Scoring crédit: une application comparative de la régression logistique et des réseaux de neurones

• TABLE DES MATIERES
  
• LISTE DES TABLEAUX
  
• LISTE DES FIGURES
  
• & GRAPHIQUES
  
• RESUME ANALYTIQUE
  
• Introduction
  
• PREMIERE PARTIE 
  
• CADRE DE REFERENCE
  
  • CHAPITRE Ier : Revue de la littérature
    
    • I/ Généralités sur le « credit scoring ».
      
    • 1.1. Définition, Fondements historiques et théoriques
      
    • 1.2. Les principales techniques de crédit scoring 
      
    • II/ Généralités sur la régression logistique
      
    • 2.1. Définition de la régression logistique binaire
      
    • 2.2. Principes et propriétés mathématiques de la régression logistique binaire
      
    • III/ Généralités sur les réseaux de neurones
      
    • 3.1. Définition et historique des réseaux de neurone
      
    • 3.2. Principes et propriétés mathématiques des réseaux de neurones
      
    • 3.3. Modes et règles d'apprentissage du réseau de neurones (R. Ladjadj, 2002)
      
    • IV / Enseignements de la revue de littérature
      
    • 4.1- Les limites du Scoring
      
    • 4.2- Les limites de la régression logistique
      
    • 4.3- Les limites des réseaux neuronaux
      
  • CHAPITRE II : Problematique Generale
    
    • I/ Problématique
      
    • 1.1. Contexte et justification
      
    • 1.1.2. La justification pour les managers, les décideurs politiques et les chercheurs
      
    • 1.2. Problème de recherche et résultats attendus
      
    • II/ Cadre Conceptuel
      
    • 2.1- Définition des concepts
      
    • 2.2- Objectifs de recherche
      
    • 2.3- Hypothèses et indicateurs
      
    • 2.3.1) Hypothèses de recherche et cadre opératoire
      
    • 2.3.2) Outils de collecte, sources d'information et difficultés rencontrées
      
    • III/ Cadre de l'étude : présentation de l'UMECUDEFS
      
    • 3.1. Historique et Activités
      
    • 3.2. Structure organisationnelle
      
    • 3.3. Caractéristiques de l'activité
      
• DEUXIEME PARTIE 
  
• METHODOLOGIE
  
• &
  
• ANALYSE DES RESULTATS
  
  • CHAPITRE III : Methodologie
    
    • I/ Les préalables au Scoring: Collecte et préparation des données
      
    • 1.1. L'échantillon
      
    • 1.2. Les paramètres analysés
      
    • 1.3. Le traitement des données
      
    • II / Le protocole de recherche
      
    • 2.1. Le protocole général
      
    • 2.2. Le protocole de la réduction des variables par l'analyse factorielle
      
    • 2.2.1) La technique et l'interprétation
      
    • 2.3. Le protocole de prédiction par les réseaux de neurone
      
    • 2.3.1) Le réseau utilisé: Perceptron multicouches (PMC)
      
    • 2.3.2) Les paramètres
      
    • 2.3.3) Apprentissage et généralisation
      
    • 2.4. Le protocole d'expérimentation par la régression logistique
      
    • 2.4.1) Génération des modalités discriminantes
      
    • 2.4.2) Estimation du modèle par le maximum de vraisemblance
      
    • 2.4.3) Test de sigificativité globale (Evaluation de la calibration du modèle : le test de Hosmer et Lemeshow)
      
    • 2.4.4) Evaluation du pouvoir discriminant du modèle : sensibilité, spécificité
      
  • CHAPITRE IV : PRESENTATION & ANALYSE DES RESULTATS
    
    • I/ Résultats de l'analyse factorielle des correspondances principales
      
    • 1.1. Dimensions de la solution et valeurs propres (inerties)
      
    • 1.3. Les variables explicatives retenues
      
    • II/ Résultats économétriques de la modélisation par la régression logistique
      
    • 2.1. Génération des modalités « Bon payeur » et « mauvais payeur »
      
    • 2.2. Spécification du modèle logit et estimation des paramètres prédictifs
      
    • 2.3. Qualité du modèle (Test de Significativité globale)
      
    • 2.5. Qualité de prédiction du modèle (performance de classification)
      
    • 2.6. Discussions sur les déterminants du risque de crédit du modèle Logistique
      
    • 2.6.1) Probabilité de non-remboursement et âge du dirigeant de la PME 
      
    • 2.6.2) Probabilité de non-remboursement et Niveau de Revenu du dirigeant de la PME
      
    • 2.6.3) Probabilité de non-remboursement et Durée d'existence de la PME
      
    • 2.6.4) Probabilité de non-remboursement et Valeur de la garantie proposée
      
    • 2.6.5) Probabilité de non-remboursement et Montant du crédit Octroyé 
      
    • 2.6.6) Probabilité de non-remboursement et sélection adverse 
      
    • 2.6.7) Probabilité de non-remboursement et Respect des échéances 
      
    • 2.7. Simulations sur le modèle logistique binaire
      
    • III/ Résultats de la modélisation par les réseaux de neurones
      
    • 3.2. La fixation des paramètres du réseau
      
    • 3.3. Les résultats de la modélisation par réseaux de neurones
      
    • 3.4. Le réajustement de la structure du réseau de neurones et les résultats
      
    • IV/ Comparaison des modèles logistique et neuronal
      
    • 4.1. Comparaison des matrices de confusion (pourcentage de classement prédictif)
      
    • 4.2. Choix du modèle de scoring final
      
• TROISIEME PARTIE
  
• RECOMMANDATIONS
  
  • CHAPITRE V : RECOMMANDATIONS
    
    • I/ Recommandations pour une utilisation du modèle de score
      
    • 1.1. Implémentation informatique
      
    • 1.3. Suivi ponctuel par évaluation des utilisateurs
      
    • 1.4. Suivi en continue par tableau de bord
      
    • II/ Recommandation sur les aspects organisationnels de l'UMECUDEFS
      
• CONCLUSION
  
• BIBLIOGRAPHIE
  
• DROESBEKE, J.J. ; LEJEUNE, M. ; SAPORTA, G., « Méthodes statistiques pour données qualitatives », Editions TECHNIP, Septembre 2006
  
• · Scoring