Apprentissage automatique et applications : nouveaux modèles pour prédire la faillite des banques
Auteur / Autrice : | Hong Hanh Le |
Direction : | Jean-Laurent Viviani |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences de gestion |
Date : | Soutenance le 21/11/2018 |
Etablissement(s) : | Rennes 1 |
Ecole(s) doctorale(s) : | École doctorale Sciences économiques et sciences de gestion (Rennes) |
Partenaire(s) de recherche : | ComuE : Université Bretagne Loire (2016-2019) |
Laboratoire : Centre de recherche en économie et management (Rennes ; Caen ; 2004-....) | |
Jury : | Président / Présidente : Michael Dempsey |
Examinateurs / Examinatrices : Jean-Laurent Viviani, Michael Dempsey, Laurent Weill, Thi Le Hoa Vo | |
Rapporteurs / Rapporteuses : Michael Dempsey, Laurent Weill |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
La thèse se compose de six chapitres. Chaque chapitre peut être lu indépendamment des autres, mais les six chapitres partagent le thème général de la thèse : L’utilisation de techniques d'apprentissage automatique pour prédire, expliquer et prévenir les défaillances des banques. Le chapitre 1 résume les motivations et les contributions de la thèse. Le chapitre 2 présente la revue de la littérature scientifique. Le chapitre 3 compare la précision de deux approches qui tentent de prédire la défaillance des banques : les techniques statistiques traditionnelles et les techniques d'apprentissage automatique. Le chapitre 4 examine examen des pertes matérielles publiés par la Federal Deposit Insurance Corporation sur les banques américaines en faillite de 2008 à 2015 à l’aide de techniques de text mining. Le chapitre 5 examine l'efficacité de la provision pour pertes sur prêts des grandes banques américaines par le biais de l'analyse des enveloppes de données et des réseaux de neurones. Le chapitre 6 commente les principaux résultats et discute des orientations pour les recherches futures.