Machine Learning dans l'évaluation du risque crédit : revue systématique

Résumé :

L'article entreprend une revue systématique des diverses approches de l'apprentissage automatique dans l'analyse du risque de crédit, basée sur l'examen de 20 articles spécifiquement sélectionnés. Les résultats mettent en évidence une diversité d'approches de machine learning, telles que les arbres de décision, les réseaux de neurones et la classification K-plus proche voisin (KPV). Une analyse approfondie révèle que certaines méthodes, notamment les réseaux de neurones et les arbres de décision, affichent une précision supérieure et des performances remarquables comparées aux approches classiques telles que la régression logistique et l'analyse discriminante. Cependant, ces méthodes présentent également des limitations, comme la sensibilité au bruit des données et la complexité des modèles. Cette étude souligne un intérêt crucial pour les praticiens et les décideurs financiers dans le but d'améliorer les pratiques de gestion du risque de crédit. Elle met en exergue l'importance croissante de l'apprentissage automatique dans ce domaine, tout en soulignant la nécessité de futures recherches empiriques pour valider ces résultats et surmonter les défis inhérents à ces approches. Cela permettrait d'optimiser encore davantage les performances et l'applicabilité de ces méthodes innovantes.

Mots clés : MACHINE LEARNING , ANALYSE CREDIT ,ARBRE DE DECISION , RESEAU NEURONE ARTIFICIEL, K-PLUS PROCHE VOISIN (KPV)

Abstract

The article undertakes a systematic review of various machine learning approaches in credit risk analysis, based on the examination of 20 specifically selected articles. The results highlight a diversity of machine learning approaches, such as decision trees, neural networks, and K-nearest neighbor (KNN) classification. An in-depth analysis reveals that some methods, particularly neural networks and decision trees, demonstrate superior accuracy and remarkable performance compared to classical approaches such as logistic regression and discriminant analysis. However, these methods also exhibit limitations, such as sensitivity to data noise and model complexity. This study emphasizes a crucial interest for practitioners and financial decision-makers aiming to enhance credit risk management practices. It underscores the increasing importance of machine learning in this domain while emphasizing the need for future empirical research to validate these findings and overcome the inherent challenges of these approaches. This would further optimize the performance and applicability of these innovative methods.

Keywords: Machine learning, credit analysis, decision tree, artificial neural network, and K-nearest neighbor (KNN) classification