O poder preditivo dos modelos com aprendizado de máquina é superior aos modelos tradicionais para análise do risco de crédito?

• Autor(a) principal: Pinto, Alex Cerqueira
• Data de Publicação: 2020
• Outros Autores: Carvalho, Alexandre Xavier Ywata de
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional do IDP
• Texto Completo: https://repositorio.idp.edu.br//handle/123456789/3083
• topic: Risco de crédito; Aprendizado de máquina; Indicadores financeiros; Modelo

O objetivo desse trabalho foi desenvolver e analisar, para o risco de crédito, se modelos com uso de aprendizado de máquina apresentam melhor poder preditivo comparado aos tradicionais e aplicar técnicas de interpretabilidade ao de melhor performance. A metodologia adotada corresponde a pesquisa empírica econométrica com o uso das técnicas de aprendizado supervisionado. O público-alvo foram empresas do segmento atacado. Para as variáveis do modelo foram utilizados indicadores econômicos e financeiros, retirados das demonstrações contábeis das empresas, e também variáveis macroeconômicas. Os resultados indicam que o modelo de melhor capacidade preditiva foi o XGBoost, com curva ROC de 0.99 e acurácia de 0.98, na base teste. Na análise de interpretabilidade, via sharp value, os resultados corroboram o sentido econômico das variáveis. Do mesmo modo, a interpretabilidade via interações mostrou a influência da interação entre variáveis para melhora preditiva do modelo. Estes resultados corroboram a tendência de crescimento do uso de modelos com técnicas de machine learning na área econômica.