Banques offshoring
[pic]
Selon l’auteur, la plupart des études statistiques sur le risque de crédit et l’analyse discriminante se concentrent sur les techniques de construction d’un score. Or la réalisation d’un outil efficace de sélection du risque doit relier cette construction à l’utilisation future de cet instrument et les propriétés qu’il doit en conséquence nécessairement satisfaire.
L’article s’efforce de relier construction et utilisation en mettant en exergue les propriétés requises pour les utilisateurs et les implications techniques qu’elles entraînent. Il en résultera une réflexion sur la sélection des données, sur le choix du modèle, sur l’estimation de la probabilité de défaut.
1. Les enjeux de la prévision du risque de défaut de paiement : La nécessité de mieux contrôler le risque de crédit dans les banques a conduit à l’intensification des travaux de credit scoring. Plusieurs types de techniques permettent la détection précoce des défauts paiement des entreprises. Elles relèvent de l’analyse discriminante.
Un des objectifs majeurs pour les banques est d’estimer l’espérance de la perte globale attendue et la perte inattendue grâce à un quantile extrême sur une population d’entreprises, par exemple la clientèle d’une banque. Pour cela il est nécessaire de disposer au niveau de chaque entreprise d’une probabilité de défaut à un horizon donné (ou plusieurs). On peut alors déterminer des classes de risque homogène.
2. Construction d’un outil de détection précoce
2.1 Les données
La définition de l’événement à détecter constitue une première difficulté : procédure judiciaire ou défaut de paiement ? Quelle gravité du défaut de paiement ? Le choix est souvent guidé par la disponibilité de l’information. Un banquier connaîtra les défauts de paiement et sera à même de qualifier leur gravité ; une institution publique est souvent mieux renseignée sur l’ouverture des procédures judiciaires. Ensuite se pose la