Browsing by Author "Hidouci, Adenane"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Conception et proposition de modele de risque de crédit
    (Université Oum El Bouaghi, 2019) Remache, Asma; Hidouci, Adenane
    Le système bancaire du pays est l'un des secteurs moteurs de son économie. Pour une banque, le crédit est l'activité qui génère le plus de gain et il génère le plus de perte en cas de son non remboursement. Aujourd'hui, les banques évoluent dans un environnement où la concurrence est de plus en plus importante. Pour faire face aux différentes perturbations du système financier et assurer la rentabilité de son activité, la banque doit être en mesure d'assurer une bonne gestion des risques de crédit par des techniques efficaces : prévoir et gérer efficacement le risque de crédit et en même temps répondre avec confiance aux nouvelles demandes de crédit tout en préservant sa rentabilité. L'objectif de la banque est donc de disposer d'un modèle de gestion de ce risque avec le plus de précision possible. Dans le cadre de ce mémoire, nous proposons la construction d'un modèle de crédit scoring. Le crédit scoring est une méthode qui évalue le niveau du risque associé à un dossier de crédit et de prévoir la solvabilité du demandeur de ce crédit. A partir des caractéristiques de ce client, il sera classé par le modèle comme : Bon Payeur ou Mauvais Payeur. A cet effet, nous avons utilisé deux méthodes : la Régression Logistique et les Réseaux de Neurones. Pour la validation et la comparaison de la qualité des modèles obtenus, nous avons utilisé la matrice de classement ou de confusion et la courbe ROC.
  • No Thumbnail Available
    Item
    Techniques de machine learning
    (Université de Larbi Ben M'hidi- Oum El Bouaghi, 2022) Menaseria, Niama; Lakhdari, Chaima; Hidouci, Adenane
    Chaque pays se base sur des secteurs moteurs de son économie, et la banque est l'un de ces secteurs. Pour une banque, le crédit est l'activité qui génère un gain ou bien une perte en cas de son non remboursement. Pour cela, aujourd'hui les banques cherchent un système financier qui assure la rentabilité de son activité. Donc elles visent à disposer d'un modèle de gestion de risque avec le plus de précision possible. Le crédit Scoring est une méthode qui évalue le niveau de risque associé à un crédit et prédit la solvabilité d'un demandeur pour ce crédit. Selon les caractéristiques de ce client, il sera classé par le modèle comme " bon payeur " ou " mauvais payeur ". L'apprentissage automatique (Machine Learning-ML) est un sous-domaine de l'intelligence artificielle (IA) désignant l'ensemble de techniques/algorithmes capables d'apprendre à résoudre un problème, depuis les données, sans être explicitement programmés. Dans le cadre de ce mémoire, nous proposons la construction d'un modèle de crédit Scoring par la présentation d'une étude comparative entre un ensemble de modèles d'apprentissage d'ensemble, dans le but d'identifier le meilleur d'entre eux. Nous appliquons les modèles développés sur des données de crédit Scoring. Il y a eu très peu, voire aucune, étude pour les modèles d'apprentissage d'ensemble (les méthodes d'ensemble) sur des données de crédit scoring, nous espérons donc que cette étude comblera cette lacune. Pour cela, nous avons utilisé une méthode d'apprentissage d'ensemble " Stacking ". Et pour la validation et la comparaison de la qualité des modèles obtenus, nous avons utilisé une matrice de confusion et un courbe ROC.