATIVE.................................. 55 Table des matières 3 TITRE I LES ÉTATS

Plus en détail

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 25/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 25/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr 1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Présentation de l auteur En charge de la statistique et du data mining dans un grand groupe bancaire Enseigne le data mining en Master 2 dans

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

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

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

SCORING ET ANTICIPATION DE DEFAILLANCE DES ENTREPRISES : UNE APPROCHE PAR LA REGRESSION LOGISTIQUE

SCORING ET ANTICIPATION DE DEFAILLANCE DES ENTREPRISES : UNE APPROCHE PAR LA REGRESSION LOGISTIQUE SCORING ET ANTICIPATION DE DEFAILLANCE DES ENTREPRISES : UNE APPROCHE PAR LA REGRESSION LOGISTIQUE Patrick Boisselier, Dominique Dufour To cite this version: Patrick Boisselier, Dominique Dufour. SCORING

Plus en détail

Une introduction aux arbres de décision

Une introduction aux arbres de décision Une introduction aux arbres de décision Stéphane Caron http://scaroninfo 31 août 2011 Les arbres de décision sont l'une des structures de données majeures de l'apprentissage statistique Leur fonctionnement

Plus en détail

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING

CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de

Plus en détail

Les stratégies de gestion de portefeuille d actions: Style de gestion et indexation de portefeuille

Les stratégies de gestion de portefeuille d actions: Style de gestion et indexation de portefeuille Les stratégies de gestion de portefeuille d actions: Style de gestion et indexation de portefeuille I. Concept d'efficience des marchés et stratégies de gestion - Efficience opérationnelle des marchés

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

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

ANALYSE DU RISQUE DE CRÉDIT

ANALYSE DU RISQUE DE CRÉDIT Le risque de crédit est le risque de perte sur une créance ou celui d un débiteur (une entreprise défaillante par exemple) qui n honore pas sa dette à échéance. Il dépend de trois paramètres : le montant

Plus en détail

MAÎTRISE ÈS SCIENCES EN GESTION. MICROPROGRAMMES Exploitation de données en intelligence d affaires Analytique d affaires - Énergie 2014 ANNUAIRE

MAÎTRISE ÈS SCIENCES EN GESTION. MICROPROGRAMMES Exploitation de données en intelligence d affaires Analytique d affaires - Énergie 2014 ANNUAIRE MAÎTRISE ÈS SCIENCES EN GESTION MICROPROGRAMMES Exploitation de données en intelligence d affaires Analytique d affaires - Énergie 2014 2015 ANNUAIRE Dépôt légal IMPORTANT En complément de cet annuaire,

Plus en détail

L évaluation du risque de crédit dans le secteur canadien des entreprises par l approche des créances contingentes

L évaluation du risque de crédit dans le secteur canadien des entreprises par l approche des créances contingentes Revue du système financier L évaluation du risque de crédit dans le secteur canadien des entreprises par l approche des créances contingentes Michal Kozak, Meyer Aaron et Céline Gauthier Dans leur analyse

Plus en détail

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

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des

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

Travailler avec les télécommunications

Travailler avec les télécommunications Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la

Plus en détail

ENSEIGNEMENT ET MONDE PROFESSIONNEL. Illustration d un lien fort au travers d un cours de scoring. Jean-Philippe KIENNER 7 novembre 2013

ENSEIGNEMENT ET MONDE PROFESSIONNEL. Illustration d un lien fort au travers d un cours de scoring. Jean-Philippe KIENNER 7 novembre 2013 ENSEIGNEMENT ET MONDE PROFESSIONNEL Illustration d un lien fort au travers d un cours de scoring Jean-Philippe KIENNER 7 novembre 2013 CONTEXTE Une bonne insertion professionnelle des étudiants passe par

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

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Comment mieux lutter contre la fraude à l assurance? Gestion de sinistres Odilon Audouin, le 4 avril 2013

Comment mieux lutter contre la fraude à l assurance? Gestion de sinistres Odilon Audouin, le 4 avril 2013 Comment mieux lutter contre la fraude à l assurance? Gestion de sinistres Odilon Audouin, le 4 avril 2013 Eléments de contexte Un coût significatif, une évolution des typologies Selon l ALFA (sur la base

Plus en détail

Mise en place du Mécanisme de Supervision Unique (MSU)

Mise en place du Mécanisme de Supervision Unique (MSU) Mise en place du Mécanisme de Supervision Unique (MSU) Mise en place du Mécanisme de Supervision Unique (MSU) 1. Le MSU est l un des piliers de l Union bancaire européenne 2. La mise en œuvre opérationnelle

Plus en détail

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI 1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage

Plus en détail

Comment évaluer une banque?

