Apprentissage automatique ou économétrie pour l'évaluation du crédit : Tirons le meilleur des deux mondes.

Résumé Dans le contexte de l'évaluation du crédit, les méthodes d'ensemble basées sur des arbres de décision, comme la méthode de la forêt aléatoire, offrent de meilleures performances de classification que les modèles de régression logistique standard. Cependant, la régression logistique reste la référence dans l'industrie du risque de crédit, principalement parce que le manque d'interprétabilité des méthodes d'ensemble est incompatible avec les exigences des régulateurs financiers. Dans cet article, nous proposons d'obtenir le meilleur des deux mondes en introduisant une méthode de notation de crédit performante et interprétable appelée régression par arbre logistique pénalisée (PLTR), qui utilise les informations des arbres de décision pour améliorer les performances de la régression logistique. Formellement, les règles extraites de divers arbres de décision à courte profondeur construits avec des paires de variables prédictives sont utilisées comme prédicteurs dans un modèle de régression logistique pénalisé. Le PLTR nous permet de capturer les effets non linéaires qui peuvent apparaître dans les données de notation de crédit tout en préservant l'interprétabilité intrinsèque du modèle de régression logistique. Des simulations de Monte Carlo et des applications empiriques utilisant quatre ensembles de données réelles sur les défauts de paiement montrent que la PLTR prédit le risque de crédit de manière beaucoup plus précise que la régression logistique et se compare de manière compétitive à la méthode de la forêt aléatoire. Classification JEL : G10 C25, C53.