La prédiction de la faillite : essai par le modèle d’Altman et par le modèle IA des machines à vecteur de support

Abstract

Les modèles de prévision de la faillite ont subi un grand changement du fait de l’intégration de l’intelligence artificielle aux méthodes de prédiction. En effet, doté d’une capacité d’apprentissage et d’une puissance de calcul, l’I.A a permis le passage des modèles classiques (Z-score d’Altman, Ohlson …) utilisant des bases de données limitées à des modèles puissants et flexibles qui peuvent résoudre des problèmes complexes en apprentissage automatique. Ces modèles, en général issus de théorèmes mathématiques connus tels que les arbres de CART ou la théorie des ensembles, une fois combinés à des algorithmes d’apprentissage (supervisés ou non), ont permis d’améliorer la performance des prédictions.  Bien qu'ils nécessitent de grandes quantités de données et une puissance de calcul importante, ces modèles sont de plus en plus utilisés dans la prédiction de séries temporelles et dans la construction des arbres de décision. Contrairement à la majorité de ces modèles qui utilisent des techniques comme le bagging, le boosting ou la régression, les SVM sont utilisées essentiellement dans le clustering à travers la recherche d’un hyper-plan optimal séparant un groupe de données ou dans notre cas séparant un groupe d’entreprises mais peuvent être aussi utilisées dans la régression.

Mots clés : Prédiction ; Faillite ; Z-score ; I.A ; SVM