Méthodes d'apprentissage statistique pour l'analyse prédictive du risque de crédit et l'optimisation de portefeuille
FR |
EN
Auteur / Autrice : | Bruno Belucci teixeira |
Direction : | Vincent Rivoirard, Karim Lounici, Katia Muller meziani |
Type : | Projet de thèse |
Discipline(s) : | Sciences |
Date : | Inscription en doctorat le 28/04/2022 |
Etablissement(s) : | Université Paris sciences et lettres |
Ecole(s) doctorale(s) : | SDOSE Sciences de la Décision, des Organisations, de la Société et de l'Echange |
Partenaire(s) de recherche : | Laboratoire : Centre de recherche en mathématiques de la décision (Paris) |
établissement opérateur d'inscription : Université Paris Dauphine-PSL (1968-....) |
Résumé
FR |
EN
L'objectif de la thèse est de développer des techniques de Deep Learning pour construire des modèles prédictifs du risque de crédit permettant le calcul d'une probabilité de défaut économique sur mesure. Celle-ci sera utilisée afin de quantifier l'écart aux valeurs réglementaires, ce que permettra la mise en place de « Early Warning Signals » et l'optimisation des prix des divers produits financiers. Les techniques que seront développés au long de la thèse porteront sur une solution Deep Learning pour des données tabulaires en incorporant des données textuelles.