Améliorer l'évaluation du risque de crédit dans le prêt P2P

Le prêt entre particuliers (P2P) est une façon pour les gens de prêter et emprunter de l'argent directement via des plateformes en ligne. Ça connecte les emprunteurs qui ont besoin de prêts avec des prêteurs qui veulent investir leur argent. Mais le prêt P2P a un souci : l'asymétrie d'information. Ça veut dire que souvent, les prêteurs n'ont pas assez d'infos pour bien évaluer la probabilité que les emprunteurs remboursent leurs prêts.

Cet article propose une nouvelle solution à ce souci. On explore comment utiliser les descriptions écrites que les emprunteurs fournissent en demandant des prêts pour créer un indicateur de risque. En analysant ces descriptions avec un type d'intelligence artificielle appelé Modèle de Langage Large (LLM), on peut potentiellement améliorer la façon dont les prêteurs évaluent le risque.

#Risque de crédit dans le prêt P2P

Dans le prêt entre particuliers, les emprunteurs fournissent souvent des infos supplémentaires sur leurs demandes de prêt à travers des récits personnels ou des descriptions. Ces récits peuvent aider les prêteurs à comprendre l'objectif du prêt et la situation de l'emprunteur. Pourtant, les modèles de risque traditionnels n'exploitent pas cette info supplémentaire. Ils s'appuient surtout sur des données quantitatives comme les scores de crédit et les niveaux de revenus.

Certains chercheurs ont essayé d'inclure des données textuelles dans les modèles de risque de crédit. Ils ont regardé différentes méthodes, comme l'analyse du langage utilisé dans ces descriptions, pour extraire des caractéristiques utiles. Ces caractéristiques peuvent aider à comprendre les intentions de l'emprunteur et la probabilité de remboursement du prêt.

Malgré les efforts précédents, beaucoup d'études se sont appuyées sur des techniques de traitement de la langue simples. Ça a conduit à rater des opportunités pour capter la richesse de l'info disponible dans les récits des emprunteurs.

#Utilisation des Modèles de Langage Large

Les Modèles de Langage Large sont un type d'intelligence artificielle conçu pour comprendre et générer le langage humain. Ils fonctionnent en traitant de grandes quantités de texte pour apprendre des motifs et des relations entre les mots. L'un des modèles les plus connus s'appelle BERT, ce qui signifie Représentations d'Encodeurs Bidirectionnels à partir de Transformateurs. BERT est particulièrement bon pour comprendre le contexte dans lequel les mots sont utilisés dans les phrases.

Dans notre étude, on va utiliser BERT pour analyser les descriptions textuelles des prêts afin de créer un score de risque, indiquant la probabilité qu'un emprunteur fasse défaut sur ses remboursements. BERT peut saisir des nuances subtiles dans le langage et le contexte des descriptions, ce qui peut aider à améliorer l'évaluation des risques.

#Collecte de données

Notre recherche est basée sur un ensemble de données disponible au public de la société de prêt P2P Lending Club. Cet ensemble de données inclut des prêts faits entre 2007 et 2018 et contient diverses informations, comme le revenu de l'emprunteur, le montant du prêt demandé, le score de crédit et la description textuelle fournie par l'emprunteur.

Pour concentrer notre analyse, on ne considère que les prêts avec des résultats connus - ceux qui ont été remboursés en totalité ou qui ont fait défaut. On filtre aussi les prêts qui n'incluent pas de descriptions textuelles, ce qui nous laisse avec un ensemble de données de plus de 119 000 prêts.

#Exploration des données

Avant de plonger dans la modélisation, on a fait une analyse exploratoire des données pour mieux comprendre l'ensemble. Ça a impliqué de regarder la distribution des données quantitatives, comme les niveaux de revenu et les scores de crédit, ainsi que des données catégorielles comme les objectifs des prêts.

#Analyse quantitative

Grâce à notre analyse, on a trouvé plusieurs tendances clés :

• Les prêts en défaut ont généralement des niveaux de revenu et des scores de crédit plus bas.
• Les emprunteurs qui font défaut ont tendance à demander des montants de prêt plus élevés et ont des niveaux d'endettement plus élevés.

Ces infos indiquent que certaines mesures numériques peuvent servir d'indicateurs importants pour évaluer le risque.

