Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio2.unb.br/jspui/handle/10482/44727
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_JuellineShelciSilva.pdf628,08 kBAdobe PDFVisualizar/Abrir
Título: Gerenciamento integrado de riscos : modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF
Autor(es): Silva, Juelline Shelci
Orientador(es): Cajueiro, Daniel Oliveira
Assunto: Aprendizagem de máquina
Risco de crédito
Ativos problemáticos
Random Forests
Gradient Boosting
Data de publicação: 8-Set-2022
Referência: SILVA, Juelline Shelci. Gerenciamento integrado de riscos: modelos de predição de risco de crédito em Machine Learning para a identificação de ativos problemáticos em uma instituição financeira – segmento habitacional PF. 2022. 72 f., il. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2022.
Resumo: A previsão de risco de default para clientes de uma instituição financeira, ou seja, apurar se deixará de cumprir com suas obrigações financeiras, é de extrema importância e pode causar um grande impacto nos resultados da Instituição. Nesse sentido, buscamos com nosso estudo supervisionado a identificação de modelos adequados para subsidiar as ações a serem implementadas pelos bancos com a definição da aderência dos modelos mediante variáveis previsoras que acreditamos ter potencial para discriminar bons e maus pagadores. Recorremos à técnica de Regressão Logística (Logit) e aos modelos de Machine Learning, Random Forest e Gradient Boosting, com o objetivo de prever quando um contrato habitacional pode se tornar Ativo Problemático (AP), para subsidiar decisões para enfrentamento de cenários extremos, em atendimento às exigências do órgão regulador. Para validação dos modelos, utilizamos, a Curva ROC, além de Precision e Recall, bem como critério de erro quadrático médio (RMSE). Os modelos apresentaram resultados muito próximos, acreditamos que em função dos algoritmos refletirem a homogeneidade da carteira avaliada, tanto a nível de perfil dos clientes como a nível de comportamento histórico observado nos contratos. Ao final, o modelo Gradient Boosting apresentou melhor capacidade para a predição esperada, em termos de acurácia e eficiência quanto à previsão e sensibilidade, o que nos permitiu concluir que os modelos em Machine Learning podem ser utilizados para essa finalidade
Abstract: The default risk forecast for clients of a financial institution, that is, to determine whether it will no longer comply with its financial obligations, is extremely important and could have a major impact on the institution’s results. In this sense, we sought with our supervised study the identification of appropriate models to support the actions to be implemented by banks with the definition of adherence of models through forecasting variables that we believe have the potential to discriminate good and bad payers. We used the Logistic Regression technique (Logit) and the machine learning, random forest and gradient boosting models, in order to predict when a housing contract can become problematic asset (PA), to support decisions to cope with extreme scenarios, in compliance with the requirements of the regulatory body. For validation of the models, we used the ROC Curve, in addition to Precision and Recall, as well as mean quadratic error criterion (RMSE). The models presented very close results, we believe that as the algorithms reflect the homogeneity of the portfolio evaluated, both at the level of the profile of the clients and in the level of historical behavior observed in the contracts. In the end, the Gradient Boosting model presented better capacity for the expected prediction, in terms of accuracy and efficiency in terms of prediction and sensitivity, which allowed us to conclude that the models in Machine Learning could be used for this purpose
Unidade Acadêmica: Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)
Departamento de Economia (FACE ECO)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022.
Programa de pós-graduação: Programa de Pós-Graduação em Economia, Mestrado Profissional
Licença: A 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.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.