Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
|
|
- Jean-Charles Crépeau
- il y a 8 ans
- Total affichages :
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» 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 détailDétection 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 détailMéthodes 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 détailLa 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 détailLe 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 détailANALYSE 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 détailLa 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 détailLes 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 détailProjet 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 détailLA 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 détailData 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 détailOrganisé 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 détailArbres 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 détailSAS 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 détailL 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 détailL'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 détailESSEC. 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 détailHEC 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 détaila) 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 détailForum 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 détailRating 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 détailLe 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 détailAgenda 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 détailApprentissage 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 détailTABLE 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 détailIntroduction 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 détailDiagnostic 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- 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 détailSCORING 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 détailCAISSE 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 détailDéveloppements 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 détailLa 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 détailMAÎTRISE 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 détail5255 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 détailTravailler 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 détailComment 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 détailDéroulement 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 détailCours 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 détailRenforcement 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 détailCALCUL 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 détailL 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 détailLes 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 détailLa 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 détailRapport 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 détaildonnées 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 détailOù 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 détailFilière «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 détailStéphane 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 détailESSEC. 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 détail1 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 détailWhy 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 détailAlgèbre 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 détailUne 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 détailApplication 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 détailFormation continue. Ensae-Ensai Formation Continue (Cepe)
CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat
Plus en détailMASTER 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 détailMise 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 détailComment 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 détailStéphane 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 détailTABLE 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 détailGestion 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 détailAnalyse financière par les ratios
Analyse financière par les ratios Introduction L outil utilisé dans les analyses financières est appelé ratio, qui est un coefficient calculé à partir d une fraction, c est-à-dire un rapport entre des
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailà moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq
e élevé Risque faible Risq à moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq L e s I n d i c e s F u n d a t a é Risque Les Indices de faible risque
Plus en détailFiche. 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 détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailENSEIGNEMENT 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 détailEsarc - 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 détailAnalyse 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 détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailLa 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 détailPhilippe BESSE*, Hélène MILHEM*, Olivier MESTRE*,**, Anne DUFOUR***, Vincent-Henri PEUCH*** Résumé
Comparaison de techniques de «Data Mining» pour lʼadaptation statistique des prévisions dʼozone du modèle de chimie-transport MOCAGE A comparison of Data Mining techniques for the statistical adaptation
Plus en détailMGP 702c Marketing & Financement d événements. Remarques (1) Remarques (3) Remarques (2)
MGP 702c Marketing & Financement d événements Remarques (1) Cette affiche présente les 9 domaines décrits dans le Projet Management Body of Knowledge (PMBoK) du Project Management Institute (PMI) De même
Plus en détailEnjeux 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 détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailStages de Formation en Statistique Appliquée et Logistique
Stages de Formation en Statistique Appliquée et Logistique Un aperçu de nos stages Titre Avec PC Durée Info Visualisation de données de laboratoire avec Excel oui 2 jours p. 3 Analyse de données de laboratoire
Plus en détailCOLLOQUE SUR LA RETRAITE ET LES PLACEMENTS AU QUÉBEC L INVESTISSEMENT GUIDÉ PAR LE PASSIF
COLLOQUE SUR LA RETRAITE ET LES PLACEMENTS AU QUÉBEC L INVESTISSEMENT GUIDÉ PAR LE PASSIF LE 20 NOVEMBRE 2014 Sébastien Naud, CFA, M.Sc. Conseiller principal L investissement guidé par le passif Conférenciers
Plus en détailAccélérer l agilité de votre site de e-commerce. Cas client
Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible
Plus en détailFondements de Finance
Fondements de Finance Programme Grande Ecole Master In Management Chapitre 9. : Le coût du capital et la structure financière Fahmi Ben Abdelkader Version étudiants Préambule La Structure du capital =
Plus en détailBanque le Choix du Président
Page 1 de 15 Banque le Choix du Président INFORMATIONS À FOURNIR AU TITRE DU 3 e PILIER DE L ACCORD DE BÂLE III 30 juin 2014 Page 2 de 15 Table des matières Table des matières... 2 TABLEAU 1 APERÇU ET
Plus en détailLa 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 détailDCG session 2010 UE4 Finance d entreprise Corrigé indicatif. Dossier 1 - Diagnostic financier
DCG session 2010 UE4 Finance d entreprise Corrigé indicatif Dossier 1 - Diagnostic financier 1. Intérêt des tableaux de flux de trésorerie - Analyse de l évolution de la trésorerie Les tableaux de flux
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détail1. Référence : Pièce B-4, HQD-2, document 1, page 9, tableau R-2.1.
