Modelos de aprendizado de máquina para previsão de default

Detalhes bibliográficos
Autor(a) principal: Nogueira, Tainá Moura
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/44846
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_18cea1b56f0e70568c0154aa482442f5
oai_identifier_str oai:repositorio.unb.br:10482/44846
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Modelos de aprendizado de máquina para previsão de defaultAprendizagem de máquinaRisco de créditoPrevisãoDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.Nesse trabalho, realizamos um estudo a respeito da inadimplência em contratos habitacionais concedidos ao segmento de pessoa física por uma Instituição Financeira enquadrada no segmento S1, utilizando uma amostra de 31647 contratos pactuados entre Janeiro de 2016 e Janeiro de 2021, que tinham como garantia real imóveis entre 500 mil e 1 milhão de reais. A partir das informações disponibilizadas, selecionamos um conjunto de características relacionadas ao tomador e ao contrato. Incorporamos à análise variáveis macroeconômicas comumente utilizadas pela literatura, que demonstraram ter sido bastante relevantes na construção do modelo.Considerado o grande desbalanceamento identificado na base, utilizamos algumas técnicas de reamostragem e aplicamos 5 diferente classificadores na base balanceada e desbalanceada com o intuito de comparar o desempenho das combinações entre diversas técnicas para previsão de contratos que venham a ficar inadimplentes em 30, 60 e 90 dias. Os resultados obtidos indicam maior eficiência da técnica de reamostragem SMOTEENN e dos classificadores Random Forest, Regressão Logística e KNN.In this work, we did a study about the default in housing finance granted in the individual segment by a Financial Institution classified in the S1 segment, using a sample of 31647 contracts agreed between January 2016 and January 2021, that they had as a real guarantee properties between 500 thousand and 1 million reais. From the information provided, we select a set of characteristics related to the borrower and the contract. We integrate macroeconomic variables commonly incorporated in the literature into the analysis, which demonstrated to be quite relevant in the construction of the model. Considering the large imbalance identified in the base, we used some resampling techniques and applied 5 different classifiers to the balanced base and unbalanced base to compare the performance of combinations among several to predict contracts that will become defaulter in 30, 60 and 90 days. The results obtained indicate greater efficiency of the SMOTEEN resampling technique and the Random Forest, Logistic Regression and KNN Classifiers.Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)Departamento de Economia (FACE ECO)Programa de Pós-Graduação em Economia, Mestrado ProfissionalCajueiro, Daniel OliveiraNogueira, Tainá Moura2022-09-19T16:34:11Z2022-09-19T16:34:11Z2022-09-192022-06-14info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfNOGUEIRA, Tainá Moura. Modelos de aprendizado de máquina para previsão de default. 2022. 56 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/44846A 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:UNB2023-11-17T12:26:13Zoai:repositorio.unb.br:10482/44846Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2023-11-17T12:26:13Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Modelos de aprendizado de máquina para previsão de default
title Modelos de aprendizado de máquina para previsão de default
spellingShingle Modelos de aprendizado de máquina para previsão de default
Nogueira, Tainá Moura
Aprendizagem de máquina
Risco de crédito
Previsão
title_short Modelos de aprendizado de máquina para previsão de default
title_full Modelos de aprendizado de máquina para previsão de default
title_fullStr Modelos de aprendizado de máquina para previsão de default
title_full_unstemmed Modelos de aprendizado de máquina para previsão de default
title_sort Modelos de aprendizado de máquina para previsão de default
author Nogueira, Tainá Moura
author_facet Nogueira, Tainá Moura
author_role author
dc.contributor.none.fl_str_mv Cajueiro, Daniel Oliveira
dc.contributor.author.fl_str_mv Nogueira, Tainá Moura
dc.subject.por.fl_str_mv Aprendizagem de máquina
Risco de crédito
Previsão
topic Aprendizagem de máquina
Risco de crédito
Previsão
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 2022-09-19T16:34:11Z
2022-09-19T16:34:11Z
2022-09-19
2022-06-14
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 NOGUEIRA, Tainá Moura. Modelos de aprendizado de máquina para previsão de default. 2022. 56 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/44846
identifier_str_mv NOGUEIRA, Tainá Moura. Modelos de aprendizado de máquina para previsão de default. 2022. 56 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/44846
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_ 1810580738395865088

Registros relacionados