Estudo comparativo entre metodologias de aprendizado de máquina e híbridas aplicadas a risco de crédito

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: CASTRO, Jane Simões de
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Fundação Escola de Comércio Álvares Penteado
Centro Universitário Álvares Penteado
Centro Universitrio lvares Penteado
Brasil
FECAP
PPG1
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://tede.fecap.br:8080/handle/123456789/818
Resumo: Para bancos e empresas que possuem operação de crédito, deter relações com clientes de alto risco aumenta a chance de inadimplência, a necessidade de alocação de capital e a exposição a prejuízos financeiros. Dessa forma, há interesse em aprimorar as avaliações de risco de crédito; e o cenário atual de Big Data fomenta o interesse em metodologias de inteligência artificial, uma vez que a assertividade dessas cresce à medida em que se aumenta a volumetria de dados utilizados. Essa dissertação tem por objetivo comparar metodologias quantitativas aplicáveis à gestão de risco de crédito e concluir se técnicas baseadas em inteligência artificial apresentam performance superior às técnicas tradicionais. Foram estudadas as metodologias Regressão Logística, Support Vector Machine, Random Forest, Gradient Boosting e Modelos híbridos, em visão pessoa física e visão pessoa jurídica. Para ambas visões, a comparação dos modelos via métricas de performance AUC, KS e Taxa de acerto indicou o Gradient Boosting como metodologia campeã.