Accueil▸IA et apprentissage automatique▸Laboratoire de notation de crédit par IA

💳 Laboratoire de notation de crédit par IA

Une simulation en étude de cas d'un modèle de notation de crédit : déplacez le seuil d'approbation et observez le taux de défaut, le taux d'approbation et le revenu s'équilibrer les uns par rapport aux autres.

IA et apprentissage automatique['Canvas 2D', 'Vanilla JS']Étude de cas60 FPS

Étude de cas : où tracer la ligne d'approbation

Cette étude de cas simule un prêteur utilisant un modèle de notation de crédit pour décider quels demandeurs de prêt approuver. Chaque demandeur a un score de crédit, corrélé avec le fait qu'il fera réellement défaut sur le prêt, mais sans en être un prédicteur parfait. Le prêteur profite des intérêts sur les prêts remboursés et perd de l'argent, généralement une grande partie du montant du prêt, sur les prêts en défaut.

Le seuil d'approbation est ici le levier métier tout entier. L'abaisser, et davantage de demandeurs sont approuvés, générant plus de revenus d'intérêts, mais une part plus élevée de ces approbations fera défaut, puisque les demandeurs nouvellement approuvés se situent plus bas dans la distribution des scores, où le risque de défaut est plus élevé. Le relever, et les défauts diminuent, mais le volume d'approbations et les revenus d'intérêts qui l'accompagnent diminuent aussi.

Ce laboratoire simule un millier de demandeurs avec une corrélation réaliste entre score et risque de défaut, et vous permet de déplacer le seuil directement, en observant le nombre d'approbations, les défauts parmi les approuvés, et le profit net du portefeuille répondre en temps réel.

Questions fréquentes

Comment un score de crédit est-il lié au risque de défaut ?

Un score de crédit est un signal prédictif, généralement corrélé à la probabilité de défaut mais jamais parfaitement, ce qui signifie que certains demandeurs à faible score auraient remboursé et que certains demandeurs à score élevé feront tout de même défaut.

Que se passe-t-il si le seuil d'approbation est fixé trop bas ?

Davantage de demandeurs sont approuvés, ce qui augmente les revenus d'intérêts, mais une proportion plus élevée des demandeurs approuvés fera défaut, augmentant des pertes qui peuvent dépasser le revenu supplémentaire.

Que se passe-t-il si le seuil est fixé trop haut ?

Moins de demandeurs sont approuvés, ce qui réduit les pertes liées aux défauts, mais réduit aussi les revenus d'intérêts des demandeurs qui auraient remboursé de façon fiable, laissant potentiellement un volume rentable inexploité.

Pourquoi ne pas simplement approuver tout le monde au-dessus d'un seuil très sûr et très élevé ?

Un seuil trop prudent écarte une grande part des demandeurs qui auraient été des clients rentables, sacrifiant la croissance des revenus pour minimiser un risque qu'un seuil modéré pourrait gérer de façon acceptable.

Comment les prêteurs déterminent-ils le bon seuil en pratique ?

Les prêteurs modélisent généralement le profit attendu sur une plage de seuils à l'aide de données historiques de défaut, en intégrant souvent des contraintes réglementaires d'équité en plus de la simple optimisation du profit.

⚙ Sous le capot

1000 demandeurs simulés ont des scores de crédit tirés d'une distribution normale, la probabilité de défaut de chaque demandeur étant générée par une fonction sigmoïde de son score, de sorte que les scores plus bas correspondent à une probabilité de défaut plus élevée. Le curseur de seuil filtre les approbations en direct, et le profit net additionne la marge d'intérêt sur les prêts approuvés non défaillants par rapport à la perte en cas de défaut sur les prêts approuvés défaillants.

credit-scoringfintech-aicase-study

Canvas 2D · vanilla JavaScript · 60 FPS target · runs fully client-side, no install