Comment évaluer une banque? Comment évaluer une banque? L évaluation d une banque est basée sur les mêmes principes généraux que n importe quelle autre entreprise : une banque vaut les flux qu elle est susceptible de rapporter dans

Plus en détail

Arbres de décision. Intelligence Artificielle et Systèmes Formels Master 1 I2L

Arbres de décision. Intelligence Artificielle et Systèmes Formels Master 1 I2L Arbres de décision Intelligence Artificielle et Systèmes Formels Master 1 I2L Sébastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/ verel Université du Littoral Côte d Opale Laboratoire

Plus en détail

Cours de méthodes de scoring

Cours de méthodes de scoring UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-

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

Journées d Eté Statistiques et Data Mining Le Croisic, du 29 juin au 03 juillet 2015

Journées d Eté Statistiques et Data Mining Le Croisic, du 29 juin au 03 juillet 2015 ournées d té tatistiques et Data ining Le roisic, du 29 juin au 03 juillet 2015 Nos 8 èmes ournées d té vous offrent la possibilité de construire votre programme personnalisé de formation en tatistiques

Plus en détail

Rapport financier du premier trimestre de 2013-2014

Rapport financier du premier trimestre de 2013-2014 Rapport financier du premier trimestre de -2014 Pour la période terminée le Financement agricole Canada Financement agricole Canada (FAC), dont le siège social se trouve à Regina, en Saskatchewan, est

Plus en détail

La baisse tendancielle des rentes réduitelle la demande d épargne retraite? Leçons tirées d une réforme des tables de mortalité

La baisse tendancielle des rentes réduitelle la demande d épargne retraite? Leçons tirées d une réforme des tables de mortalité La baisse tendancielle des rentes réduitelle la demande d épargne retraite? Leçons tirées d une réforme des tables de mortalité Alexis DIRER LEO, Université d Orléans Co-écrit avec Rim Ennajar-Sayadi Journée

Plus en détail

C O M M U N I Q U É D E P R E S S E

C O M M U N I Q U É D E P R E S S E C O M M U N I Q U É D E P R E S S E DEXIA ANNONCE LES RÉSULTATS DE LA REVUE STRATÉGIQUE DE FSA FSA QUITTE LE SECTEUR DES ABS ET SE CONCENTRE SUR LE MARCHÉ DES SERVICES FINANCIERS AU SECTEUR PUBLIC RENFORCEMENT

Plus en détail

Déterminants de l assurance dans les entreprises non financières. Approche empirique

Déterminants de l assurance dans les entreprises non financières. Approche empirique Déterminants de l assurance dans les entreprises non financières. Approche empirique Hassen RAÏS. Enseignant-Chercheur. IAE -Toulouse. CRM UMR 5303 CNRS. hassen.rais@iae-toulouse.fr - +33(0)6 33 09 16

Plus en détail

Où investir en 2014? Grand colloque sur la gestion des actifs des caisses de retraite

Où investir en 2014? Grand colloque sur la gestion des actifs des caisses de retraite Où investir en 2014? Grand colloque sur la gestion des actifs des caisses de retraite Optimisation de la politique de placement : vers quelles classes d actifs se tourner? Stéphan Lazure Conseiller principal

Plus en détail

Apprentissage Statistique. Bureau d étude :

Apprentissage Statistique. Bureau d étude : Apprentissage Statistique Bureau d étude : Score d appétence en GRC Hélène Milhem IUP SID M2 2011/2012 Institut de Mathématiques de Toulouse UMR CNRS C5219 Equipe de Statistique et Probabilités Université

Plus en détail

données en connaissance et en actions?

données en connaissance et en actions? 1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)

Plus en détail

Filière «Économie et Entreprise» 2015/2016

Filière «Économie et Entreprise» 2015/2016 Filière «Économie et Entreprise» 2015/2016 1. Présentation de la filière Économie et Entreprise La filière «Economie et entreprises» de quatrième année de SciencesPo Strasbourg donne aux étudiants, dans

Plus en détail

1 Modélisation d être mauvais payeur

1 Modélisation d être mauvais payeur 1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage

Plus en détail

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

Fiche. Le diagnostic financier. 1 Introduction. 2 Le contexte du diagnostic. A Les objectifs du diagnostic financier. B Les préalables du diagnostic