Page 1 de 8 DEMANDE DE RENSEIGNEMENTS N O 2 DE LA RÉGIE DE L ÉNERGIE (LA RÉGIE) RELATIVE À LA GESTION DU RISQUE DE CRÉDIT DE LA CLIENTÈLE GRANDE PUISSANCE 1. Référence : Pièce B-4, HQD-2, document 1, page
Plus en détailLe data mining et l assurance Mai 2004. Charles Dugas Président Marianne Lalonde Directrice, développement des affaires
Le data mining et l assurance Mai 2004 Charles Dugas Président Marianne Lalonde Directrice, développement des affaires AGENDA Qu est-ce que le data mining? Le projet et les facteurs de réussite Les technologies
Plus en détailData Mining et Statistique
Data Mining et Statistique Philippe Besse, Caroline Le Gall, Nathalie Raimbault & Sophie Sarpy Résumé Cet article propose une introduction au Data Mining. Celle-ci prend la forme d une réflexion sur les
Plus en détail2 Traité de gestion bancaire
INTRODUCTION Le paysage bancaire canadien s'est profondément modifié depuis les changements apportés à la Loi sur les banques en 1987. Autrefois, les fameux «quatre piliers» dominaient le paysage financier
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailBanque Zag. Troisième pilier de Bâle II et III Exigences de divulgation. 31 décembre 2013
Banque Zag Troisième pilier de Bâle II et III Exigences de divulgation 31 décembre 2013 Le présent document présente les informations au titre du troisième pilier que la Banque Zag (la «Banque») doit communiquer
Plus en détailStages de Formation en Statistique Appliquée et Logistique
Stages de Formation en Statistique Appliquée et Logistique Un aperçu de nos stages Titre Avec PC Durée Info Visualisation de données de laboratoire avec Excel oui 2 jours p. 3 Analyse de données de laboratoire
Plus en détailL assurance, un secteur singulier : En quoi les assurances diffèrent-elles des banques? Synthèse Juin 2010
L assurance, un secteur singulier : En quoi les assurances diffèrent-elles des banques? Synthèse Juin 2010 L impact de la crise financière récente sur le secteur financier et les économies a été extrêmement
Plus en détailMETTEZ DU GÉNIE DANS VOS FINANCES AVEC LES FONDS FÉRIQUE. Offerts aux ingénieurs et diplômés en génie, à leurs familles et à leurs entreprises
METTEZ DU GÉNIE DANS VOS FINANCES AVEC LES FONDS Offerts aux ingénieurs et diplômés en génie, à leurs familles et à leurs entreprises BIENVENUE CHEZ. BIENVENUE CHEZ VOUS. constitue une approche différente
Plus en détailJournées d études IARD
Journées d études IARD Gestion des risques liés à la refonte tarifaire d un portefeuille automobile Niort, le 20 mars 2014 Marie Foucher mfoucher@galea-associes.eu Pierre Thérond ptherond@galea-associes.eu
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailPrésentation des termes et ratios financiers utilisés
[ annexe 3 Présentation des termes et ratios financiers utilisés Nous présentons et commentons brièvement, dans cette annexe, les différents termes et ratios financiers utilisés aux chapitres 5, 6 et 7.
Plus en détailI N V I T A T I O N Cycle de formation
I N V I T A T I O N Cycle de formation Comprendre les conditions de financement des PME post-crise De 8h30 à 14h - CGPME 75 19 rue de l Amiral d Estaing 75116 Paris OBJECTIF DU SEMINAIRE : Les PME sont
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détail