Uso de técnicas de machine learning para análise de risco de crédito

Detalhes bibliográficos
Autor(a) principal: Santos, Patrick Ferreira dos
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/44753
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
id UNB_0d7a36cd95c9f1ef906f35d53a599d78
oai_identifier_str oai:repositorio.unb.br:10482/44753
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Uso de técnicas de machine learning para análise de risco de créditoAprendizagem de máquinaRisco de créditoCheque especialFloresta aleatóriaÁrvore de decisãoDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.Este trabalho objetivou identificar um modelo preditivo de classificação de risco de crédito em operações comerciais de cheque especial para pessoa física que possibilite o devido gerenciamento de riscos e mensuração mais precisa das situações de default proporcionando a evolução financeira do credor. A variável target considera o cliente “mau” caso ultrapasse 90 dias de atraso em algum mês, durante os 12 primeiros meses após a contratação, caso contrário, o cliente será considerado “bom”. Foram utilizados os algoritmos de Machine Learning Regressão Logística, k-Nearest Neighbors (k-NN), Support Vector Machines (SVM), Árvore de Decisão, Floresta Aleatória e Gradient Boosting. Para validação dos modelos fizemos uso das métricas Precisão, Recall, Especificidade, F1-Score, Média Geométrica, IBA (Index Balanced Accuracy) e a curva ROC (AUC). Os resultados apontaram melhor desempenho para o modelo Floresta Aleatória podendo ser incremento de resultado para instituições financeiras. O que aponta melhor performance de modelos de computação inteligente sobre modelos estatísticos tradicionais como Regressão Logística. Além disso, não foram encontrados outros trabalhos sobre a temática de cheque especial.This study aimed to identify a predictive model of credit risk classification in commercial operations of overdraft for individuals that allows proper risk management and more accurate measurement of default situations, providing the financial evolution of the creditor. The target variable considers the customer “bad” if he exceeds 90 days of delay in any month, during the first 12 months after hiring, otherwise, the customer will be considered “good”. The algorithms of Machine Learning as Logistic Regression, k-Nearest Neighbors (k-NN), Support Vector Machines (SVM), Decision Tree, Random Forest and Gradient Boosting were used. To validate the models, we used the metrics Precision, Recall, Specificity, F1-Score, Geometric Mean and IBA (Index Balanced Accuracy) and the ROC curve (AUC). The results showed better performance for the Random Forest model, which could be an increase in results for financial institutions. This points to better performance of intelligent computing models over traditional statistical models such as Logistic Regression. In addition, no other works on the subject of overdraft were found.Kimura, HerbertSantos, Patrick Ferreira dos2022-09-09T22:03:56Z2022-09-09T22:03:56Z2022-09-092022-06-15info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSANTOS, Patrick Ferreira dos. Uso de técnicas de machine learning para análise de risco de crédito. 2022. 55 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/44753A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2023-07-12T18:50:18Zoai:repositorio.unb.br:10482/44753Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2023-07-12T18:50:18Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Uso de técnicas de machine learning para análise de risco de crédito
title Uso de técnicas de machine learning para análise de risco de crédito
spellingShingle Uso de técnicas de machine learning para análise de risco de crédito
Santos, Patrick Ferreira dos
Aprendizagem de máquina
Risco de crédito
Cheque especial
Floresta aleatória
Árvore de decisão
title_short Uso de técnicas de machine learning para análise de risco de crédito
title_full Uso de técnicas de machine learning para análise de risco de crédito
title_fullStr Uso de técnicas de machine learning para análise de risco de crédito
title_full_unstemmed Uso de técnicas de machine learning para análise de risco de crédito
title_sort Uso de técnicas de machine learning para análise de risco de crédito
author Santos, Patrick Ferreira dos
author_facet Santos, Patrick Ferreira dos
author_role author
dc.contributor.none.fl_str_mv Kimura, Herbert
dc.contributor.author.fl_str_mv Santos, Patrick Ferreira dos
dc.subject.por.fl_str_mv Aprendizagem de máquina
Risco de crédito
Cheque especial
Floresta aleatória
Árvore de decisão
topic Aprendizagem de máquina
Risco de crédito
Cheque especial
Floresta aleatória
Árvore de decisão
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-09-09T22:03:56Z
2022-09-09T22:03:56Z
2022-09-09
2022-06-15
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 SANTOS, Patrick Ferreira dos. Uso de técnicas de machine learning para análise de risco de crédito. 2022. 55 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/44753
identifier_str_mv SANTOS, Patrick Ferreira dos. Uso de técnicas de machine learning para análise de risco de crédito. 2022. 55 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/44753
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 UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1810580813145702400

Registros relacionados