L'IA peut-elle comprendre un crédit en difficulté ? - Harneet Kaur, Axim Intelligence

하이라이트

• AXM Intelligence développe la couche d'intelligence dédiée à l'investissement dans le crédit en difficulté.

• L'entreprise iHeartMedia a fait faillite en 2018 avant de traverser une autre opération de stress en 2024.

• L'utilisation d'un processus de raisonnement structuré permet aux modèles d'intelligence artificielle de converger vers des visions similaires de l'avenir d'une entreprise.

타임라인

1. 00:00 - 03:33

   Définition et complexité du crédit en difficulté

   Le crédit représente une obligation ou un prêt émis par une entreprise, à l'instar d'une obligation Coca-Cola. Le stress apparaît lorsqu'un risque compromet la santé financière de la structure. Les issues de cette détresse incluent la faillite, les opérations de gestion du passif ou les restructurations négociées. Historiquement binaire, la prédiction des défauts s'est complexifiée avec la montée du crédit privé et l'inadéquation des anciens modèles statistiques face aux évolutions rapides du marché.

   • Le crédit en difficulté désigne une situation où une entreprise présente un risque sous-jacent de manquer d'argent ou de ne pas pouvoir rembourser sa dette.
   • Les difficultés proviennent de facteurs cycliques, opérationnels ou de perturbations séculaires telles que l'intelligence artificielle.
   • Les méthodes traditionnelles comme le score Z d'Altman sont devenues trop statiques face à un marché plus opaque et changeant.
2. 03:33 - 08:11

   Analyse comparative des modèles et désaccord initial

   L'analyse humaine implique d'étudier les états financiers, les documents de crédit et le point de vue des prêteurs, un travail lourd et non scalable. Pour évaluer la capacité prédictive des intelligences artificielles, l'étude du cas réel d'iHeartMedia, passée par une faillite en 2018 et des difficultés en 2024, montre que les modèles avancés n'aboutissent pas aux mêmes conclusions sur les issues futures lorsqu'on les interroge directement.

   • L'évaluation qualitative traditionnelle du crédit en difficulté s'avère manuelle et difficile à mettre à l'échelle.
   • L'analyse de l'entreprise iHeartMedia par différents modèles d'intelligence artificielle révèle des désaccords initiaux sur les probabilités d'avenir.
   • Astra et Opus divergent quant à la probabilité respective d'une restructuration négociée ou d'une faillite en l'absence de vérité terrain.
3. 08:11 - 14:06

   Processus de raisonnement structuré et convergence des modèles

   Chaque couche d'analyse comporte des risques d'erreur, depuis l'extraction des données financières brutes jusqu'au calcul de l'effet de levier et au jugement final. En structurant rigoureusement chaque étape de ce raisonnement, les divergences initiales entre les modèles s'estompent au profit d'une vision unifiée, évaluant par exemple la probabilité de faillite à vingt-cinq pour cent tout en privilégiant la restructuration négociée.

   • L'architecture de l'évaluation repose sur des couches successives comprenant l'extraction des données, la réconciliation, le jugement et enfin la prédiction.
   • La mise en place d'un processus de raisonnement structuré amène les différents modèles d'intelligence artificielle à converger vers les mêmes probabilités futures.
   • La convergence des résultats probabilistes par un processus systématique reproduit la notion de prix sur un marché financier.