La décision de crédit: Procédure et comparaison de la performance de quatre modèles de prévision d'insolvabilité

La croissance et la généralisation du risque de crédit rendent nécessaire une meilleure connaissance du processus de crédit et des modèles d’estimation de ce risque. Le présent article s’attelle à cette tâche en présentant de manière exhaustive le processus de crédit d’une part, et en comparant la performance relative de quatre modèles de prévision d’insolvabilité d’autre part. Elle utilise les données d’entreprises américaines sur la période 1980- 1997. Les résultats de la comparaison des quatre modèles de prévision indiquent que le partitionnement récursif obtient le meilleur rang (avec un score de 13,30), suivi des réseaux de neurones artificiels (7,26), de l’algorithme génétique (7,22) et de l’analyse discriminante (4,32). Les modèles basés sur l’intelligence artificielle (réseau de neurones artificiels, partitionnement récursif et algorithme génétique) semblent ainsi prendre le dessus sur l’analyse discriminante. Ces modèles présentent l’avantage d’être des méthodes non paramétriques, qui ne font aucune hypothèse sur la distribution des variables explicatives utilisées. Dans l’analyse discriminante par contre, les variables explicatives utilisées doivent obéir à certaines hypothèses de départ, telle la normalité, hypothèses qui ne sont pas toujours respectées dans la pratique.