“Pour une entreprise, emprunter de l’argent afin de financer son développement peut être une alternative à l’émission d’actions. C’est pour cela que les prêts aux entreprises peuvent se retrouver sous la forme de “credit bonds” sur les marchés financiers. Ces bonds, comme la plupart des produits du marché, sont risqués et leur prix est fortement influencé par ce risque et donc lié à la santé de l’entreprise. De là il semble capital de disposer d’indicateurs permettant de prévoir la santé d’une entreprise sur plusieurs années pour permettre la stabilité du marché financier.
L’une des principales fonctions de la Banque de France est justement de garantir la stabilité financière. Cette tâche complexe comprend donc la création d’indicateurs de qualité permettant de refléter la bonne santé d’une entreprise. C’est à cet indicateur, cette note Banque de France que nous nous somme intéressés durant tout ce projet.
Cette note est très utile aux banques comme LCL pour approximer la probabilité de défaut à moyen terme d’un client professionnel. Malheureusement, elle n’est pas disponible pour un grand nombre de clients professionnels de la banque. En effet, elle n’est pas calculée pour des entreprises avec un chiffre d’affaires inférieur à 750 000 euros et toutes les entreprises avec un chiffre d’affaires supérieur à cette borne ne sont pas forcément notées. De plus, la calculer directement est impossible car elle est donnée « à dire d’experts » et la Banque de France reste assez floue sur les méthodes de notation.
L’objectif de notre projet de fin d’études est donc de construire au travers d’outils statistiques une grille de notation proche de celle de la Banque de France, qui pourra être utilisée par la LCL pour évaluer le risque de crédit sur son portefeuille de professionnels. Dans ce rapport, nous allons présenter différentes méthodologies employées pour résoudre ce problème.
Nous commençons par une description plus détaillée de la note banque de France et de la base de travail utilisée pour la modélisation. Dans un second temps, nous abordons les premiers modèles « classiques », puis nous nous intéressons à une deuxième séries de modèles de machine learning donnant des résultats très prometteurs.”