Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio2.unb.br/jspui/handle/10482/44846
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_TaináMouraNogueira.pdf2,09 MBAdobe PDFVisualizar/Abrir
Título: Modelos de aprendizado de máquina para previsão de default
Autor(es): Nogueira, Tainá Moura
Orientador(es): Cajueiro, Daniel Oliveira
Assunto: Aprendizagem de máquina
Risco de crédito
Previsão
Data de publicação: 19-Set-2022
Referência: 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.
Resumo: 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.
Abstract: 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.
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.