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

• Ano de defesa: 2019
• Autor(a) principal: CASTRO, Jane Simões de
• 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
• Palavras-chave em Português: Administração de risco; Inteligência artificial; Aprendizado por computador; Administração de crédito; Risk management; Artificial intelligence; Computer learning; Credit management; ADMINISTRAÇÃO DE EMPRESAS
• Link de acesso: http://tede.fecap.br:8080/handle/123456789/818

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.