Essays on credit risk modelling

Qu’ils soient gérants, salariés, partenaires commerciaux, prêteurs, ou investisseurs, la prédiction du défaut est un sujet d’une importance capitale pour tous les acteurs internes ou externes à l’entreprise. Le premier chapitre de cette thèse propose un modèle de prédiction de la défaillance des PME françaises à partir de leurs états financiers. Son pouvoir discriminant, mesuré par un accuracy ratio de 93,46%, lui confère une véritable utilité potentielle en vue d’un système de notation interne par les créanciers. Dans la même optique, le second chapitre s’intéresse à la valeur prédictive de certaines données dites « non conventionnelles » pour anticiper le défaut. Il apparait que le recours à un expert-comptable pour valider le prévisionnel des PME est un gage de solvabilité, associé à un taux de défaut significativement plus bas. Les deux derniers chapitres portent sur la modélisation du défaut des grandes entreprises internationales. Sur de tels portefeuilles avec si peu de défaut, des méthodologies spécifiques doivent être utilisées. Nous présentons alors un modèle de Shadow Rating dans le troisième chapitre. Avec un taux de réplication à un cran proche de 90%, nous expliquons et prédisons les ratings externes des grandes entreprises à partir de leurs états financiers et de leur secteur. Enfin, le dernier chapitre se consacre à l’optimisation d’un modèle interne grâce à l’apprentissage machine. Combinant intelligence artificielle et jugement humain, l’approche proposée permet d’écarter leurs inconvénients, respectivement le manque d’interprétabilité et la subjectivité, pour obtenir un modèle optimisé, compréhensible, explicable, et conforme à la règlementation bancaire.Be it for company owners, employees, commercial partners, lenders, or investors, bankruptcy prediction is of the utmost importance for both internal and external company’s stakeholders. In the first chapter of this thesis, we develop a model to predict SMEs’ bankruptcy. Its discriminatory power, measured by an accuracy ratio of 93.46%, confers it a real potential utility as an internal rating system for creditors. With the same goal, the second chapter investigates the predictive value of some unconventional data for default modelling. It appears that the use of a certified public accountant to validate the projects’ figures is associated with a significant decrease in default rates. The last two chapters focus on default modelling for large corporates. On such low default portfolios, specific methodologies must be used. Thus, we present a Shadow Rating model in the third chapter. With a replication rate close to 90% at plus or minus one notch, we are able to explain and predict large corporates’ external credit ratings by using their financial statements and business sector. Finally, the last chapter is all about the use of machine learning to optimize an internal model. Combining artificial intelligence and human judgement, the proposed approach allows to set aside their drawbacks, respectively the lack of interpretability and the subjectivity, to obtain an optimized model, comprehensible, explicable, and compliant with regulatory requirements