Machine learning and applications : New models to predict the bankruptcy of banks (Apprentissage automatique et applications : nouveaux modèles pour prédire la faillite des banques ) Le, Hong Hanh - (2018-11-21) / Universite de Rennes 1 Machine learning and applications : New models to predict the bankruptcy of banks Accéder au document :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion...

Langue : Anglais Directeur(s) de thèse:  Viviani, Jean-Laurent Discipline : Sciences de gestion Laboratoire :  CREM Ecole Doctorale : Sciences économiques et sciences de gestion Classification : Economie Mots-clés : Banque, Faillite, Extraction de texte, Apprentissage automatique Évaluation du risque Banques -- Faillites  - Modèles mathématiques Apprentissage automatique

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. Abstract : The thesis consists of six chapters. Each chapter can be read independently of the others, but all six chapters share the thesis’s overall topic: Using Machine learning techniques to predict, explain and prevent the failure of banks. Chapter 1 summarizes the motivation and contribution of the thesis. Chapter 2 introduces a global review of the literature. Chapter 3 compares the accuracy of two approaches: traditional statistical techniques and machine learning techniques, which attempt to predict bank failure. Chapter 4 investigates the material loss review published by the Federal Deposit Insurance Corporation on the U.S. failed banks from 2008 to 2015 using text mining techniques. Chapter 5 investigates the efficiency of loan loss provision of large US banks via Data Envelopment Analysis and Neural networks. Chapter 6 remarks the main finding and discusses directions for future research.