Retour

Prédiction de Faillite d'Entreprises

Machine LearningSMOTEXGBoostLightGBMSHAP

Objectifs

Fournir un système d'alerte précoce pour les banques et investisseurs en identifiant les signaux avant-coureurs de défaut. L'objectif est de prédire les faillites à partir d'indicateurs clés (ROA, endettement, liquidité) dans un contexte macroéconomique historique de crises.

Méthodes & Analyse

Gérer un déséquilibre de données critique (seulement 3.23% de faillites sur 6 819 observations) en utilisant SMOTE. Il a fallu analyser 95 variables financières couvrant les crises de 1999-2009 et privilégier la haute interprétabilité avec SHAP pour les décideurs (CRO).

Mon Rôle

Quantitative Risk Consultant

Résultats & Commentaires

Performance exceptionnelle (ROC-AUC > 0.90) atteinte avec des modèles d'Ensemble (XGBoost, LightGBM). L'analyse a prouvé que les ratios d'endettement et les métriques de Cash Flow sont les indicateurs de stress les plus prédictifs, surpassant les facteurs macro globaux.

Voir le Projet