Credit scoring em instituição financeira digital
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/238868 |
Resumo: | O setor bancário tem função peculiar para a economia, principalmente pelo seu papel de instituição depositária e de fomento, e pela concessão de crédito. Os bancos digitais oferecem um relacionamento diferenciado e remoto, com custos mais baixos de serviços e concessões de crédito via internet e mobile banking. Assim, os bancos precisam gerenciar o risco de crédito inerente às suas operações. Para isto, o modelo de credit scoring é uma das ferramentas mais importantes para a sustentabilidade dos sistemas bancários. Considerando o exposto e a velocidade com que o crédito ao consumidor pode se deteriorar, o presente estudo analisa a aplicação de um modelo de credit scoring de um banco tradicional no banco digital X. Por meio de uma pesquisa documental, qualitativa e quantitativa em relação ao problema, e descritiva quanto aos objetivos, foram descritas as características de banco digital e risco de crédito, foram apresentadas as normas regulatórias e revisados os principais modelos de risco de crédito. Também, foi estimado um modelo de credit scoring para previsão de inadimplência do banco digital X. Os resultados demonstram que a regressão logística binária sobre a base de dados mais atual apresentou o maior acerto de classificação de adimplentes e inadimplentes, classificando corretamente 81,5% dos casos. As variáveis com maior poder preditivo foram Sexo, saldo em Operações não Consignadas, soma das parcelas das Operações não Consignadas e soma do Valor Bruto das Operações Consignadas e não Consignadas. Portanto, é necessário um acompanhamento contínuo das variáveis previsoras da inadimplência, pois a carteira de crédito passa por diversas alterações de perfil ao longo do tempo. Este estudo contribuiu trazendo dados atualizados sobre os temas estudados e demonstrou a importância da gestão contínua do risco de crédito para a liberação de capital, por meio de um provisionamento menor. Para pesquisas futuras, sugere-se a utilização de novas variáveis e datas base e a aplicação do modelo em outras carteiras da própria instituição e de outros bancos digitais. Como limitação, a dificuldade de acesso aos modelos de risco de crédito dos bancos digitais, por tratar-se de informação estratégica e sigilosa. |
id |
URGS_d5c7dc383b753fa5e36eedd81cbd4bcc |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/238868 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Johnson, Adriana Lucia Menegon BoitoMartins, Marco Antonio2022-05-24T04:43:23Z2022http://hdl.handle.net/10183/238868001141587O setor bancário tem função peculiar para a economia, principalmente pelo seu papel de instituição depositária e de fomento, e pela concessão de crédito. Os bancos digitais oferecem um relacionamento diferenciado e remoto, com custos mais baixos de serviços e concessões de crédito via internet e mobile banking. Assim, os bancos precisam gerenciar o risco de crédito inerente às suas operações. Para isto, o modelo de credit scoring é uma das ferramentas mais importantes para a sustentabilidade dos sistemas bancários. Considerando o exposto e a velocidade com que o crédito ao consumidor pode se deteriorar, o presente estudo analisa a aplicação de um modelo de credit scoring de um banco tradicional no banco digital X. Por meio de uma pesquisa documental, qualitativa e quantitativa em relação ao problema, e descritiva quanto aos objetivos, foram descritas as características de banco digital e risco de crédito, foram apresentadas as normas regulatórias e revisados os principais modelos de risco de crédito. Também, foi estimado um modelo de credit scoring para previsão de inadimplência do banco digital X. Os resultados demonstram que a regressão logística binária sobre a base de dados mais atual apresentou o maior acerto de classificação de adimplentes e inadimplentes, classificando corretamente 81,5% dos casos. As variáveis com maior poder preditivo foram Sexo, saldo em Operações não Consignadas, soma das parcelas das Operações não Consignadas e soma do Valor Bruto das Operações Consignadas e não Consignadas. Portanto, é necessário um acompanhamento contínuo das variáveis previsoras da inadimplência, pois a carteira de crédito passa por diversas alterações de perfil ao longo do tempo. Este estudo contribuiu trazendo dados atualizados sobre os temas estudados e demonstrou a importância da gestão contínua do risco de crédito para a liberação de capital, por meio de um provisionamento menor. Para pesquisas futuras, sugere-se a utilização de novas variáveis e datas base e a aplicação do modelo em outras carteiras da própria instituição e de outros bancos digitais. Como limitação, a dificuldade de acesso aos modelos de risco de crédito dos bancos digitais, por tratar-se de informação estratégica e sigilosa.The banking sector has a peculiar function for the economy, mainly due to its role as a depository and development institution, and the credit granting. Digital banks offer a differentiated and remote relationship, with lower service costs and credit concessions via the internet. For that reason, banks need to manage the credit risk inherent in the whole portfolio and the risk of individual credits. Credit scoring model is one of the most important tools for the sustainability of the banking systems. Considering what was previously mentioned and the speed in which a credit to a consumer can deteriorate, this study analyses the application of a credit scoring model of a traditional bank in Digital Bank X. Through documental research, both qualitative and quantitative, the regulatory standards were presented, and the main risk credit models were reviewed. In addition, a credit scoring model to predict defaults for Digital Bank X was estimated. The results show that the application of binary logistic regression over the most up-to-date database presented the best classification of defaulters and non-defaulters. 