Predição de risco jurídico de instituições financeiras

Abstract

Nesse trabalho implementamos diferentes modelos de previsão de ocorrência de desembolso financeiro em processos judiciais de instituições financeiras brasileiras a partir de técnicas estatísticas, métodos computacionais e algoritmos de Machine Learning (Logistic Regression, Decision Tree, Bagging, Ada Boost, Gradient Boosting e Random Forest) e comparamos os modelos preditivos para identificar o melhor. Para avaliar a adequação dos modelos, realizamos os testes com a obtenção dos índices de acurácia, sensibilidade, especificidade, precisão, f1-score e Area Under ROC Curve (AUROC), com o intuito de validar os modelos em 2 (dois) cenários, um com o uso exclusivo de variáveis de cadastro dos processos judiciais e outro com variáveis de andamento processual. Os melhores resultados foram obtidos com Random Forest para o cenário de variáveis exclusivas de cadastro (acurácia de 80.71%) e o Gradient Boosting para o cenário que agregou variáveis de andamento processual (acurácia de 88.94%). O uso de modelagem preditiva para aferir o risco jurídico, um tipo de risco operacional, mostrou-se adequado e com elevado grau de assertividade para atender as exigências regulamentares de provisão e registro em passivos contingentes nas demonstrações financeiras, conforme preconizado no IAS 37 - Provisions, contingent liabilities and contigent assets, Pronunciamento Técnico CPC 25 e Resolução nº 3.823 do Banco Central do Brasil.