KNOXVILLE, TN, 13 décembre 2025 /24-7PressRelease/ -- Des chercheurs de la BI Norwegian Business School et de la NHH Norwegian School of Economics ont développé un nouveau modèle comportemental de risque de crédit qui intègre les transactions de crédit et de débit. Ce modèle surpasse significativement les méthodes d'apprentissage automatique de pointe pour prédire les défauts de paiement sur carte de crédit et offre une vision plus claire des facteurs comportementaux à l'origine des problèmes de remboursement.

Une nouvelle étude publiée dans The Journal of Finance and Data Science montre que la combinaison des données de carte de crédit avec les transactions de débit des clients améliore considérablement la capacité à prédire les défauts de paiement sur carte de crédit. L'équipe de recherche, composée de Håvard Huse (BI Norwegian Business School), Sven A. Haugland (NHH) et Auke Hunneman (BI), a développé un modèle comportemental bayésien hiérarchique qui surpasse systématiquement les principaux algorithmes d'apprentissage automatique tels que XGBoost, GBM, les réseaux neuronaux et les ensembles empilés.

« Les données de crédit seules ne donnent qu'une image partielle de la situation financière d'un client », explique le premier auteur Håvard Huse. « En intégrant les transactions de débit, nous obtenons un aperçu des dépenses à la paie, du comportement de remboursement et des modèles de revenus – des facteurs qui influencent fortement le risque qu'une personne manque un paiement. »

L'étude s'appuie sur des données détaillées de transactions de crédit et de débit provenant d'une grande banque norvégienne. Les modèles traditionnels de risque de crédit reposent fortement sur des agrégats mensuels tels que le solde et la limite de crédit, mais ces mesures ne révèlent pas comment les clients gèrent réellement leurs finances au quotidien. « En capturant les dynamiques comportementales – comme l'évolution des modèles de remboursement dans le temps et les pics de dépenses après la paie – le nouveau modèle explique à la fois pourquoi les défauts de paiement se produisent et qui est susceptible de faire défaut. » Partage Huse.

Le modèle améliore également la précision des prédictions au niveau individuel et identifie des segments comportementaux distincts avec différentes « longueurs de mémoire » – la mesure dans laquelle les états financiers passés affectent le comportement de remboursement actuel. « Les clients en difficulté financière ont tendance à être plus influencés par le comportement des mois précédents, et notre modèle capture cette dynamique bien mieux que les outils d'apprentissage automatique standard », note le co-auteur Auke Hunneman.

Notamment, l'approche de l'équipe est non seulement plus performante que les algorithmes de pointe, mais elle est aussi plus interprétable. « Les banques ont non seulement besoin de prédictions précises – elles doivent aussi comprendre quels modèles comportementaux génèrent le risque », ajoute Hunneman.

Les auteurs illustrent également la valeur pratique de leur modèle. En utilisant un horizon de prédiction de trois mois, la détection précoce des titulaires de carte à risque pourrait générer des économies substantielles en permettant une intervention rapide et en réduisant les pertes. « Pour les banques, il s'agit plus qu'une amélioration de la précision – c'est un moyen d'aider proactivement les clients à éviter de graves problèmes financiers », déclare le co-auteur Sven A. Haugland.

Les résultats mettent en lumière un changement émergent dans le scoring de crédit : des modèles statiques traditionnels vers des analyses comportementales plus riches basées sur une image complète des transactions des clients.

Références
DOI
10.1016/j.jfds.2025.100166

URL de la source originale
https://doi.org/10.1016/j.jfds.2025.100166

Informations sur le financement
Cette recherche n'a reçu aucun financement externe spécifique.

À propos du Journal of Finance and Data Science (JFDS)
The Journal of Finance and Data Science (JFDS) est la principale revue interdisciplinaire sur la finance et la science des données, fournissant des analyses détaillées des fondements théoriques et empiriques et de leurs applications en économie financière.

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, ancré dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées de la conception à la réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.