Credit risk assessment with PySpark

LendingClub est une entreprise pionnière dans le secteur des services financiers, dont le siège social est situé à San Francisco, en Californie. Elle a réalisé plusieurs réalisations notables dans l'industrie, telles que l'enregistrement de ses offres en tant que titres auprès de la Securities and Exchange Commission (SEC) et l'introduction d'un marché secondaire pour la négociation de prêts. À son apogée, LendingClub était la plus grande plateforme de prêt entre pairs au monde, facilitant des prêts allant de 1 000 à 40 000 dollars, généralement sur une période de trois ans. Les investisseurs pouvaient examiner et sélectionner des prêts en fonction des détails des emprunteurs, de la note de crédit des prêts et de leur objectif, en percevant des intérêts sur leurs investissements. LendingClub générait des revenus grâce aux frais facturés aux emprunteurs et aux frais de service perçus auprès des investisseurs.

En 2014, elle a réalisé la plus grande introduction en bourse technologique aux États-Unis, levant 1 milliard de dollars. Cependant, LendingClub a rencontré des défis en 2016, notamment des difficultés à attirer des investisseurs, un scandale lié aux prêts, ce qui a entraîné une chute significative de la valeur de ses actions et la démission du PDG Renaud Laplanche.

En 2020, LendingClub a acquis Radius Bank et a décidé de mettre fin à sa plateforme de prêt entre particuliers.

Introduction

Lending Club a accumulé une vaste base de données concernant les emprunteurs, leurs profils financiers et les résultats de leurs demandes de prêt. Le jeu de données utilisé dans ce projet contient des données liées aux prêts acceptés, couvrant la période de 2007 au quatrième trimestre de 2018.

Objectif

Le projet vise à développer un modèle prédictif, basé sur les données historiques de remboursement de prêts, pour attribuer une note de risque et prévoir si un individu remboursera intégralement son prêt, fera défaut sur le prêt ou aura un paiement en retard. Ce projet utilise des techniques d'apprentissage automatique pour créer des modèles de régression et classification, analysant les motifs et les facteurs qui contribuent au comportement de remboursement des prêts, et contribuant ainsi à l'évaluation du risque de crédit et aux décisions de prêt.

Applications business

La thématique du projet revêt une importance significative dans le domaine financier et bancaire, offrant des informations précieuses et des avantages à plusieurs parties prenantes :

Institutions de prêt : Les prêteurs peuvent utiliser le modèle prédictif pour prendre des décisions de prêt plus éclairées et basées sur les données. En évaluant avec précision la solvabilité des demandeurs, ils peuvent minimiser les risques de défaut et optimiser leurs stratégies de prêt. Cela se traduit par de meilleures performances de portefeuille et des pertes financières réduites.

Emprunteurs : Les emprunteurs bénéficient d'un accès équitable et équitable aux opportunités de crédit. Un modèle d'évaluation de crédit robuste garantit que les personnes méritantes ne se voient pas refuser injustement des prêts en fonction d'évaluations de risques inexactes. Cela favorise l'inclusion financière et l'accès au capital pour la croissance personnelle et commerciale.

Gestion des risques : Le projet contribue à une gestion efficace des risques dans l'industrie du prêt. En classant avec précision les emprunteurs dans des catégories de remboursement, il aide les prêteurs à identifier de manière proactive les défauts potentiels et à mettre en œuvre des stratégies d'atténuation des risques.

Stabilité financière : Des pratiques de prêt saines, basées sur une évaluation précise des risques, contribuent à la stabilité générale du secteur financier. Éviter les défauts excessifs contribue à maintenir la santé des institutions de prêt, ce qui profite finalement à l'économie dans son ensemble.

Aide à la décision : Le modèle prédictif peut servir d'outil d'aide à la décision pour les agents de prêt et les souscripteurs. Il leur fournit des informations basées sur les données pour compléter leur expertise, ce qui se traduit par des décisions de prêt plus cohérentes et fiables.

Automatisation et efficacité : L'automatisation de l'évaluation du risque de crédit grâce à des modèles d'apprentissage automatique rationalise le processus de prêt. Cela peut entraîner des approbations de prêts et des décaissements plus rapides, améliorant ainsi l'expérience globale des clients.