Contexte :  Simulation Professionnelle pour le compte de JPMorgan Chase & Co.

Développer un modèle prédictif permettant d’estimer la probabilité de défaut (PD) des clients sur des prêts à la consommation, en s’appuyant sur les caractéristiques clients et l’historique de comportement de remboursement. L’objectif est de permettre à la banque de calibrer ses provisions pour pertes et d’anticiper les risques financiers.

Cette solution vise à résoudre plusieurs problématiques clés :

• Hausse inattendue des défauts : Les taux de défauts constatés dépassent les prévisions initiales.
• Manque d’outils prédictifs : Les évaluations actuelles du risque client reposent sur des règles statiques, peu adaptées aux évolutions économiques et comportementales.
• Nécessité de conformité réglementaire : Les banques doivent démontrer qu’elles disposent de modèles fiables pour estimer les pertes attendues et constituer les provisions correspondantes.

Approche AURYCS : 

          1. Centralisation, préparation des données et EDA

• Intégrer le fichier des emprunteurs contenant les données démographiques, financières et historiques de remboursement.
• Nettoyer et formater les données pour assurer leur cohérence (gestion des valeurs manquantes, homogénéisation des formats, détection d’anomalies).
• Examiner les variables disponibles : revenus, montant des prêts en cours, historique de défaut, etc.
• Identifier les corrélations et indicateurs clés du risque.

          2. Modélisation de la probabilité de défaut

• Sélectionner et entraîner un modèle statistique (régression logistique, arbre de décision).
• Tester plusieurs méthodes et comparer leurs performances.

           3. Calcul de la perte attendue 

• Intégrer le taux de recouvrement (Recovery Rate) fixé à 10%.
• Calculer la perte attendue :    EL = PD × EAD × (1 – Recovery Rate)
  (EAD = Exposure at Default, c’est-à-dire le montant dû au moment du défaut).

         4. Généralisation du modèle

• Créer une fonction Python capable de prendre en entrée les caractéristiques d’un emprunteur et de renvoyer la probabilité de défaut et la perte attendue

           5. Documentation et transfert

• Produire un guide explicatif pour permettre au département risque d’utiliser et ajuster le modèle.

Livrables :

•  Script Python prêt à l’emploi pour prédire PD et Pertes attendues
• Fichier de résultats sur l’échantillon fourni
• Documentation simplifiée pour les équipes métier

Périmètre technique :

• Langage : Python 
• Type de modèle : Régression logistique et arbres de décision (comparaison des performances)
• Validation : Séparation train/test, cross-validation et mesure de performance (ROC-AUC, précision, rappel, F1-score)