Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica

Detalhes bibliográficos
Autor(a) principal: Assef, Fernanda Medeiros
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/55079
Resumo: Orientadora: Profª Drª Maria Teresinha Arns Steiner
id UFPR_0efa2f5b6199f17bcd3488bae01bf402
oai_identifier_str oai:acervodigital.ufpr.br:1884/55079
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Scarpin, Cassius Tadeu, 1980-Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de ProduçãoSteiner, Maria Teresinha Arns, 1957-Assef, Fernanda Medeiros2024-04-16T17:19:27Z2024-04-16T17:19:27Z2018https://hdl.handle.net/1884/55079Orientadora: Profª Drª Maria Teresinha Arns SteinerCoorientador: Prof. Dr. Cassius Tadeu ScarpinDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia de Produção. Defesa : Curitiba, 20/02/2018Inclui referênciasResumo: A avaliação de risco de credito propõe um problema clássico de tomada de decisão, onde o mérito de determinado individuo receber (ou não) o credito e baseado em estimativas do potencial de devolução deste credito acrescido pelas taxas bancarias. Desde que foi introduzida na década de 1950, a avaliação de risco tem sido amplamente utilizada. A avaliação do risco pode estar associada ao empréstimo por uma instituição financeira a uma determinada empresa (pessoa jurídica) ou a um individuo (pessoa física). A presente pesquisa visa analisar o primeiro caso: credito bancário concedido a entidades jurídicas (empresas), cujas respostas, já conhecidas por meio de registros históricos, estão divididas em classes, sendo estas: clientes adimplentes (pagam seus empréstimos em dia), inadimplentes (aqueles que não pagam) e temporariamente inadimplentes (clientes que pagam, mas com atraso), com o objetivo de auxiliar a decisão a ser tomada pela analista de determinada instituição financeira quanto a conceder (ou não) o credito a novas empresas solicitantes. Para melhor ilustrar a metodologia aqui utilizada fez-se uso de 5.432 dados (instancias; 2.600 Adimplentes, 1.281 Inadimplentes e 1.551 Temporariamente Inadimplentes), cada um dos quais com 15 atributos, de uma grande instituição bancaria brasileira. A metodologia fez uso dos seguintes métodos: Redes Neurais Artificiais (RNAs), mais especificamente, o modelo o Perceptron de Camada Múltipla (MLP) e as Funções de Base Radial (RBF) e, também, o modelo estatístico de Regressão Logística (RL). Para a implementação das RNAs, o software MATLAB foi utilizado e, para o modelo estatístico, foi utilizado o SPSS. O melhor desempenho foi apresentado o apresentado pelas MLP, cujas melhores acurácias foram de 74,70%; 91,4% e 74,6% para as classes "Adimplentes ou Outra", "Inadimplentes ou Outra" e Temporariamente Inadimplentes ou Outra", respectivamente. Desta forma, para a classificação de um novo cliente, teríamos que aplicar o modelo MLP para as três classes, verificando qual delas fornece o maior valor para a acurácia.Abstract: The credit risk assessment proposes a classic problem of decision making, where the merit of a given individual receives (or not) the credit is based on approximations of the potential for repayment of this credit plus bank fees. Since its introduction in the 1950s, risk assessment has been widely used. The risk assessment may be linked to the lending by a financial institution to a particular company (legal entity) or to an individual (individual). The present study aims at analyzing the first case: bank credit granted to legal entities (enterprises), whose answers, already known through historical records, are divided into classes, which are: clients default (pay their loans on time), defaulters (those who do not pay) and temporarily defaulters (customers who pay but are late), in order to assist the decision to be taken by the analyst of a particular financial institution to grant (or not) the credit to new applicant companies. In order to better illustrate the methodology used, 5,432 data were used (instances: 2,600 Default, 1,281 Defaulters and 1,551 Temporarily Defaulters), each one with 15 attributes, of a large Brazilian banking institution. The methodology used the following methods: Artificial Neural Networks (ANNs), more specifically, the Multiple Layer Perceptron (MLP) and the Radial Base Functions (RBF) model, as well as the Logistic Regression (RL). For the implementation of ANNs, MATLAB software was used and, for the statistical model, SPSS was used. The best performance was presented by the MLP, whose best accuracy was 74.70%; 91.4% and 74.6% for the "Default and Others", "Defaulters and Other" and "Temporarily Defaulters and Other" classes, respectively. Thus, for the classification of a new customer, we would have to apply the MLP model to the three classes, verifying which one provides the highest value for the accuracy.1 recurso online : PDF.application/pdfRedes neurais (Computação)Engenharia de ProduçãoAvaliação de riscosProcesso decisórioAlgoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídicainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - FERNANDA MEDEIROS ASSEF.pdf.pdfapplication/pdf25584785https://acervodigital.ufpr.br/bitstream/1884/55079/1/R%20-%20D%20-%20FERNANDA%20MEDEIROS%20ASSEF.pdf.pdf44f98bda45fa23291742eb770472f819MD51open access1884/550792024-04-16 14:19:27.624open accessoai:acervodigital.ufpr.br:1884/55079Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-04-16T17:19:27Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica
title Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica
spellingShingle Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica
Assef, Fernanda Medeiros
Redes neurais (Computação)
Engenharia de Produção
Avaliação de riscos
Processo decisório
title_short Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica
title_full Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica
title_fullStr Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica
title_full_unstemmed Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica
title_sort Algoritmos de classificação em aplicação financeira : avaliação de risco de crédito para pessoa jurídica
author Assef, Fernanda Medeiros
author_facet Assef, Fernanda Medeiros
author_role author
dc.contributor.other.pt_BR.fl_str_mv Scarpin, Cassius Tadeu, 1980-
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Produção
dc.contributor.advisor1.fl_str_mv Steiner, Maria Teresinha Arns, 1957-
dc.contributor.author.fl_str_mv Assef, Fernanda Medeiros
contributor_str_mv Steiner, Maria Teresinha Arns, 1957-
dc.subject.por.fl_str_mv Redes neurais (Computação)
Engenharia de Produção
Avaliação de riscos
Processo decisório
topic Redes neurais (Computação)
Engenharia de Produção
Avaliação de riscos
Processo decisório
description Orientadora: Profª Drª Maria Teresinha Arns Steiner
publishDate 2018
dc.date.issued.fl_str_mv 2018
dc.date.accessioned.fl_str_mv 2024-04-16T17:19:27Z
dc.date.available.fl_str_mv 2024-04-16T17:19:27Z
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.uri.fl_str_mv https://hdl.handle.net/1884/55079
url https://hdl.handle.net/1884/55079
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/55079/1/R%20-%20D%20-%20FERNANDA%20MEDEIROS%20ASSEF.pdf.pdf
bitstream.checksum.fl_str_mv 44f98bda45fa23291742eb770472f819
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860253191503872

Registros relacionados