Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados
Autor(a) principal: | |
---|---|
Data de Publicação: | 2010 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/2191 |
Resumo: | A mitigação de riscos é uma das grandes preocupações das empresas da área financeira. Dispor de ferramentas que possam sinalizar possíveis ocorrências de perdas e permitam realizar ações no sentido de evitá-las é de grande interesse. A inteligência artificial tem sido empregada na solução dos mais diversos problemas envolvendo processos de tomada de decisão. Este trabalho, apoiado no Ciclo de Vida de Mineração de Dados ou Data Mining Life Cycle (DMLC), analisa o ciclo de um Método de Avaliação do Risco Operacional (MARO) utilizado em bancos. A análise investiga aspectos como processos, profissionais, recursos de armazenamento de dados, fluxos de decisão e iteração entre os elementos envolvidos. Baseado na metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) e em Redes Neurais Artificiais, é proposto um modelo que suporta o método MARO, desenvolvendo um classificador neural para a análise de risco operacional de agências bancárias a partir de um conjunto de indicadores. Os experimentos realizados demonstram a eficiência do modelo proposto com adequações no modelo MARO original e desempenho de classificação que abre perspectivas de utilização da abordagem na análise rápida do risco operacional em bancos. Os principais benefícios são a aceleração das informações sobre o risco operacional, com redução do tempo necessário para geração dos indicativos de risco, o aumento da acurácia na identificação precoce de situações de alto risco e a pró-atividade em evitar perdas financeiras ou desperdício de recursos nos processos de tomada de decisão |
id |
UFPE_b86a23c2f4b1d89e6e9702ebf437aa12 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/2191 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
de Pádua Bezerra da Silva, AntônioCrispim Vasconcelos, Germano 2014-06-12T15:55:19Z2014-06-12T15:55:19Z2010-01-31de Pádua Bezerra da Silva, Antônio; Crispim Vasconcelos, Germano. Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados. 2010. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2010.https://repositorio.ufpe.br/handle/123456789/2191A mitigação de riscos é uma das grandes preocupações das empresas da área financeira. Dispor de ferramentas que possam sinalizar possíveis ocorrências de perdas e permitam realizar ações no sentido de evitá-las é de grande interesse. A inteligência artificial tem sido empregada na solução dos mais diversos problemas envolvendo processos de tomada de decisão. Este trabalho, apoiado no Ciclo de Vida de Mineração de Dados ou Data Mining Life Cycle (DMLC), analisa o ciclo de um Método de Avaliação do Risco Operacional (MARO) utilizado em bancos. A análise investiga aspectos como processos, profissionais, recursos de armazenamento de dados, fluxos de decisão e iteração entre os elementos envolvidos. Baseado na metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) e em Redes Neurais Artificiais, é proposto um modelo que suporta o método MARO, desenvolvendo um classificador neural para a análise de risco operacional de agências bancárias a partir de um conjunto de indicadores. Os experimentos realizados demonstram a eficiência do modelo proposto com adequações no modelo MARO original e desempenho de classificação que abre perspectivas de utilização da abordagem na análise rápida do risco operacional em bancos. Os principais benefícios são a aceleração das informações sobre o risco operacional, com redução do tempo necessário para geração dos indicativos de risco, o aumento da acurácia na identificação precoce de situações de alto risco e a pró-atividade em evitar perdas financeiras ou desperdício de recursos nos processos de tomada de decisãoporUniversidade Federal de PernambucoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessRisco operacionalGestão de riscosBases de dadosRedes neurais artificiaisAnálise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALarquivo2232_1.pdfapplication/pdf2168681https://repositorio.ufpe.br/bitstream/123456789/2191/1/arquivo2232_1.pdf52cce4fca21c1e30911e1184708c64f7MD51LICENSElicense.txttext/plain1748https://repositorio.ufpe.br/bitstream/123456789/2191/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXTarquivo2232_1.pdf.txtarquivo2232_1.pdf.txtExtracted texttext/plain210541https://repositorio.ufpe.br/bitstream/123456789/2191/3/arquivo2232_1.pdf.txt2a5807ca71aac5894ceae70176fb07e5MD53THUMBNAILarquivo2232_1.pdf.jpgarquivo2232_1.pdf.jpgGenerated Thumbnailimage/jpeg1353https://repositorio.ufpe.br/bitstream/123456789/2191/4/arquivo2232_1.pdf.jpg170dcd887364b81a1525a363ffbaee4eMD54123456789/21912019-10-25 02:44:12.607oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T05:44:12Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados |
title |
Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados |
spellingShingle |
Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados de Pádua Bezerra da Silva, Antônio Risco operacional Gestão de riscos Bases de dados Redes neurais artificiais |
title_short |
Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados |
title_full |
Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados |
title_fullStr |
Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados |
title_full_unstemmed |
Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados |
title_sort |
Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados |
author |
de Pádua Bezerra da Silva, Antônio |
author_facet |
de Pádua Bezerra da Silva, Antônio |
author_role |
author |
dc.contributor.author.fl_str_mv |
de Pádua Bezerra da Silva, Antônio |
dc.contributor.advisor1.fl_str_mv |
Crispim Vasconcelos, Germano |
contributor_str_mv |
Crispim Vasconcelos, Germano |
dc.subject.por.fl_str_mv |
Risco operacional Gestão de riscos Bases de dados Redes neurais artificiais |
topic |
Risco operacional Gestão de riscos Bases de dados Redes neurais artificiais |
description |
A mitigação de riscos é uma das grandes preocupações das empresas da área financeira. Dispor de ferramentas que possam sinalizar possíveis ocorrências de perdas e permitam realizar ações no sentido de evitá-las é de grande interesse. A inteligência artificial tem sido empregada na solução dos mais diversos problemas envolvendo processos de tomada de decisão. Este trabalho, apoiado no Ciclo de Vida de Mineração de Dados ou Data Mining Life Cycle (DMLC), analisa o ciclo de um Método de Avaliação do Risco Operacional (MARO) utilizado em bancos. A análise investiga aspectos como processos, profissionais, recursos de armazenamento de dados, fluxos de decisão e iteração entre os elementos envolvidos. Baseado na metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) e em Redes Neurais Artificiais, é proposto um modelo que suporta o método MARO, desenvolvendo um classificador neural para a análise de risco operacional de agências bancárias a partir de um conjunto de indicadores. Os experimentos realizados demonstram a eficiência do modelo proposto com adequações no modelo MARO original e desempenho de classificação que abre perspectivas de utilização da abordagem na análise rápida do risco operacional em bancos. Os principais benefícios são a aceleração das informações sobre o risco operacional, com redução do tempo necessário para geração dos indicativos de risco, o aumento da acurácia na identificação precoce de situações de alto risco e a pró-atividade em evitar perdas financeiras ou desperdício de recursos nos processos de tomada de decisão |
publishDate |
2010 |
dc.date.issued.fl_str_mv |
2010-01-31 |
dc.date.accessioned.fl_str_mv |
2014-06-12T15:55:19Z |
dc.date.available.fl_str_mv |
2014-06-12T15:55:19Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
de Pádua Bezerra da Silva, Antônio; Crispim Vasconcelos, Germano. Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados. 2010. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2010. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/2191 |
identifier_str_mv |
de Pádua Bezerra da Silva, Antônio; Crispim Vasconcelos, Germano. Análise do risco operacional em bancos baseada em redes neurais artificiais e descoberta do conhecimento em bases de dados. 2010. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2010. |
url |
https://repositorio.ufpe.br/handle/123456789/2191 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/2191/1/arquivo2232_1.pdf https://repositorio.ufpe.br/bitstream/123456789/2191/2/license.txt https://repositorio.ufpe.br/bitstream/123456789/2191/3/arquivo2232_1.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/2191/4/arquivo2232_1.pdf.jpg |
bitstream.checksum.fl_str_mv |
52cce4fca21c1e30911e1184708c64f7 8a4605be74aa9ea9d79846c1fba20a33 2a5807ca71aac5894ceae70176fb07e5 170dcd887364b81a1525a363ffbaee4e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310784971177984 |