81.5% of the cases were correctly classified. The variables with higher predictive power were Sex, balance in Non-Payroll Operations, sum of the instalments of Non-Consigned Operations, sum of the Gross Value of Consigned and Non-Consigned Operations. Ergo, a continuous monitoring of the predictive variables of default is necessary, since the credit portfolio undergoes several profile changes over time. This study contributed by bringing up-to-date data on the topics studied and demonstrated the importance of continuous management of credit risk, with the use of predictor variables of default, for the release of capital through a lower provisioning. For future research, we suggest the use of new variables and base dates and the application of the model in other portfolios of the institution itself and other digital banks. As a limitation, the difficulty of accessing the credit risk models of digital banks, as they are strategic and confidential information.application/pdfporGestão de portfólioCréditoInstituições financeirasCredit RiskCredit scoringModelPortfolio theoryDigital financial institutionCredit scoring em instituição financeira digitalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulFaculdade de Ciências EconômicasPrograma de Pós-Graduação em Controladoria e ContabilidadePorto Alegre, BR-RS2022mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001141587.pdf.txt001141587.pdf.txtExtracted Texttext/plain210735http://www.lume.ufrgs.br/bitstream/10183/238868/2/001141587.pdf.txtda1183f4f680a3522a6230ce78da1a50MD52ORIGINAL001141587.pdfTexto completoapplication/pdf1792316http://www.lume.ufrgs.br/bitstream/10183/238868/1/001141587.pdf18185501428d3dddc8639d1c562c41f4MD5110183/2388682023-07-30 03:45:59.043173oai:www.lume.ufrgs.br:10183/238868Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532023-07-30T06:45:59Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Credit scoring em instituição financeira digital |
title |
Credit scoring em instituição financeira digital |
spellingShingle |
Credit scoring em instituição financeira digital Johnson, Adriana Lucia Menegon Boito Gestão de portfólio Crédito Instituições financeiras Credit Risk Credit scoring Model Portfolio theory Digital financial institution |
title_short |
Credit scoring em instituição financeira digital |
title_full |
Credit scoring em instituição financeira digital |
title_fullStr |
Credit scoring em instituição financeira digital |
title_full_unstemmed |
Credit scoring em instituição financeira digital |
title_sort |
Credit scoring em instituição financeira digital |
author |
Johnson, Adriana Lucia Menegon Boito |
author_facet |
Johnson, Adriana Lucia Menegon Boito |
author_role |
author |
dc.contributor.author.fl_str_mv |
Johnson, Adriana Lucia Menegon Boito |
dc.contributor.advisor1.fl_str_mv |
Martins, Marco Antonio |
contributor_str_mv |
Martins, Marco Antonio |
dc.subject.por.fl_str_mv |
Gestão de portfólio Crédito Instituições financeiras |
topic |
Gestão de portfólio Crédito Instituições financeiras Credit Risk Credit scoring Model Portfolio theory Digital financial institution |
dc.subject.eng.fl_str_mv |
Credit Risk Credit scoring Model Portfolio theory Digital financial institution |
description |
O setor bancário tem função peculiar para a economia, principalmente pelo seu papel de instituição depositária e de fomento, e pela concessão de crédito. Os bancos digitais oferecem um relacionamento diferenciado e remoto, com custos mais baixos de serviços e concessões de crédito via internet e mobile banking. Assim, os bancos precisam gerenciar o risco de crédito inerente às suas operações. Para isto, o modelo de credit scoring é uma das ferramentas mais importantes para a sustentabilidade dos sistemas bancários. Considerando o exposto e a velocidade com que o crédito ao consumidor pode se deteriorar, o presente estudo analisa a aplicação de um modelo de credit scoring de um banco tradicional no banco digital X. Por meio de uma pesquisa documental, qualitativa e quantitativa em relação ao problema, e descritiva quanto aos objetivos, foram descritas as características de banco digital e risco de crédito, foram apresentadas as normas regulatórias e revisados os principais modelos de risco de crédito. Também, foi estimado um modelo de credit scoring para previsão de inadimplência do banco digital X. Os resultados demonstram que a regressão logística binária sobre a base de dados mais atual apresentou o maior acerto de classificação de adimplentes e inadimplentes, classificando corretamente 81,5% dos casos. As variáveis com maior poder preditivo foram Sexo, saldo em Operações não Consignadas, soma das parcelas das Operações não Consignadas e soma do Valor Bruto das Operações Consignadas e não Consignadas. Portanto, é necessário um acompanhamento contínuo das variáveis previsoras da inadimplência, pois a carteira de crédito passa por diversas alterações de perfil ao longo do tempo. Este estudo contribuiu trazendo dados atualizados sobre os temas estudados e demonstrou a importância da gestão contínua do risco de crédito para a liberação de capital, por meio de um provisionamento menor. Para pesquisas futuras, sugere-se a utilização de novas variáveis e datas base e a aplicação do modelo em outras carteiras da própria instituição e de outros bancos digitais. Como limitação, a dificuldade de acesso aos modelos de risco de crédito dos bancos digitais, por tratar-se de informação estratégica e sigilosa. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-05-24T04:43:23Z |
dc.date.issued.fl_str_mv |
2022 |
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 |
http://hdl.handle.net/10183/238868 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001141587 |
url |
http://hdl.handle.net/10183/238868 |
identifier_str_mv |
001141587 |
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:Biblioteca Digital de Teses e Dissertações 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 |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/238868/2/001141587.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/238868/1/001141587.pdf |
bitstream.checksum.fl_str_mv |
da1183f4f680a3522a6230ce78da1a50 18185501428d3dddc8639d1c562c41f4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085584335536128 |