Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/175210 |
Resumo: | Após a crise financeira mundial de 2008, a análise de risco de crédito ganhou maior importância quando comparado a momentos anteriores. A predição do risco da concessão de crédito, chamado credit scoring, pode ser realizada através de métodos estatísticos multivariados específicos para tal situação. Dentro deste cenário, este trabalho tem como objetivo avaliar o método proposto em Kahmann et al. (2017) em um problema de credit scoring, de forma a identificar os atributos que melhor discriminam bons e maus clientes. Testando suas premissas em dois bancos de dados públicos de credit scoring, o subconjunto de variáveis selecionadas conduziu a melhores classificações quando comparado ao banco de dados completo. Complementarmente, quando comparados a outros estudos da área obteve piores classificações quando utilizado o banco de dados com desbalanço entre as observações das duas classes e a melhores classificações quando o banco de dados contém quantidades semelhantes de observações em cada classe. Tais resultados indicam que, sob as devidas condições, o método possui aplicabilidade em problemas de credit scoring. |
id |
UFRGS-2_fbf93a7861a6a003763b846edd061da6 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/175210 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Kahmann, AlessandroWerner, Liane2018-05-01T02:26:36Z2018http://hdl.handle.net/10183/175210001064948Após a crise financeira mundial de 2008, a análise de risco de crédito ganhou maior importância quando comparado a momentos anteriores. A predição do risco da concessão de crédito, chamado credit scoring, pode ser realizada através de métodos estatísticos multivariados específicos para tal situação. Dentro deste cenário, este trabalho tem como objetivo avaliar o método proposto em Kahmann et al. (2017) em um problema de credit scoring, de forma a identificar os atributos que melhor discriminam bons e maus clientes. Testando suas premissas em dois bancos de dados públicos de credit scoring, o subconjunto de variáveis selecionadas conduziu a melhores classificações quando comparado ao banco de dados completo. Complementarmente, quando comparados a outros estudos da área obteve piores classificações quando utilizado o banco de dados com desbalanço entre as observações das duas classes e a melhores classificações quando o banco de dados contém quantidades semelhantes de observações em cada classe. Tais resultados indicam que, sob as devidas condições, o método possui aplicabilidade em problemas de credit scoring.After the world financial crisis in 2008, the credit scoring gained more importance when compared to previous moments. The credit concession risk prediction can be made by suited multivariate statistical methods, specific to such situation. In such scenario, this paper aims to evaluate the method proposed in Kahmann et al. (2017) in a credit scoring problem, in order to identify the features that better discriminate good and bad clients. Testing its premises in two public credit scoring datasets, the selected subset of variables provided better classification when compared to the full dataset. Complementarily, when compared to other studies in the field the method provides worst results when the dataset presents unbalance between the number of observations in each class and better results when the data set has similar number of observations in each class. Such results indicates that under the right circumstances the method can be used in credit scoring problems.application/pdfporSeleção de variáveisMétodos quantitativosCredit scoringVariable selectionQuantitative methodsAvaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoringinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de Matemática e EstatísticaPorto Alegre, BR-RS2018Estatística: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL001064948.pdf001064948.pdfTexto completoapplication/pdf1620169http://www.lume.ufrgs.br/bitstream/10183/175210/1/001064948.pdf7415f1cd1c1f3148d2721ac945113d57MD51TEXT001064948.pdf.txt001064948.pdf.txtExtracted Texttext/plain100552http://www.lume.ufrgs.br/bitstream/10183/175210/2/001064948.pdf.txtdf9148173786c129d960ecc9915d3729MD52THUMBNAIL001064948.pdf.jpg001064948.pdf.jpgGenerated Thumbnailimage/jpeg1413http://www.lume.ufrgs.br/bitstream/10183/175210/3/001064948.pdf.jpg164e8e1913ff0257fce04f59bc8c2200MD5310183/1752102018-10-29 09:08:45.427oai:www.lume.ufrgs.br:10183/175210Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2018-10-29T12:08:45Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring |
title |
Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring |
spellingShingle |
Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring Kahmann, Alessandro Seleção de variáveis Métodos quantitativos Credit scoring Variable selection Quantitative methods |
title_short |
Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring |
title_full |
Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring |
title_fullStr |
Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring |
title_full_unstemmed |
Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring |
title_sort |
Avaliação de uma metodologia de seleção de variáveis multicriterial no ambiente de credit scoring |
author |
Kahmann, Alessandro |
author_facet |
Kahmann, Alessandro |
author_role |
author |
dc.contributor.author.fl_str_mv |
Kahmann, Alessandro |
dc.contributor.advisor1.fl_str_mv |
Werner, Liane |
contributor_str_mv |
Werner, Liane |
dc.subject.por.fl_str_mv |
Seleção de variáveis Métodos quantitativos |
topic |
Seleção de variáveis Métodos quantitativos Credit scoring Variable selection Quantitative methods |
dc.subject.eng.fl_str_mv |
Credit scoring Variable selection Quantitative methods |
description |
Após a crise financeira mundial de 2008, a análise de risco de crédito ganhou maior importância quando comparado a momentos anteriores. A predição do risco da concessão de crédito, chamado credit scoring, pode ser realizada através de métodos estatísticos multivariados específicos para tal situação. Dentro deste cenário, este trabalho tem como objetivo avaliar o método proposto em Kahmann et al. (2017) em um problema de credit scoring, de forma a identificar os atributos que melhor discriminam bons e maus clientes. Testando suas premissas em dois bancos de dados públicos de credit scoring, o subconjunto de variáveis selecionadas conduziu a melhores classificações quando comparado ao banco de dados completo. Complementarmente, quando comparados a outros estudos da área obteve piores classificações quando utilizado o banco de dados com desbalanço entre as observações das duas classes e a melhores classificações quando o banco de dados contém quantidades semelhantes de observações em cada classe. Tais resultados indicam que, sob as devidas condições, o método possui aplicabilidade em problemas de credit scoring. |
publishDate |
2018 |
dc.date.accessioned.fl_str_mv |
2018-05-01T02:26:36Z |
dc.date.issued.fl_str_mv |
2018 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/175210 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001064948 |
url |
http://hdl.handle.net/10183/175210 |
identifier_str_mv |
001064948 |
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 |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/175210/1/001064948.pdf http://www.lume.ufrgs.br/bitstream/10183/175210/2/001064948.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/175210/3/001064948.pdf.jpg |
bitstream.checksum.fl_str_mv |
7415f1cd1c1f3148d2721ac945113d57 df9148173786c129d960ecc9915d3729 164e8e1913ff0257fce04f59bc8c2200 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224548699340800 |