#Analyse catégorielle

Quand on a examiné des variables catégorielles comme l'objectif du prêt et le statut de propriété, on a vu des différences significatives dans les taux de défaut à travers les catégories. Par exemple, les prêts "petite entreprise" avaient un taux de défaut particulièrement élevé comparé aux prêts "voiture".

L'analyse des données catégorielles renforce notre compréhension des facteurs de risque associés à différents types de prêts.

#Analyse textuelle

Ensuite, on a regardé les descriptions textuelles fournies par les emprunteurs. On a calculé des métriques comme le nombre moyen de mots, la lisibilité, le sentiment et la subjectivité. Même si les différences entre les prêts en défaut et ceux qui ne l'étaient pas étaient subtiles, elles ont quand même donné des preuves que les caractéristiques textuelles pouvaient être liées à la solvabilité.

#Méthodologie

Notre objectif est de créer un modèle de risque de crédit qui inclut des scores de risque générés par BERT. On va améliorer un modèle d'évaluation de risque traditionnel en ajoutant un score issu des descriptions textuelles.

#Entraînement du modèle

On va appliquer un algorithme d'apprentissage machine populaire, appelé XGBoost, qui est efficace pour gérer des données structurées. Cet algorithme sera entraîné en utilisant une combinaison de variables quantitatives (comme le revenu et le score de crédit) et le score BERT supplémentaire.

#Génération des scores BERT

Pour générer les scores BERT, on va peaufiner le modèle spécifiquement pour notre tâche. Ce processus implique d'entraîner BERT sur nos données de description de prêt pour qu'il apprenne à prédire si un prêt fera défaut en fonction de la description de l'emprunteur.

#Prévention de la fuite de données

Il est crucial d'éviter la fuite de données, qui se produit lorsque des informations de l'ensemble de test sont involontairement utilisées dans le processus d'entraînement. On va s'assurer que pendant l'entraînement, aucune info de l'ensemble de validation n'est utilisée, permettant une évaluation plus précise de la performance du modèle.

#Résultats

Après avoir entraîné notre modèle, on évaluera sa performance en utilisant diverses métriques. L'un des objectifs principaux est de déterminer si l'ajout du score BERT mène à une meilleure prédiction du risque.

#Analyse du score BERT

On va analyser comment les scores BERT se corrèlent avec des facteurs de risque traditionnels comme le revenu et les scores de crédit. On s'attend à ce que des scores BERT plus élevés indiquent un plus grand risque de défaut, soutenant l'utilité de cette nouvelle approche.

#Comparaison de la performance du modèle

On va comparer la performance de notre modèle de base (qui utilise seulement des variables traditionnelles) avec le modèle amélioré (qui inclut le score BERT). On anticipe que le modèle amélioré montrera une meilleure précision prédictive.

#Importance des caractéristiques

En plus d'évaluer la performance du modèle, on va aussi regarder l'importance de diverses caractéristiques utilisées dans notre modèle. Grâce à des techniques comme les valeurs SHAP, on peut visualiser combien chaque variable, y compris le score BERT, influence les prédictions du modèle.

#Implications pour l'évaluation des risques

Nos conclusions ont des implications notables sur la façon dont les prêteurs évaluent le risque de crédit. En intégrant des insights provenant des récits des emprunteurs, les prêteurs peuvent prendre des décisions éclairées basées sur une meilleure compréhension des profils de risque individuels.

Cette approche a le potentiel d'améliorer la transparence dans le prêt, aidant les emprunteurs à obtenir des prêts qui reflètent mieux leurs situations.

#Recherche future potentielle

Enfin, on discutera des futures directions de recherche pour continuer à améliorer l'évaluation du risque de crédit. Explorer des modèles de langage plus avancés, combiner l'analyse linguistique avec des modèles traditionnels, ou utiliser des techniques d'IA générative plus récentes pourrait conduire à des résultats encore meilleurs.

#Conclusion

Pour conclure, notre recherche met en avant l'importance d'intégrer des techniques de traitement du langage naturel dans l'évaluation du risque de crédit. En utilisant des modèles de langage avancés comme BERT, on peut analyser les descriptions de prêts pour générer des indicateurs de risque précieux. Cette approche innovante a le potentiel d'améliorer significativement la précision et l'efficacité des modèles de risque de crédit dans le prêt entre particuliers et au-delà.