Réintégration des refusés en Credit Scoring
Type de document :
Autre communication scientifique (congrès sans actes - poster - séminaire...): Communication dans un congrès avec actes
Titre :
Réintégration des refusés en Credit Scoring
Auteur(s) :
Ehrhardt, Adrien [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Crédit Agricole Consumer Finance
Biernacki, Christophe [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Vandewalle, Vincent [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Heinrich, Philippe [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Beben, Sébastien [Auteur]
Crédit Agricole Consumer Finance
MOdel for Data Analysis and Learning [MODAL]
Crédit Agricole Consumer Finance
Biernacki, Christophe [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Vandewalle, Vincent [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Heinrich, Philippe [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Beben, Sébastien [Auteur]
Crédit Agricole Consumer Finance
Titre de la manifestation scientifique :
49e Journées de Statistique
Ville :
Avignon
Pays :
France
Date de début de la manifestation scientifique :
2017-05-29
Mot(s)-clé(s) :
réintégration
refusé
scoring
risque
apprentissage semi-supervisé
refusé
scoring
risque
apprentissage semi-supervisé
Mot(s)-clé(s) en anglais :
reject inference
semi-supervised learning
risk
credit
semi-supervised learning
risk
credit
Discipline(s) HAL :
Statistiques [stat]/Méthodologie [stat.ME]
Résumé :
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. ...
Lire la suite >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 FinanceLire moins >
Lire la suite >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 FinanceLire moins >
Résumé en anglais : [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. ...
Lire la suite >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.Lire moins >
Lire la suite >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.Lire moins >
Langue :
Français
Comité de lecture :
Oui
Audience :
Internationale
Vulgarisation :
Non
Collections :
Source :
Fichiers
- document
- Accès libre
- Accéder au document
- subm31.pdf
- Accès libre
- Accéder au document