Fiche. Le diagnostic financier. 1 Introduction. 2 Le contexte du diagnostic. A Les objectifs du diagnostic financier. B Les préalables du diagnostic Le diagnostic financier Fiche 1 1 Introduction Le diagnostic financier permet d évaluer le potentiel de l entité. Il peut se faire en différentes occasions (achat d entreprise, placements, demande d emprunt,

Plus en détail

Application du data mining pour l évaluation de risque en assurance automobile

Application du data mining pour l évaluation de risque en assurance automobile Application du data mining pour l évaluation de risque en assurance automobile 4 Septembre 2012 Sylvain Pannetier Lebeuf Recherche & Analytique Contenu Qui on est: La compagnie L équipe de recherche et

Plus en détail

La surveillance prudentielle du secteur financier

La surveillance prudentielle du secteur financier La surveillance prudentielle du secteur financier Chapitre VII Chapitre VI Chapitre V Chapitre IV Chapitre III Chapitre II Chapitre I Chapitre VII Chapitre VI Chapitre V Chapitre IV Chapitre III Chapitre

Plus en détail

Why Software Projects Escalate: The Importance of Project Management Constructs

Why Software Projects Escalate: The Importance of Project Management Constructs Why Software Projects Escalate: The Importance of Project Management Constructs Why Software Projects Escalate: The Importance of Project Management Constructs 1. Introduction 2. Concepts de la gestion

Plus en détail

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr 1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data

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

Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS

Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS 1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5

Plus en détail

Financement et rentabilité des investissements

Financement et rentabilité des investissements Collection les mémentos finance dirigée par Jack FORGET Financement et rentabilité des investissements Maximiser les revenus des investissements Jack FORGET Éditions d Organisation, 2005 ISBN : 2-7081-3252-0

Plus en détail

Société Française des Evaluateurs

Société Française des Evaluateurs Strictement confidentiel Société Française des Evaluateurs L évaluation dans le secteur bancaire : particularités, limites et changements post-crise 2008. PwC Valuation & Business Modelling Juin 2015 Projet

Plus en détail

Analyse nancière : quelques ratios

Analyse nancière : quelques ratios Analyse nancière : quelques ratios Eric Vansteenberghe 18 février 2014 Une application aux achats dans le secteur spatial Table des matières 1 Introduction 2 2 La solvabilité de l'entreprise 2 2.1 Ratio

Plus en détail

Principes de comptabilité et de gestion financière

Principes de comptabilité et de gestion financière Commission de Développement Économique des Premières Nations du Québec et du Labrador Principes de comptabilité et de gestion financière Les 25 et 26 janvier 2011 à Québec Plan de cours Présenté par :

Plus en détail

Esarc - Pôle formations à distance

Esarc - Pôle formations à distance Esarc - MASTER EUROPEEN EN MANAGEMENT ET STRATEGIE FINANCIERE - BAC+5 - MSFI Le Master Européen est un diplôme Bac+5, délivré par la FEDE (Fédération Européenne des Écoles). La FEDE est une association

Plus en détail

Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données

Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,

Plus en détail

La stratégie de l entreprise vue par une financière

La stratégie de l entreprise vue par une financière La stratégie de l entreprise vue par une financière Séminaire sur la transformation des bois résineux au Québec Laurent Pelletier, ing.f Expert-conseil Secteur des produits forestiers Québec 29 Septembre

Plus en détail

Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.

Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos. Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière

Plus en détail

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln. MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion

Plus en détail

Enjeux mathématiques et Statistiques du Big Data

Enjeux mathématiques et Statistiques du Big Data Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 27/01/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 27/01/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Présentation de l auteur En charge de la statistique et du data mining dans un grand groupe bancaire Enseigne le data mining en Master 2 à l Université

Plus en détail

Gestion obligataire passive

Gestion obligataire passive Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage

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

Les délais et les défauts de paiement dans l industrie

Les délais et les défauts de paiement dans l industrie Les défauts de paiement sur les dettes fournisseurs en 2004 dans les sociétés de l industrie Les incidents de paiement sur effets de commerce Les dettes commerciales non payées à l échéance par les sociétés

Plus en détail

Plan de cours - Plein temps Bachelor Business Law. Semestre 1 Semestre 2

Plan de cours - Plein temps Bachelor Business Law. Semestre 1 Semestre 2 Plan de cours - Plein temps Plein temps Semestre 1 Semestre 2 Management 1 Système d'entreprise 2 Marketing 2 Organisation 2 Supply Chain 2 Finances 1 Comptabilité générale Comptabilité des sociétés politique

Plus en détail