Réintégration des refusés en Credit Scoring
Document type :
Autre communication scientifique (congrès sans actes - poster - séminaire...): Communication dans un congrès sans actes
Permalink :
Title :
Réintégration des refusés en Credit Scoring
Author(s) :
Erhardt, Adrien [Auteur]
Biernacki, Christophe [Auteur]
Vandewalle, Vincent [Auteur]
Evaluation des technologies de santé et des pratiques médicales - ULR 2694 [METRICS]
METRICS : Evaluation des technologies de santé et des pratiques médicales - ULR 2694
Heinrich, Philippe [Auteur]
Laboratoire Paul Painlevé - UMR 8524 [LPP]
Laboratoire Paul Painlevé - UMR 8524
Beben, Sébastien [Auteur]
Biernacki, Christophe [Auteur]
Vandewalle, Vincent [Auteur]
Evaluation des technologies de santé et des pratiques médicales - ULR 2694 [METRICS]
METRICS : Evaluation des technologies de santé et des pratiques médicales - ULR 2694
Heinrich, Philippe [Auteur]
Laboratoire Paul Painlevé - UMR 8524 [LPP]
Laboratoire Paul Painlevé - UMR 8524
Beben, Sébastien [Auteur]
Conference title :
49e Journées de Statistique
City :
Avignon
Country :
France
Start date of the conference :
2017-05-29
Keyword(s) :
Reject inference
Semi-supervised learning
Credit
Risk
Risque
Scoring
Refusé
Réintégration
Apprentissage semi-supervisé
Semi-supervised learning
Credit
Risk
Risque
Scoring
Refusé
Réintégration
Apprentissage semi-supervisé
HAL domain(s) :
Statistiques [stat]/Méthodologie [stat.ME]
French abstract :
Un système d'octroi de crédit peut refuser des demandes de prêt jugées trop risquées. Au sein de ce système, le score de crédit fournit une valeur mesurant un risque de défaut, valeur qui est comparéè a un seuil d'acceptabilité. ...
Show more >Un système d'octroi de crédit peut refuser des demandes de prêt jugées trop risquées. Au sein de ce système, le score de crédit fournit une valeur mesurant un risque de défaut, valeur qui est comparéè a un seuil d'acceptabilité. Ce score est construit exclusivement sur des données de clients financés, contenant en particulier l'information " bon ou mauvais payeur " , alors qu'il est par la suite appliquéappliqué`appliquéà l'ensemble des deman-des. Un tel score est-il statistiquement pertinent ? Dans cette note, nous précisons et formalisons cette question etétudionsetétudions l'effet de l'absence des non-financés sur les scoresélaborés scoresélaborés. Nous présentons ensuite des méthodes pour réintégrer les non-financés et con-cluons sur leur inefficacité en pratique, ` a partir de données issues de Crédit Agricole Consumer FinanceShow less >
Show more >Un système d'octroi de crédit peut refuser des demandes de prêt jugées trop risquées. Au sein de ce système, le score de crédit fournit une valeur mesurant un risque de défaut, valeur qui est comparéè a un seuil d'acceptabilité. Ce score est construit exclusivement sur des données de clients financés, contenant en particulier l'information " bon ou mauvais payeur " , alors qu'il est par la suite appliquéappliqué`appliquéà l'ensemble des deman-des. Un tel score est-il statistiquement pertinent ? Dans cette note, nous précisons et formalisons cette question etétudionsetétudions l'effet de l'absence des non-financés sur les scoresélaborés scoresélaborés. Nous présentons ensuite des méthodes pour réintégrer les non-financés et con-cluons sur leur inefficacité en pratique, ` a partir de données issues de Crédit Agricole Consumer FinanceShow less >
English abstract : [en]
The granting process of all credit institutions rejects applicants who seem risky regarding the repayment of their debt. A credit score is calculated and associated with a cutoff value beneath which an applicant is rejected. ...
Show more >The granting process of all credit institutions rejects applicants who seem risky regarding the repayment of their debt. A credit score is calculated and associated with a cutoff value beneath which an applicant is rejected. Developing a new score implies having a learning dataset in which the response variable good\/bad borrower is known, so that rejects are de facto excluded from the learning process. We first introduce the context and some useful notations. Then we formalize if this particular sampling has consequences on the score's relevance. Finally, we elaborate on methods that use not-financed clients' characteristics and conclude that none of these methods are satisfactory in practice using data from Crédit Agricole Consumer Finance.Show less >
Show more >The granting process of all credit institutions rejects applicants who seem risky regarding the repayment of their debt. A credit score is calculated and associated with a cutoff value beneath which an applicant is rejected. Developing a new score implies having a learning dataset in which the response variable good\/bad borrower is known, so that rejects are de facto excluded from the learning process. We first introduce the context and some useful notations. Then we formalize if this particular sampling has consequences on the score's relevance. Finally, we elaborate on methods that use not-financed clients' characteristics and conclude that none of these methods are satisfactory in practice using data from Crédit Agricole Consumer Finance.Show less >
Language :
Français
Audience :
Internationale
Popular science :
Non
Administrative institution(s) :
CHU Lille
CNRS
Université de Lille
CNRS
Université de Lille
Submission date :
2020-06-08T14:10:15Z
2020-06-09T09:39:54Z
2020-06-09T09:39:54Z
Files
- documen
- Open access
- Access the document