💳 Modèle de Scoring de Crédit — Constructeur de Grille de Score en Direct

Une grille de score prend la sortie en log-cotes d'une régression logistique entraînée — une grandeur difficile à appréhender intuitivement pour un agent de crédit — et la reprojette sur une échelle entière simple, typiquement 300–850, à l'aide de deux constantes appelées le décalage et le facteur. Comme cette reprojection est une transformation affine directe des log-cotes, elle préserve exactement tout le pouvoir discriminant du modèle ; rien n'est perdu. Ce que l'on gagne, c'est l'interprétabilité et l'additivité : la transformation permet de décomposer le score total en points apportés par chaque caractéristique d'entrée, si bien qu'une banque peut littéralement remettre à un demandeur un relevé imprimé montrant combien de points proviennent du revenu, du ratio dette/revenu, de l'historique de paiement et du taux d'utilisation — ce qu'une probabilité brute ne permet pas.

La simulation entraîne d'abord une véritable régression logistique par descente de gradient sur une perte d'entropie croisée, sur la population synthétique de demandeurs, produisant un poids pour chacune des quatre caractéristiques standardisées plus un terme de biais. La mise à l'échelle « Points pour doubler les cotes » (PDO) convertit ensuite ce vecteur de poids en un facteur et un décalage : facteur = PDO / ln(2), et le décalage est choisi de sorte qu'un rapport de cotes de référence (50 bons comptes pour 1 mauvais) corresponde à un score cible. La contribution en points de chaque caractéristique pour un demandeur donné est −facteur × poids × (valeur standardisée de la caractéristique), et le terme de biais devient une contribution fixe de points de base — si bien que les quatre points de caractéristiques affichés plus les points de base totalisent toujours exactement le score global du demandeur.

Ces trois chiffres sont calculés à partir de la même liste triée des scores des demandeurs et de la même population fixe de résultats bons/mauvais — seul le seuil change quels demandeurs se retrouvent du côté approuvé de la limite. Relever le seuil réduit toujours l'ensemble approuvé (taux d'approbation plus faible) et retire toujours en premier les demandeurs au score le plus bas et au risque le plus élevé (taux de défaut plus faible parmi les survivants), car les scores sont monotones par rapport au risque modélisé. Le profit est la somme de la marge réalisée sur les bons comptes approuvés moins la perte réalisée sur les mauvais comptes approuvés, sur ce même ensemble qui se réduit, si bien qu'il décrit nécessairement une courbe unique pilotée exactement par le même balayage de seuil — il est impossible que les trois courbes soient en désaccord sur quels demandeurs sont « dedans » à un seuil donné.

Le PDO définit combien de points de score correspondent à un doublement du rapport de cotes bon:mauvais — par exemple, si PDO = 20 et qu'un score de 600 correspond à des cotes de 50:1, alors un score de 620 correspond à des cotes de 100:1 et un score de 580 à des cotes de 25:1. Vingt points par doublement est une convention industrielle de longue date (utilisée par les scores de bureau de type FICO) car elle produit une échelle qui répartit les scores assez largement pour être visuellement et opérationnellement significative sur une plage 300–850, sans être si abrupte que de petits changements de modèle fassent osciller les scores violemment, ni si plate que l'échelle perde son pouvoir discriminant.

Un seuil de 850 (n'approuver presque personne) fait tendre le taux de défaut parmi les approuvés vers zéro, mais rejette aussi des milliers de livres de bons comptes rentables, donc le profit total est faible. À mesure que le seuil baisse, davantage de bons comptes marginaux mais encore rentables sont approuvés, chacun ajoutant une marge attendue positive, et le profit continue d'augmenter même si le taux de défaut parmi les approuvés grimpe lentement — car la perte d'argent sur quelques mauvais comptes supplémentaires est compensée par les intérêts gagnés sur beaucoup plus de bons comptes. Passé un certain point, les comptes marginaux admis sont mauvais assez souvent pour que leurs pertes attendues dépassent la marge gagnée sur les bons comptes marginaux, et le profit s'inverse à la baisse même si le taux de défaut continue de grimper. Le seuil qui maximise le profit se situe au point où la marge marginale attendue égale la perte marginale attendue — un critère véritablement différent de la minimisation du taux de défaut brut.

Le véritable résultat de défaut de chaque demandeur synthétique est tiré comme un essai de Bernoulli à partir d'une fonction logistique de référence du revenu, du ratio DTI, de l'historique de paiement et du taux d'utilisation, plus un bruit aléatoire indépendant — la population possède donc une relation de risque véritablement connaissable, quoique cachée, que la grille de score entraînée tente de retrouver. Les vraies banques, elles, n'observent les défauts que parmi les comptes réellement approuvés et financés ; les demandeurs rejetés ne génèrent jamais de résultat de remboursement. Cet écart est appelé l'inférence sur les rejetés (reject inference), et il signifie que les grilles de score de production sont toujours entraînées sur un échantillon observé de façon sélective, jamais sur la population complète des demandeurs comme la vérité terrain de cette simulation est générée.

La sélection adverse décrit comment le profil des demandeurs qui acceptent réellement une offre de prêt peut évoluer avec le prix et le seuil — par exemple, si un prêteur augmente son taux d'intérêt pour protéger sa marge à un seuil donné, les demandeurs les plus sûrs ayant de meilleures alternatives peuvent se détourner tandis que les demandeurs plus risqués, ayant moins d'alternatives, acceptent quand même, augmentant silencieusement le taux de défaut réel de ceux qui restent. Cette simulation maintient la population de demandeurs fixe et ne change que qui est approuvé, ce qui isole proprement la mécanique de la grille de score (points, seuil, compromis approbation/défaut/profit), mais elle ne modélise volontairement pas le refus d'une offre par les demandeurs — un vrai gestionnaire de portefeuille doit raisonner sur les deux effets à la fois, et les confondre rendrait la leçon centrale sur la grille de score plus difficile à percevoir.

Le contrôle de qualité du modèle met à l'échelle la force avec laquelle les quatre caractéristiques séparent réellement les bons et les mauvais demandeurs dans le générateur de vérité terrain, avant tout entraînement. Une population de meilleure qualité présente moins de chevauchement entre les distributions de scores bons et mauvais, si bien que la même grille de score entraînée atteint un taux de défaut plus faible à tout taux d'approbation donné — toute la courbe de profit s'élève et son pic devient plus net et plus indulgent, car il y a davantage de signal véritable à exploiter pour la régression logistique. Une population de moindre qualité resserre les distributions bonnes et mauvaises l'une contre l'autre, si bien qu'aucun seuil ne peut les séparer proprement, et chaque point du compromis approbation/défaut/profit se dégrade simultanément — cela reflète la façon dont, en pratique, des données de demandeurs plus riches ou plus propres produisent une grille de score matériellement meilleure, et non simplement réétiquetée.