Uma sistemática para construção e escolha de modelos de previsão de risco de crédito
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Outros Autores: | |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Gestão & Produção |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0104-530X2009000300007 |
Resumo: | Com o aumento recente nos volumes de créditos a pessoas físicas e, por consequência, nos índices de inadimplência, as empresas estão buscando melhorar sua análise de crédito incorporando critérios objetivos. Técnicas multivariadas têm sido utilizadas para construir modelos de previsão de crédito que, baseados em informações cadastrais dos clientes, levam à criação de um padrão de comportamento em relação à inadimplência. O objetivo deste artigo é propor uma sistemática para construção de modelos de previsão de risco de crédito e avaliar seu desempenho usando três modelos específicos: análise discriminante, regressão logística e redes neurais. O método proposto (denominado Modelo PRC) é composto de seis etapas: (i) delimitação da população; (ii) seleção da amostra; (iii) análise preliminar; (iv) construção do modelo; (v) escolha do modelo; e (vi) passos para implantação. O Modelo PRC foi aplicado em uma amostra de 17.005 clientes de uma rede de farmácias com crediário próprio. Os resultados para este banco de dados específico apontam uma pequena superioridade do modelo de redes neurais em relação aos outros modelos, que pode ser atribuída a sua não linearidade em relação à combinação de variáveis. |
id |
UFSCAR-3_53931b93156df4bf40ecd0c9fe970554 |
---|---|
oai_identifier_str |
oai:scielo:S0104-530X2009000300007 |
network_acronym_str |
UFSCAR-3 |
network_name_str |
Gestão & Produção |
repository_id_str |
|
spelling |
Uma sistemática para construção e escolha de modelos de previsão de risco de créditoAnálise de créditoAnálise discriminanteRegressão logísticaRedes neuraisCom o aumento recente nos volumes de créditos a pessoas físicas e, por consequência, nos índices de inadimplência, as empresas estão buscando melhorar sua análise de crédito incorporando critérios objetivos. Técnicas multivariadas têm sido utilizadas para construir modelos de previsão de crédito que, baseados em informações cadastrais dos clientes, levam à criação de um padrão de comportamento em relação à inadimplência. O objetivo deste artigo é propor uma sistemática para construção de modelos de previsão de risco de crédito e avaliar seu desempenho usando três modelos específicos: análise discriminante, regressão logística e redes neurais. O método proposto (denominado Modelo PRC) é composto de seis etapas: (i) delimitação da população; (ii) seleção da amostra; (iii) análise preliminar; (iv) construção do modelo; (v) escolha do modelo; e (vi) passos para implantação. O Modelo PRC foi aplicado em uma amostra de 17.005 clientes de uma rede de farmácias com crediário próprio. Os resultados para este banco de dados específico apontam uma pequena superioridade do modelo de redes neurais em relação aos outros modelos, que pode ser atribuída a sua não linearidade em relação à combinação de variáveis.Universidade Federal de São Carlos2009-09-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0104-530X2009000300007Gestão & Produção v.16 n.3 2009reponame:Gestão & Produçãoinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCAR10.1590/S0104-530X2009000300007info:eu-repo/semantics/openAccessSelau,Lisiane Priscila RoldãoRibeiro,José Luis Duartepor2009-12-07T00:00:00Zoai:scielo:S0104-530X2009000300007Revistahttps://www.gestaoeproducao.com/PUBhttps://old.scielo.br/oai/scielo-oai.phpgp@dep.ufscar.br||revistagestaoemanalise@unichristus.edu.br1806-96490104-530Xopendoar:2009-12-07T00:00Gestão & Produção - Universidade Federal de São Carlos (UFSCAR)false |
dc.title.none.fl_str_mv |
Uma sistemática para construção e escolha de modelos de previsão de risco de crédito |
title |
Uma sistemática para construção e escolha de modelos de previsão de risco de crédito |
spellingShingle |
Uma sistemática para construção e escolha de modelos de previsão de risco de crédito Selau,Lisiane Priscila Roldão Análise de crédito Análise discriminante Regressão logística Redes neurais |
title_short |
Uma sistemática para construção e escolha de modelos de previsão de risco de crédito |
title_full |
Uma sistemática para construção e escolha de modelos de previsão de risco de crédito |
title_fullStr |
Uma sistemática para construção e escolha de modelos de previsão de risco de crédito |
title_full_unstemmed |
Uma sistemática para construção e escolha de modelos de previsão de risco de crédito |
title_sort |
Uma sistemática para construção e escolha de modelos de previsão de risco de crédito |
author |
Selau,Lisiane Priscila Roldão |
author_facet |
Selau,Lisiane Priscila Roldão Ribeiro,José Luis Duarte |
author_role |
author |
author2 |
Ribeiro,José Luis Duarte |
author2_role |
author |
dc.contributor.author.fl_str_mv |
Selau,Lisiane Priscila Roldão Ribeiro,José Luis Duarte |
dc.subject.por.fl_str_mv |
Análise de crédito Análise discriminante Regressão logística Redes neurais |
topic |
Análise de crédito Análise discriminante Regressão logística Redes neurais |
description |
Com o aumento recente nos volumes de créditos a pessoas físicas e, por consequência, nos índices de inadimplência, as empresas estão buscando melhorar sua análise de crédito incorporando critérios objetivos. Técnicas multivariadas têm sido utilizadas para construir modelos de previsão de crédito que, baseados em informações cadastrais dos clientes, levam à criação de um padrão de comportamento em relação à inadimplência. O objetivo deste artigo é propor uma sistemática para construção de modelos de previsão de risco de crédito e avaliar seu desempenho usando três modelos específicos: análise discriminante, regressão logística e redes neurais. O método proposto (denominado Modelo PRC) é composto de seis etapas: (i) delimitação da população; (ii) seleção da amostra; (iii) análise preliminar; (iv) construção do modelo; (v) escolha do modelo; e (vi) passos para implantação. O Modelo PRC foi aplicado em uma amostra de 17.005 clientes de uma rede de farmácias com crediário próprio. Os resultados para este banco de dados específico apontam uma pequena superioridade do modelo de redes neurais em relação aos outros modelos, que pode ser atribuída a sua não linearidade em relação à combinação de variáveis. |
publishDate |
2009 |
dc.date.none.fl_str_mv |
2009-09-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0104-530X2009000300007 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0104-530X2009000300007 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/S0104-530X2009000300007 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Carlos |
publisher.none.fl_str_mv |
Universidade Federal de São Carlos |
dc.source.none.fl_str_mv |
Gestão & Produção v.16 n.3 2009 reponame:Gestão & Produção instname:Universidade Federal de São Carlos (UFSCAR) instacron:UFSCAR |
instname_str |
Universidade Federal de São Carlos (UFSCAR) |
instacron_str |
UFSCAR |
institution |
UFSCAR |
reponame_str |
Gestão & Produção |
collection |
Gestão & Produção |
repository.name.fl_str_mv |
Gestão & Produção - Universidade Federal de São Carlos (UFSCAR) |
repository.mail.fl_str_mv |
gp@dep.ufscar.br||revistagestaoemanalise@unichristus.edu.br |
_version_ |
1750118203033387008 |