Dans le monde actuel des nouvelles technologies, il est facile de comprendre en quoi les innovations numériques touchent notre vie personnelle. Nous pouvons faire nos courses en passant une simple commande vocale, laisser des pourboires avec notre téléphone ou demander un prêt en ligne du fond de notre canapé. Moins évidentes sont les manières dont la science des données et l'analyse numérique ont transformé les méthodes utilisées par certains gérants d'actifs pour analyser les risques et générer des rendements.
Sauf que... l'objectif de l'analyse des risques n'est pas d'éviter les risques. Au contraire, pour générer des rendements positifs par rapport à la trésorerie, il est nécessaire d'en prendre certains. La tâche principale d'un gérant obligataire consiste à distinguer les risques plus susceptibles d'être rentables pour les investisseurs de ceux qui ne le seront probablement pas. Dans cet article, nous examinons comment les techniques de machine learning parviennent à mesurer les risques des prêts à la consommation et au logement, pour nous aider à identifier les risques de crédit qui, selon nous, valent la peine d'être pris.