Soutenance de thèse de Sébastien SAURIN

Cette thèse propose des solutions innovantes pour répondre aux défis posés par l’utilisation de l’intelligence artificielle (IA) et du machine learning (ML) dans le domaine du scoring de crédit. L’IA révolutionne le monde à un rythme sans précédent, redéfinissant des industries entières et exerçant une influence profonde sur les employés, les manageurs, les clients, les fournisseurs et les régulateurs. En finance, et en particulier sur le marché du crédit, les modèles de ML influencent directement des décisions cruciales telles que l’octroi de crédits et la détermination des fonds propres réglementaires. Bien que les algorithmes de ML offrent de meilleures performances prédictives que les modèles traditionnels, leur utilisation soulève d’importantes préoccupations en matière d’équité, de transparence et de régulation. Afin de répondre aux défis posés par ces technologies, cette thèse s’articule autour de trois axes principaux qui abordent les questions d’équité, d’interprétabilité et d’homogénéité des modèles de scoring de crédit. Le premier chapitre introduit un cadre d'analyse afin de tester l’équité des modèles de scoring de crédit, identifier les variables qui sont à l’origine d’un éventuel manque d’équité, et remédier à ce déséquilibre, tout en conservant la performance prédictive du modèle. Le deuxième chapitre propose une méthodologie innovante, appelée XPER, qui décompose la performance des modèles en contributions spécifiques à chaque variable, améliorant ainsi l'interprétabilité des modèles de scoring de crédit. Enfin, le troisième chapitre introduit le Risk Homogeneity Coefficient (RHC) afin de mesurer l’homogénéité des classes de risque dans les systèmes de notation interne des banques pour le risque de crédit, conformément aux exigences des accords de Bâle. Ces approches, bien que techniques, sont également pratiques et fournissent des outils innovants permettant aux institutions financières et à leurs régulateurs de valider les modèles de scoring de crédit dans leurs dimensions équité, interprétabilité et homogénéité. Mots clés : Marchés du crédit ; Equité ; Apprentissage automatique ; Intelligence artificielle ; Interprétabilité ; Scoring de crédit ; Mesures de performances ; Valeurs de Shapley ; Capital réglementaire ; Risque de crédit ; Prédiction conforme ; Validation ; Homogéneité.